في الوقت الراهن، تعيش المدن في حالة تطور مستمر يتطلب التكيف السريع مع التغيرات الحضرية. لذلك، يصبح modeling سلوك نقاط الاهتمام (POIs) أساسيًا لدعم التخطيط الحضري القائم على البيانات. ولقد أظهرت الأبحاث الأخيرة تقدمًا كبيرًا في التعلم المرتكز على الجرافات الزمنية والمكانية (spatio-temporal graph learning) لتحسين توقعات نقاط الاهتمام، إلا أن معظم الطرق المتاحة تعتمد على جرافات مرتبطة بالجوار ونماذج قائمة على الارتباط، مما يغفل التبعية الوظيفية بين هذه النقاط ويعجز عن استيعاب التأثيرات السببية للتداخلات الحضرية.

ويستهدف البحث الجديد الذي قدمه فريقنا تقديم مشكلة بحثية مبتكرة، وهي توقعات الدخول لنقاط الجذب السياحي الجديدة (cold-start POI check-in forecasting). يسعى هذا النظام إلى التنبؤ بنمط الدخول المستقبلي لنقطة جذب تم إدخالها مؤخرًا، وذلك من خلال modeling وتقييم التفاعلات الوظيفية بينها وبين نقاط الجذب المجاورة ضمن سياق حضري منظم.

لذا، نقدم لكم CausalPOI، وهو إطار عمل لتعزيز التعلم التمثيلي القائم على الجرافس الزمنية والمكانية. يقوم CausalPOI باستغلال جراف التفاعل الوظيفي الزمني المكاني (Spatio-Temporal Functional Interaction Graph)، لتصوير العلاقات المعنوية والمكانية بين نقاط الجذب السياحي، ويبني جرافات علاجية وضبطية متطابقة هيكليًا لمحاكاة السيناريوهات الواقعية والبديلة.

أثبتت التجارب الواسعة على مجموعات بيانات SafeGraph الواقعية أن CausalPOI يتفوق بشكل واضح على المعايير الحالية عبر كل المجالات، مما يثبت فعاليته في التنبؤ الزمني المكاني، ونمذجة التفاعل المعنوي، وتقدير التأثيرات السببية. يمثل هذا العمل الأساس الأكثر شمولاً وقابلية للتطبيق لتحليل التدخلات الحضرية، ويعد بفرص جديدة للتخطيط الذكي.

لمعرفة المزيد، يمكنكم الاطلاع على الشيفرة المصدرية المتاحة على GitHub.