المعادلات التفاضلية الخشنة للشبكات العصبية الرسومية للتنبؤ بالحركة المرورية

تنبؤ الحركة المرورية يُعد من أكثر المهام الفضائية الزمنية شيوعًا في مجال التعلم الآلي. وتشمل إحدى الطرق الشائعة في هذا المجال دمج الشبكات العصبية التلافيفية الرسومية (Graph Convolutional Networks) مع الشبكات العصبية التكرارية (Recurrent Neural Networks) لمعالجة البيانات الفضائية الزمنية. وقد شهد هذا المجال منافسة شرسة، مع ظهور العديد من الطرق المبتكرة. في هذا البحث، نقدّم طريقة تُسمى المعادلة التفاضلية الخشنة العصبية الرسومية الفضائية الزمنية (STG-NRDE). وتشكل المعادلات التفاضلية الخشنة العصبية (NRDEs) مفهومًا ثوريًا لمعالجة بيانات السلاسل الزمنية، حيث تعتمد فكرتها الأساسية على استخدام تحويل التوقيع اللوغاريتمي (log-signature transform) لتحويل عينة من السلسلة الزمنية إلى سلسلة أقصر نسبيًا من متجهات الميزات. ونُوسع هذا المفهوم ونُصمم نوعين من المعادلات NRDE: أحدهما للمعالجة الزمنية، والآخر للمعالجة الفضائية. ثم ندمج كلا النوعين ضمن إطار موحد واحد. وقد أجرينا تجارب باستخدام 6 مجموعات بيانات معيارية و27 طريقة مقارنة. وأظهرت نتائج STG-NRDE دقة أعلى في جميع الحالات، متفوقةً على جميع الـ 27 طريقة مقارنة بفارق ملحوظ.