في عالم يتسم بالازدحام المروري المتزايد، تظل دقة توقع حركة المرور أمراً بالغ الأهمية للأنظمة الذكية للنقل (Intelligent Transportation Systems). ومع ذلك، تواجه عملية التوقع تحديات كبيرة ناجمة عن عنصرين رئيسيين:

1. **أنماط زمنية متنوعة**: تشمل بيانات حركة المرور أنماطاً زمنية متغايرة، حيث تتواجد أنماط دورية مستقرة بجانب التقلبات الناتجة عن أحداث معينة. وتتعامل الطرق التقليدية مع هذه الأنماط بشكل موحد، مما يعيق قدرتها على التقاط الديناميكيات الزمنية الدقيقة.

2. **التبعية المكانية المتغيرة**: تعتمد العلاقة بين العقد (Nodes) على الديناميكية والتباين، حيث يمكن أن تؤدي استخدامات الانتباه الكثيف (Dense Attention) إلى تفاعلات زائدة تضيف ضوضاء للتوقعات.

لحل هذه المشكلات، تم اقتراح نموذج ADMFormer، الذي يشير إلى "تمTransformer تكييفي مع انتباه مكاني مع ماسك متغير زمنياً" (Adaptive-Decomposition Transformer with Time-Varying Masked Spatial Attention). يعتمد النموذج على عملية تصفية زمنية-عقدية (Time-Node Adaptive Gating) لفصل إشارات المرور إلى أنماط قوية وتقلبات ناتجة عن الزمن والموقع.

بالإضافة لذلك، تم تصميم وحدة زمنية ثنائية الفرع (Dual-Branch Temporal Module) لالتقاط الاعتماديات الدورية العالمية والتقلبات عالية التردد بصورة منفصلة. كما تُدخل ADMFormer انتباهًا مكانيًا متغيرًا زمنياً يُخفف من التفاعلات المكانية بناءً على حالة المرور الفعلية، مما يحافظ على الديناميكيات الهامة.

أثبتت التجارب الواسعة على أربع مجموعات بيانات حقيقية أن ADMFormer يحقق أداءً رائداً في هذا المجال، مما يفتح آفاق جديدة لتطبيقات حركة المرور الذكية.

**في ختام هذا المقال،** كيف تعتقد أن هذه التكنولوجيا ستؤثر على حركة المرور في مدينتك؟ شاركونا آرائكم في التعليقات!