شبكة الانتباه الرسومية العالمية والمحلية: ثورة في توقعات حركة المرور!

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

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

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

[تمكن](/tag/تمكن) [تقنية](/tag/تقنية) GLGAT من [تخصيص](/tag/تخصيص) مصفوفة [انتباه](/tag/انتباه) عالمية تغطي كامل الرسوم البيانية، بالإضافة إلى مجموعات [مصفوفات](/tag/مصفوفات) [انتباه](/tag/انتباه) محلية مخصصة لكل نقطة.

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

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