تعتبر مشكلة تخصيص حركة المرور (Traffic Assignment Problem) إحدى المكونات الأساسية ولكن المكلفة حسابياً في تخطيط النقل. ومع ظهور الشبكات العصبية الرسومية (Graph Neural Networks) كبدائل سريعة تعتمد على البيانات، إلا أن استخدامها العملي يعاني من تحدي كبير في الفجوة الجغرافية العامة. اعتمدت النماذج التقليدية على تهيئات ميزات انتقالية تربط بين الطلب على الحركة والهيكل الشبكي الثابت، مما يحول دون إمكانية انتقال سلس إلى بيئات حضرية جديدة.

لمواجهة هذه القيود الهيكلية، تقترح هذه الدراسة طبقة تهيئة مستقلة عن الشبكة، تُعرف باسم Geometrically Unconstrained Inductive Demand EmbeDding (GUIDED). من خلال تضمين الطلب على الحركة كخاصية عددية على روابط افتراضية مساعدة بدلاً من ميزات معينة للعقد، تضمن هذه الإطار القابل للتعديل توحيد مساحة المدخلات بغض النظر عن حجم الشبكة.

تظهر التجارب واسعة النطاق عبر متعدد من الطوبولوجيات الحضرية أن نموذج شبكات الانتباه الرسومية غير المتجانسة (Heterogeneous Graph Attention Network - HetGAT)، المدمج مع طبقة GUIDED المقترحة، يحافظ على دقة تنبؤية متقدمة في المهام ذات الشبكة الواحدة. كما يتمتع بصلابة متفوقة تجاه أنماط الطلب خارج التوزيع، مع المحافظة على ميزة أداء واضحة مقارنة بالأساس حتى في ظل ندرة البيانات الشديدة.

بالإضافة إلى ذلك، يمنح الأسلوب المقترح تعديلات فعالة جداً للمعلمات لنقل التعلم بين الشبكات دون تهيئة اصطناعية للمدخلات، مما يؤسس لأساس قوي لنماذج تعددية ذات قدرة استنتاجية قوية. وفي نفس الوقت، فإن العمليات الموزعة المحسنة لطبقة التهيئة تؤدي إلى تقليل 50% تقريبًا في الوقت المطلوب للتدريب لكل جولة مقارنة بالأسلوب الأساسي.

وبالرغم من أن البحث تم إظهاره في حركة المرور، إلا أن هذا التجريد الأساسي للتكوين المكاني يوفر مخططًا متعدد الاستخدامات لمشكلات المواقع العامة، مثل لوجستيات الشحن وتحسين الشبكات متعددة الوسائط.