STAEformer: التضمين المتغير الفضائي الزمني يجعل الـ Transformer التقليدي الأفضل في التنبؤ بالحركة المرورية
مع التطور السريع لنظام النقل الذكي (ITS)، برز التنبؤ الدقيق بالحركة المرورية كتحدي بالغ الأهمية. وتكمن العقبة الأساسية في القدرة على التقاط الأنماط الزمانية المكانية المعقدة المرتبطة بالحركة. في السنوات الأخيرة، تم اقتراح العديد من الشبكات العصبية ذات الهياكل المعقدة للتعامل مع هذه المشكلة. ومع ذلك، فإن التطورات في هياكل الشبكات قد واجهت مكاسب محدودة في الأداء. في هذه الدراسة، نقدم مكونًا جديدًا يُدعى "التمثيل المُعدّل الزماني المكاني"، الذي يُمكنه تحقيق نتائج متميزة باستخدام نماذج "Transformer" الأساسية. ويحقق النموذج المقترح، المسمى "Transformer للتمثيل المُعدّل الزماني المكاني" (STAEformer)، أداءً متفوقًا على مستوى الحالة الحالية في خمسة مجموعات بيانات حقيقية للتنبؤ بالحركة المرورية. وتشير التجارب الإضافية إلى أن التمثيل المُعدّل الزماني المكاني يلعب دورًا محوريًا في التنبؤ بالحركة المرورية من خلال التقاط العلاقات الزمانية المكانية الداخلية والمعلومات الزمنية التسلسلية في سلاسل زمنية حركة المرور بشكل فعّال.