HyperAIHyperAI
منذ 17 أيام

الانتباه الفضائي الزمني ويفينيت: إطار تعلم عميق للتنبؤ بالحركة المرورية مع مراعاة الاعتماديات الفضائية الزمنية

{Wai Kin (Victor) Chan, Chenyu Tian}
الملخص

تنطوي التنبؤات المرورية في الشبكات الطرقية على تحدي كبير نظرًا لتعقيد أنظمة المرور، وتمثّل مهمة حاسمة في تطبيقات أنظمة المرور الذكية الناجحة. تعتمد الطرق الحالية في الغالب على التقاط الاعتماد المكاني الثابت، مع الاعتماد على المعرفة المسبقة بالهيكل الرسومي. ومع ذلك، يمكن أن يكون الاعتماد المكاني ديناميكيًا، وأحيانًا لا يعكس البنية المادية العلاقة الحقيقية بين الطرق. ولتحسين التقاط الاعتماد المكاني-الزمني المعقد والتنبؤ بحالة المرور في الشبكات الطرقية، نقترح نموذج تنبؤ متعدد المراحل يُسمى STAWnet (Wavenet الاعتماد المكاني-الزمني). يُطبَّق الت convolution الزمني لمعالجة التسلسلات الزمنية الطويلة، ويمكن لشبكة الانتباه الذاتي التقاط الاعتماد المكاني الديناميكي بين العقد المختلفة. على عكس النماذج الحالية، لا يحتاج STAWnet إلى معرفة مسبقة بالرسم البياني، حيث يعتمد على تطوير تمثيلات عقد ذاتية التعلم. تُدمج هذه المكونات في إطار عمل من نهاية إلى نهاية. أظهرت النتائج التجريبية على ثلاث مجموعات بيانات عامة للتنبؤ بالمرور (METR-LA، PEMS-BAY، وPEMS07) الفعالية، وتحديدًا في التنبؤ بعد ساعة واحدة، حيث تفوق STAWnet على أحدث الطرق دون الحاجة إلى معرفة مسبقة بالشبكة.