التنبؤ بكفاءة بحركة المرور على نطاق واسع باستخدام المحولات: من منظور إدارة البيانات المكانية

إن توقع حركة المرور على الطرق يُعد أمرًا حيويًا في السيناريوهات الواقعية للنقل الذكي، مثل توجيه المرور والتخطيط للمسارات في إدارة المدن والسفر الشخصي. تبرز الشبكات العصبية الرسومية الزمنية-المكانية (STGNNs) كحل رئيسي في هذا المجال. ومع ذلك، أصبحت التعقيد التربيعي الناتج عن النماذج الديناميكية المكانية المتميزة في STGNNs عائقًا رئيسيًا عند التعامل مع بيانات المرور الضخمة. من منظور إدارة البيانات المكانية، نقدم إطارًا جديدًا يعتمد على مُحَوِّل (Transformer) يُسمى PatchSTG، يتيح نمذجة فعالة وديناميكية للعوامل المكانية في توقعات حركة المرور الضخمة، مع الحفاظ على القدرة على التفسير والدقة. وبشكل محدد، نصمم تقنية جديدة لتقسيم المواقع المكانية غير المنتظمة (irregular spatial patching)، بهدف تقليل عدد النقاط المشاركة في الحسابات الديناميكية لمحوّل (Transformer). يعتمد التقسيم غير المنتظم على شجرة كيرنل-ديم (KDTree) ذات أبعاد متعددة (K-dimensional tree)، حيث تُقسَّم نقاط المرور غير المنتظمة بشكل تكراري إلى عقد نهائية (leaf nodes) ذات سعة صغيرة، ثم تُدمج العقد النهائية التي تنتمي إلى نفس الشجرة الفرعية إلى "مُسَاحات" (patches) متساوية في الاستخدام وليست متداخلة، وذلك باستخدام تقنيات التعبئة (padding) والاسترجاع (backtracking). بناءً على البيانات المُقسَّمة بهذه الطريقة، تُستخدم الانتباه العميق (depth attention) والانتباه الواسع (breadth attention) بشكل متغير في المُشفِّر (encoder) لاستخلاص معرفة مكانية محلية وعامة ديناميكياً من النقاط داخل كل مساحة، وكذلك من النقاط ذات الفهرس نفسه عبر المساحات المختلفة. أظهرت النتائج التجريبية على أربع مجموعات بيانات حقيقية ضخمة لحركة المرور أن نموذج PatchSTG حقق تحسينات تصل إلى 10 أضعاف في سرعة التدريب واستخدام الذاكرة حتى 4 أضعاف، مع الحفاظ على الأداء الأفضل في مجاله.