في عالمنا الحديث، تزداد الحاجة إلى تحسين التنبؤات المتعلقة بالطلب على خدمات التوصيل في المدن، لاسيما عندما يتعلق الأمر بالمناطق الجديدة التي تفتقر إلى سجلات تاريخية. لكن ما الذي يجعل هذا الأمر معقدًا؟

المشكلة تكمن في أن النماذج الحالية غالبًا ما تكون مبنية على بيانات تاريخية، مما يعني أنها تعاني عند محاولة التعامل مع الحالات الجديدة أو "المناطق الباردة" (Cold-start regions). وعليه، يأتي الابتكار من خلال نموذج Bridge، وهو إطار عمل يجمع بين الرسوم البيانية الزمنية والذاكرة المكانية.

يعمل نموذج Bridge على تحسين دقة التنبؤ عن طريق استرجاع أنماط الطلب المستقبلي من الذاكرة، بالاعتماد على السياق الإقليمي والديناميات الحديثة. **تتضمن العملية خوارزمية دمج محكمة (Gated Fusion Mechanism)** تتيح له تعديل التوقعات بناءً على الدروس المستفادة من البيانات السابقة.

ما هو الجديد هنا؟ يكمن الابتكار في استخدام "الذكاء الاصطناعي الإضافي" (Retrieval-Augmented) لتقديم ذاكرة تشغيلية فعّالة، تساهم في تحسين تنبؤات الطلب حتى في ظروف التغير السريع. أظهرت التجارب أن نموذج Bridge يحقق أداءً متفوقًا مقارنة بالنماذج المنافسة في سيناريوهات متعددة، سواء داخل المدينة أو ما بين المدن.

في النهاية، تقدم ابتكارات مثل نموذج Bridge فرصة جديدة لفهم وتحسين عمليات التوصيل في البيئات الحضرية، مما يساعد على تلبية الطلب المتزايد بكفاءة أكبر.