في عالم يتسارع فيه نمو المدن، تتزايد أيضاً التحديات المتعلقة بإدارة حركة المرور. هذا ما دفع الباحثين لتطوير نموذج جديد يُعرف باسم DSFNet (Dual-Domain Spectral Filtering Network)، الذي يُحدث طفرة حقيقية في مجال توقعات الحركة المرورية المتعددة الأبعاد.

يمتد التوقع المكاني الزمني (Multi-Modality Spatio-Temporal Forecasting) إلى أبعد من الأساليب التقليدية، حيث يتضمن عدة وسائل للنقل ويقوم بالنظر إلى العلاقات المعقدة بين المتغيرات. ومع ذلك، فإن النماذج الحالية تواجه صعوبات في رصد الترابط بين الأنماط المختلفة والاعتماد المتبادل بينها.

نموذج DSFNet يُقدم حلاً مبتكراً من خلال استخدام تقنية التصفية الطيفية في المجالين الزمني والمكاني، ما يمكنه من التقاط الأنماط المعقدة وتحليل العلاقات بين المتغيرات بشكل مرن وفعال. من خلال فصل التفاعلات بين الخصائص والمساحة، يعزز DSFNet من قدرة النموذج على التعامل مع الارتباطات غير المحلية والتداخلات بين أنماط النقل المختلفة.

علاوة على ذلك، تم إدخال آلية تحكم خارجية لتنظيم الديناميات الزمنية وفقاً للتأثيرات الخارجية، مما يجعل هذا النموذج أكثر قدرة على التكيف مع التغيرات.

أظهرت التجارب التي أُجريت على خمسة مجموعات بيانات حقيقية، أن DSFNet قد خفض متوسط الخطأ المطلق (MAE) بنسبة تتراوح بين 3.21% و10.16% مقارنة بأفضل النماذج البديلة. هذه النتائج ليست مجرد أرقام، بل تعكس كيف أن DSFNet يتفوق بشكل ملحوظ على الأساليب التقليدية من حيث الدقة والاستقرار.