في السنوات الأخيرة، ظهر تكامل نمذجة الفضاء غير الطوبولوجي مع أساليب التعلم الزمني كنهج فعال لالتقاط المعلومات المكانية والزمنية في الرسوم البيانية غير الإقليدية. إلا أن معظم الأساليب الحالية تعتمد على هياكل رسوم بيانية ثابتة، وهو ما يعتبر غير كافٍ لالتقاط الأنماط المتزايدة والمتطورة باستمرار في شبكات حركة المرور.

للرد على هذا التحدي، نقدم إطار عمل للتعلم المستمر يُعرف باسم CoMemNet، والذي يتمتع بقدرة فعالة وسهلة في توقع حركة المرور. يتمثل عمود هذا الإطار في فرعين مزدوجين: الفرع الأول هو الفرع السريع (Online Branch) الذي يتولى مهام التوقع الرئيسية، بينما يختص الفرع المستهدف (Target Branch) بتحديث المعلومات التاريخية عبر ميزات المسافة فاسيستين (Wasserstein Distance) لإنشاء عينة متباينة ديناميكية (Dynamic Contrastive Sampler). يتيح هذا العيّن اختيار مجموعة من العقد التي شهدت تغييرات كبيرة في ميزات الشبكة الديناميكية للتدريب، مما يساهم في الحد الفعال من مشكلة النسيان الكارثي.

علاوة على ذلك، يتضمن الإطار مخزن ذاكرة مؤقتة قابل للتكيف مع العقد (Node-Adaptive Temporal Memory Buffer - TMRB-N) لتوحيد المعرفة القديمة من خلال إعادة تشغيل الذاكرة، مما يقلل من خطر انفجار الذاكرة. وفي النهاية، نقدم مجموعتين جديدتين من البيانات المفتوحة. أظهرت النتائج التجريبية أن CoMemNet يحقق أداءً رائداً في جميع مجموعات البيانات الواقعية واسعة النطاق. لمزيد من التفاصيل، يمكنكم الاطلاع على الكود المصدر هنا: [CoMemNet GitHub](https://github.com/meiwu5/CoMemNet).

هذا الابتكار ليس مجرد تطوير تقني، بل يمثل خطوة هامة نحو تحسين تقنيات تحليل البيانات المكانية والزمنية، ونتطلع لمعرفة آرائكم حول هذه التطورات المثيرة! ما رأيكم في هذا الإطار الثوري؟