Yuting Huang Ziquan Fang Zhihao Zeng Lu Chen Yunjun Gao

الملخص

تُعد التنبؤات الفضائية الزمنية ذات دور محوري في النقل الذكي، وتوقعات الطقس، والتخطيط الحضري. وعلى الرغم من أن دمج البيانات متعددة النماذج قد أظهر إمكانات في تحسين دقة التنبؤ، إلا أن تحديات رئيسية لا تزال قائمة، ألا وهي: (أ) ضعف دمج المعلومات متعددة النماذج، (ب) العوامل المُربكة التي تُعكّر العلاقات السببية، (ج) التعقيد الحسابي العالي لنموذج التنبؤ. وللتغلب على هذه التحديات، نقترح إطارًا فعّالًا وفعالًا يُسمى E²-CSTP (E²-Causal multi-modal Spatio-Temporal Prediction)، وهو إطار للتنبؤ الفضائي الزمني القائم على السببية متعدد النماذج. يستخدم E²-CSTP آليات الانتباه عبر النماذج (cross-modal attention) والتحكم بالمرور (gating mechanisms) لدمج فعّال للبيانات متعددة النماذج. وبما يُبنى على هذا الأساس، نصمم نهجًا ثنائي الفرع للاستنتاج السببي: حيث يركّز الفرع الأساسي على التنبؤ الفضائي الزمني، بينما يُقلّل الفرع المساعد من التحيّز من خلال نمذجة نماذج إضافية وتطبيق تدخلات سببية للكشف عن الارتباطات السببية الحقيقية. ولتحسين كفاءة النموذج، ندمج معمارية GCN مع معمارية Mamba لتسريع الترميز الفضائي الزمني. وقد أظهرت التجارب الواسعة على أربع مجموعات بيانات واقعية أن E²-CSTP يتفوّق بشكل ملحوظ على تسع طرق حديثة متقدمة، محقّقًا تحسينات تصل إلى 9.66% في الدقة، وانخفاضًا في الأعباء الحسابية يتراوح بين 17.37% و56.11%.