في عالم يتزايد فيه الاعتماد على البيانات، تظل توقعات المرور واحدة من أكبر التحديات التقنية بسبب التعقيدات المرتبطة بالاعتماد الزمني والمكاني. وقد أظهر استخدام آليات الانتباه الذاتي (Self-Attention) نتائج مبهرة، لكنه يعاني من مشاكل في قابلية التوسع.

تقدم جامعة XYZ حلاً مبتكراً يتمثل في شبكة EMAGN (Efficient Multi-Attention Graph Network)، التي تدمج بين كفاءة منخفضة التكلفة ومرونة عالية. يستند هذا النموذج إلى نظرية تصفية غاوسي (Gaussian Filtering) في الأبعاد العالية، مما يمكّنه من تقليل التعقيد الحسابي من O(N^2 d) إلى O(NMd)، دون التضحية بمرونة الانتباه لضمان نمذجة الاعتماد الدينامي.

تظهر النتائج التجريبية على مجموعتي بيانات PEMS-BAY وMETR-LA أن EMAGN يحقق دقة تتراوح بين 2.7-3.2% MAE مقارنة بالنموذج الكامل GMAN، في حين يقوم بتقليل وقت التدريب بنسبة 32% ووقت الاستنتاج بنسبة 38% واستخدام الذاكرة على وحدات معالجة الرسومات (GPU) بنسبة تصل إلى 58%.

الأمر المثير للاهتمام هو أن النموذج التقليدي GMAN يتعثر تمامًا عند استخدام 16 رأس انتباه على GPU بذاكرة 11 جيجابايت، بينما يواصل EMAGN العمل بكفاءة. كما يتفوق EMAGN على نماذج مثل Linformer وPerformer من حيث الدقة والكفاءة، مما يؤكد فعالية التجميع التكيفي المدعوم ببيانات شبكة المرور.

تعتبر هذه الاكتشافات تحويلاً جذريًا في مجال الذكاء الاصطناعي لتوقعات المرور، مما يمهد الطريق لمدن أكثر ذكاءً وفعالية.