في السنوات الأخيرة، اكتسب التعلم العميق اهتمامًا متزايدًا في مجال تنبؤ حركة المرور. تعتمد النماذج الحالية لتوقع حركة المرور غالبًا على الشبكات العصبية التلافيفية (GCNs) أو آليات الانتباه ذات التعقيد O(N²) لاستخراج سمات عقد حركة المرور ديناميكيًا، مما يُعد غير فعّال ومرهق من حيث الموارد، ولا يُعد خفيف الوزن. علاوةً على ذلك، تُستخدم هذه النماذج عادةً فقط البيانات التاريخية في التنبؤ، دون أخذ تأثير المعلومات المستهدفة في الاعتبار أثناء عملية التوقع. لمعالجة هذه المشكلات، نقترح نموذجًا جديدًا يُسمى "الشبكة الديناميكية للذاكرة القائمة على مطابقة الأنماط" (PM-DMNet). تعتمد PM-DMNet على شبكة ذاكرة ديناميكية مبتكرة لاستخلاص سمات الأنماط المرورية بتعقيد O(N) فقط، مما يقلل بشكل كبير من الحمل الحسابي مع تحقيق أداء ممتاز. كما تُقدّم PM-DMNet طريقتين للتنبؤ: التنبؤ المتكرر متعدد المراحل (RMP) والتنبؤ الموازي متعدد المراحل (PMP)، اللذين يستفيدان من السمات الزمنية للهدف المُتوقع لدعم عملية التنبؤ. بالإضافة إلى ذلك، تم دمج آلية انتباه قابلة للنقل في PMP، والتي تقوم بتحويل سمات البيانات التاريخية لتتوافق بشكل أفضل مع حالات الهدف المتوقع، مما يُمكّن من التقاط التغيرات في الاتجاهات بدقة أعلى وتقليل الأخطاء. أظهرت التجارب الواسعة تفوق النموذج المقترح مقارنةً بالمعايير الحالية. يمكن الوصول إلى الشيفرة المصدرية من خلال الرابط التالي: https://github.com/wengwenchao123/PM-DMNet.