التمايز الفضائي-الزمني لاستنتاج التدفقات الحضرية الدقيقة

يهدف مُشكلة الاستنتاج المُفصّل للتدفقات الحضرية (FUFI) إلى استنتاج خرائط التدفق المُفصّلة من خرائط التدفق المُبسطة، مما يُفيد العديد من التطبيقات الذكية في المدن من خلال تقليل تكاليف الكهرباء والصيانة والتشغيل. تستخدم النماذج الحالية تقنيات مستمدة من التحسين العالي للدقة في الصور، وتُظهر أداءً جيدًا في مُشكلة FUFI. ومع ذلك، فإنها تعتمد غالبًا على التعلّم الخاضع للإشراف مع كمّ كبير من بيانات التدريب، وغالبًا ما تعاني من قلة القدرة على التعميم وتشهد ظاهرة التعلّم الزائد (Overfitting). نقدّم حلًا جديدًا يُسمّى: S patial- T emporal C ontrasting for Fine-Grained Urban F low Inference (STCF)، ويتكوّن من (أ) شبكتين لتدريب مسبق لتنفيذ التباين المكاني-الزمني بين خرائط التدفق؛ و(ب) شبكة مُدمجة للضبط الدقيق لدمج السمات المُستخلصة. من خلال جذب خرائط التدفق المتشابهة مكانيًا وزمنيًا، وفصل تلك التي تختلف داخل فضاء التمثيل، يُعزز STCF الكفاءة والأداء. أظهرت تجارب شاملة على مجموعتي بيانات حضرية حقيقيتين وضخمتين أن STCF يقلّل من خطأ الاستنتاج بنسبة تصل إلى 13.5٪، مع الحاجة إلى كمّ أقل بكثير من البيانات وعدد أقل من المعاملات النموذجية مقارنةً بالأساليب السابقة.