تشهد تقنيات الذكاء الاصطناعي تطورات مستمرة، ومن أبرزها ظهور نموذج "التحويلات القابلة للتفسير" (Interpretable Transformers) والذي يعد علامة بارزة في مجال توقع حركة المرور. بعيدًا عن تقنيات النماذج التقليدية ذات "الصندوق الأسود" (black-box)، تم ابتكار نموذج خفيف الوزن يستند إلى خوارزميات مختلطة تعتمد على الرسوم البيانية.

هذا النموذج الفريد يقوم بأنشاء رسمين بيانيين: الأول هو رسم بياني غير موجه (Undirected Graph) يلتقط العلاقات المكانية الموجودة عبر الجغرافيا، بينما الثاني هو رسم بياني موجه (Directed Graph) يلخص العلاقات الزمنية. الأمر الذي يفتح آفاقًا جديدة في دقة التنبؤات الأساسية عن حركة المرور.

يستند النموذج إلى فرضية أن البيانات ستكون "سلسة" (Smooth) بالنسبة لكلا الرسمين البيانيين، مما يساعد في معالجة البيانات بشكل أكثر دقة. بالإضافة إلى ذلك، تم تصميم خوارزميات جديدة تقيس وتدعم سلاسة الإشارات عبر استخدام مصطلحات متنوعة، مما يعزز دقة التنبؤات.

علاوة على ذلك، تعتمد الخوارزمية على تقنية تُعرف باسم "طريقة الاتجاهات المتناوبة للمضاعفات" (ADMM)، مما يسمح ببناء شبكة عصبية تغذي معلمات البيانات بشكل مدروس، وهذا يساهم في تطوير نظام تعلم جمع البيانات بفعالية.

نتائج التجارب أظهرت أن نماذجنا المحورة تحقق أداءً تنافسيًا مقارنةً بأساليب التنبؤ المتطورة، مع تقليل كبير في عدد المعلمات المستخدمة، مما يجعلها نموذجًا مفضلًا للمستخدمين في مجالات مختلفة مرتبطة بإدارة المرور.