PDFormer: تحويلة طويلة المدى ديناميكية تأخذ بعين الاعتبار زمن التأخير الانتشاري لتنبؤ تدفق المرور

كمُكوّن رئيسي في نظام النقل الذكي، تُعدُّ توقع تدفق المرور من التطبيقات الواسعة النطاق. ويتمثل التحدي الأساسي في توقع تدفق المرور في نمذجة الفعّالة للارتباطات الفضائية-الزمنية المعقدة في بيانات المرور. وقد برزت نماذج الشبكة العصبية الرسومية الفضائية-الزمنية (GNN) كواحدة من أكثر الطرق واعدًا لحل هذه المشكلة. ومع ذلك، تمتلك النماذج القائمة على GNN ثلاث قيود رئيسية في مجال توقع المرور: أولاً، تُنمذج معظم الطرق الارتباطات الفضائية بطريقة ثابتة، مما يحد من قدرتها على تعلّم أنماط المرور الحضرية الديناميكية؛ ثانيًا، تقتصر معظم الطرق على معلومات فضائية قصيرة المدى، ولا تتمكن من التقاط الارتباطات الفضائية طويلة المدى؛ ثالثًا، تتجاهل هذه الطرق حقيقة أن انتشار حالات المرور بين المواقع يُظهر تأخيرًا زمنيًا في الأنظمة المرورية. وللتصدي لهذا التحدي، نقترح نموذجًا جديدًا يُسمى PDFormer، وهو نموذج ترانسفورمر ديناميكي طويل المدى يُراعي التأخير في الانتشار، لتقديم توقعات دقيقة لتدفق المرور. وبشكل محدد، قمنا بتصميم وحدة انتباه ذاتي فضائي لالتقاط الارتباطات الفضائية الديناميكية. ثم قمنا بوضع مصفوفتين للكمّات الرسومية (graph masking matrices) لتسليط الضوء على الارتباطات الفضائية من وجهتي نظر قصيرة وطويلة المدى. علاوةً على ذلك، اقترحنا وحدة تحويل مميزة لتأخير المرور، لتمكين نموذج PDFormer من نمذجة التأخير الزمني في انتشار المعلومات الفضائية بشكل صريح. أظهرت النتائج التجريبية الواسعة على ستة مجموعات بيانات حقيقية وعامة للمرور أن طريقة我们的 تُحقّق أداءً من الدرجة الأولى (state-of-the-art) وتحافظ على كفاءة حسابية تنافسية. وبالإضافة إلى ذلك، قمنا بتصوّر خريطة الانتباه الفضائي-الزمني المُتعلّمة، مما يجعل النموذج قابلاً للتفسير بدرجة عالية.