تعلم البنية الرسومية الزمانية المكانية للتنبؤ بالحركة المرورية

كمكون لا غنى عنه في نظام المرور الذكي (ITS)، تواجه مهمة توقع حركة المرور ثلاث تحديات جوهرية. أولاً، ترتبط بيانات المرور فعليًا بشبكات الطرق، وبالتالي يجب تمثيلها على شكل رسوم بيانية للمرور بدلًا من التنسورات المنتظمة على شكل شبكة منتظمة. ثانيًا، تُظهر بيانات المرور اعتمادًا مكانيًا قويًا، مما يعني أن العقد في الرسوم البيانية للمرور غالبًا ما تكون مرتبطة بعلاقات معقدة وديناميكية بعضها ببعض. ثالثًا، تُظهر بيانات المرور اعتمادًا زمنيًا قويًا، وهو أمر بالغ الأهمية لنمذجة سلاسل زمنية للمرور. لمعالجة هذه التحديات، نقترح إطارًا جديدًا يُسمى "التعلم الهيكلي لل convoLution" (SLC)، والذي يمكّن من توسيع الشبكة العصبية التلافيفية التقليدية (CNN) إلى المجالات الرسومية، وتعلم البنية الرسومية لغرض توقع حركة المرور. من الناحية الفنية، يُضمن SLC تمثيلًا صريحًا لمعلومات البنية داخل عملية التلافيف. ضمن هذا الإطار، يمكن اعتبار طرق CNN غير أقليدية مختلفة حالات خاصة من صيغتنا، مما يوفر آلية مرنة لتعلم البيانات على الرسوم البيانية. على هذا النحو، تم اقتراح وحدتين SLC لالتقاط الهياكل العالمية والمكانية على التوالي، ثم دمجهما لبناء شبكة منتهية (end-to-end) لتنبؤ حركة المرور. علاوةً على ذلك، تم دمج الشبكات التلافيفية الرباعية الظاهرية (P3D) مع SLC في هذه العملية لالتقاط الاعتماد الزمني في بيانات المرور. وقد أظهرت تجارب مقارنة واسعة على ستة مجموعات بيانات حقيقية أن النهج المقترح يتفوق بشكل ملحوظ على الأفضلية الحالية في المجال.