الشبكات العصبية الرسومية المكانية-الزمنية المستندة إلى الانتباه للتنبؤ بتدفق المرور

يُعدّ التنبؤ بتدفقات المرور قضية بالغة الأهمية بالنسبة للباحثين والمتخصصين في مجال النقل. ومع ذلك، يُعدّ هذا التحدي صعبًا للغاية، نظرًا لأن تدفقات المرور تُظهر عادةً عدم خطية عالية وأنماط معقدة. تعاني معظم الطرق الحالية للتنبؤ بتدفقات المرور من قصور في القدرة على نمذجة الارتباطات الزمانية-المكانية الديناميكية للبيانات المرورية، مما يجعلها غير قادرة على تحقيق نتائج تنبؤية مرضية. في هذا البحث، نقترح نموذجًا جديدًا يعتمد على الانتباه يُسمى الشبكة العصبية التلافيفية الزمانية-المكانية المبنية على الانتباه (ASTGCN) لحل مشكلة التنبؤ بتدفقات المرور. يتكون نموذج ASTGCN بشكل رئيسي من ثلاث مكونات مستقلة، تُستخدم على التوالي لنمذجة ثلاث خصائص زمنية لتدفقات المرور، وهي: الاعتماديات الحديثة، والدورية اليومية، والدورية الأسبوعية. وبشكل أكثر تفصيلًا، يحتوي كل مكون على جزأين رئيسيين: 1) آلية الانتباه الزمانية-المكانية التي تُمكّن من التقاط الارتباطات الزمانية-المكانية الديناميكية في البيانات المرورية بشكل فعّال؛ 2) التلافيف الزمانية-المكانية التي تستخدم في آنٍ واحد التلافيف الرسومية لالتقاط الأنماط المكانية، والتلافيف القياسية التقليدية لوصف الخصائص الزمنية. ثم يتم دمج مخرجات المكونات الثلاثة بشكل موزون لتكوين النتائج التنبؤية النهائية. وقد أظهرت التجارب على مجموعتي بيانات واقعية من نظام قياس الأداء التابع لوزارة النقل في كاليفورنيا (Caltrans Performance Measurement System - PeMS) أن نموذج ASTGCN المُقترح يتفوق على النماذج الحالية الرائدة في مجال التنبؤ.