تعد توقعات حركة المرور جزءًا أساسيًا من أنظمة النقل الذكية، حيث تساهم في تحسين تدفق الحركة وتقليل الازدحام. ومع ذلك، تواجه هذه المهمة تحديًا مركزيًا يتعلق بالعثور على العلاقات الزمانية والمكانية (spatio-temporal correlations) بينها.

في السنوات الأخيرة، طغت الشبكات العصبية الالتفافية الرسومية (Graph Convolutional Networks) وشبكات الانتباه الرسومية (Graph Attention Networks) على النماذج الإحصائية التقليدية في مجال توقع حركة المرور. لكن، ما زالت تلك الشبكات تواجه صعوبة في التعامل مع خصائص متباينة تمامًا للنقاط في الشبكة.

ولتجاوز هذه العقبة، تم اقتراح شبكة الانتباه الرسومية العالمية والمحلية (GLGAT) والتي تعتمد على الترميز الثنائي (pairwise encoding) ومصفوفة القرب المبنية على الأحداث (event-based adjacency matrix).

تمكن تقنية GLGAT من تخصيص مصفوفة انتباه عالمية تغطي كامل الرسوم البيانية، بالإضافة إلى مجموعات مصفوفات انتباه محلية مخصصة لكل نقطة.

عبر إجراء تجارب على مجموعتين من بيانات الحركة المرورية في العالم الحقيقي، أثبتت GLGAT قدرتها على التقاط العلاقات الزمانية والمكانية بشكل فعال، وحققت أداءً تنافسيًا مع المعايير الرائدة في هذا المجال.

إن شبكة GLGAT تمثل خطوة مهمة نحو تحقيق دقة أكبر في توقعات حركة المرور، مما قد يؤثر بشكل إيجابي على أنظمة النقل الذكية في المستقبل.