التكيف عند الوقت الفعلي للاختبار للتنبؤ بتدفق المرور الفضائي-الزمني

التنبؤ الدقيق بتدفق المرور المكاني-الزمني يُعد أمرًا بالغ الأهمية في مساعدة مديري المرور على تنفيذ تدابير التحكم، كما يساعد السائقين على اختيار الطرق المثلى للتنقل. تُعتمد الطرق التقليدية القائمة على التعلم العميق للتنبؤ بتدفق المرور عادةً على بيانات تاريخية لتدريب النماذج، والتي تُستخدم بعدها للتنبؤ بالبيانات المستقبلية. ومع ذلك، فإن أداء النموذج المدرب يتناقص عادةً بسبب الانحراف الزمني بين البيانات التاريخية والبيانات المستقبلية. ولجعل النموذج المدرب على البيانات التاريخية أكثر قدرة على التكيف مع البيانات المستقبلية بطريقة كاملة على الإنترنت، تقوم هذه الورقة بإجراء أول دراسة حول تقنيات التكيف أثناء الاختبار (test-time adaptation) في مسائل التنبؤ بتدفق المرور المكاني-الزمني. ولتحقيق ذلك، نقترح طريقة تُسمى ADCSD (التصحيح المتكيف المزدوج من خلال التحليل التسلسلي)، التي تقوم أولاً بتحليل إخراج النموذج المدرب إلى جزأين: جزء موسمي وجزء اتجاهي-دوري، ثم تقوم بتصحيح كل جزء باستخدام وحدتين منفصلتين أثناء مرحلة الاختبار، باستخدام البيانات الملاحظة الأحدث بشكل تدريجي وخطوة بخطوة. في الطريقة المقترحة ADCSD، بدلًا من إعادة ضبط كل النموذج المدرب أثناء مرحلة الاختبار، يتم إرفاق شبكة خفيفة (lite network) بعد النموذج المدرب، ويتم إعادة ضبط هذه الشبكة الخفيفة فقط في كل مرة تُلاحظ فيها مدخلة بيانات جديدة. علاوة على ذلك، ولضمان أن المتغيرات الزمنية المختلفة قد تمتلك مستويات مختلفة من الانحراف الزمني، تم اعتماد متجهين متكيفين لتوفير أوزان مختلفة للمتغيرات الزمنية المختلفة. أظهرت التجارب الواسعة على أربع مجموعات بيانات حقيقية للتنبؤ بتدفق المرور فعالية الطريقة المقترحة ADCSD. يمكن الوصول إلى الكود عبر الرابط: https://github.com/Pengxin-Guo/ADCSD.