في ظل تزايد حركة المرور في المدن الحضرية، أصبح من الضروري تحسين توقعات المرور لضمان كفاءة أنظمة النقل. وقد أثبتت الشبكات العصبية الرسومية (Graph Neural Networks, GNNs) تحقيق أداء مذهل في مجال التوقعات الزمانية المكانية. ومع ذلك، فإن هذه الطرق التنبؤية غالباً ما تعاني من ضعف القدرة على التعميم، مما يجعلها تواجه صعوبات مع التحولات في التوزيع الناتجة عن الديناميكيات الزمانية المكانية.

للتغلب على هذه التحديات، اقترح الباحثون نهجاً مبتكراً لتعزيز القدرة على التعميم والتكيف في الشبكات العصبية الزمانية المكانية من خلال التعلم الذكي. حيث قدموا إطار عمل بسيط لتعديل التعليمات (Prompt Tuning) يُعرف باسم SimpleST، والذي يسهل عملية تكييف الشبكات العصبية المدربة مسبقًا لتوزيعات جديدة مع الحفاظ على ثوابت معلمات النموذج.

توفر هذه الآلية البسيطة للمستخدمين القدرة على الاستفادة من النماذج المدربة مسبقًا دون الحاجة إلى تعقيد العمليات التكيفية، مما يعزز من فعالية استخدام هذه النماذج في تحقيق توقعات دقيقة حتى في ظروف توزيع غير مألوفة.

أظهرت التجارب التي أجريت على خمسة مجموعات بيانات حضرية حقيقية تفوق هذا النهج من حيث دقة التوقعات والكفاءة الحسابية. يظهر هذا التطور أهمية التكيف السلس في عالم دائم التغير والتطور.

مع استمرار الابتكارات في مجال الذكاء الاصطناعي، كيف تعتقد أن هذه التقنيات ستؤثر على مستقبل النقل في المدن؟ شاركونا آراءكم في التعليقات.