التنبؤ الدقيق بتدفقات المرور في المدينة خلال فترات زمنية مختلفة يلعب دورًا حاسمًا في أنظمة النقل الذكية. رغم الجهود الكبيرة التي بذلتها الدراسات السابقة لنمذجة العلاقات المكانية-الزمانية، لا تزال الأساليب الحالية تعاني من قيود رئيسية اثنتين: أولاً، معظم النماذج تتوقع تدفقات جميع المناطق بشكل جماعي دون مراعاة الاختلاف المكاني، أي أن المناطق المختلفة قد تكون لديها توزيعات مائلة لتدفقات المرور. ثانيًا، هذه النماذج لا تستطيع التقاط الاختلاف الزماني الناجم عن الأنماط المرورية المتغيرة مع الزمن، حيث أنها عادة ما تنمذج العلاقات الزمانية باستخدام مساحة مشتركة معلمة لجميع الفترات الزمنية. للتعامل مع هذه التحديات، نقترح إطار عمل جديد للتعلم الذاتي المكاني-زماني (ST-SSL) للتنبؤ بالمرور، والذي يعزز تمثيلات أنماط المرور لتكون انعكاسًا لكل من الاختلاف المكاني والزماني، باستخدام نماذج التعلم الذاتي المساعدة.وبشكل خاص، يتم بناء ST-SSL على وحدة متكاملة تحتوي على عمليات التجميع الزماني والمكاني لترميز المعلومات عبر المكان والزمان. لتحقيق التعلم الذاتي المكاني-زماني التكيفي، يقوم ST-SSL أولاً بزيادة البيانات الرسمية لتدفق المرور بشكل تكيفي على مستويين: مستوى السمات ومستوى الهيكل. فوق البيانات الرسمية المعززة، يتم بناء مهمتين مساعدتين للتعلم الذاتي (SSL) لدعم مهمة التنبؤ الرئيسية بالمرور بزيادة وعيها بالاختلاف المكاني والزماني. تظهر التجارب على أربع مجموعات بيانات مرجعية أن ST-SSL يتفوق باستمرار على مجموعة متنوعة من الأساليب الرائدة حاليًا. نظرًا لوجود الاختلاف المكاني-زماني على نطاق واسع في البيانات العملية، فقد يمكن لهذا الإطار المقترح أيضًا إلقاء الضوء على التطبيقات الأخرى ذات الطابع المكاني-زماني. يمكن الوصول إلى تنفيذ النموذج من خلال الرابط: https://github.com/Echo-Ji/ST-SSL.