يمثل التنبؤ بالبيانات الزمنية والمكانية في الأنظمة الفيزيائية، مثل شبكات حركة المرور الكبيرة، تحديًا معقدًا يتطلب نمذجة ديناميات ثنائية: الأنماط الكلية المستمرة والصدمات الدقيقة غير القابلة للتنبؤ. بينما تبرع المعادلات التفاضلية العصبية العادية (Neural Ordinary Differential Equations) في التقاط التطورات السلسة، إلا أن القيود المرتبطة بتتابع ليبشتز (Lipschitz continuity) تؤدي بشكل كبير إلى الإفراط في التنعيم عند مواجهة الأنماط المفاجئة.

في الآونة الأخيرة، حاولت بعض الأساليب المدفوعة بالفيزياء تجاوز هذه المشكلة من خلال معاقبة أخطاء التكامل العددي لتعزيز نعومة السطح. ومع ذلك، كشفت دراساتنا الرياضية أن هذه التنظيمات الصارمة تتسبب في صراعات تدرج و"انهيار الانتباه"، مما يفقد النموذج حساسيته للصدمات.

لمعالجة هذه المعضلة بين الاستمرارية والصدمات، نقدم نموذج Neural ODEs الموجه بأخطاء التقليم المحلي (Local Truncation Error-Guided Neural ODEs) أو LTE-ODE. بدلاً من معالجة الأخطاء الرقمية كعائق يجب القضاء عليه، نعيد استخدام خطأ التقليم المحلي كمؤشر غير مُشرف نحو التنبؤ.

من خلال تحويل الأخطاء إلى قناع انتباه مكاني ديناميكي، تتمكن هندستنا من الحفاظ على تطور المعادلات التفاضلية بدقة عالية في المناطق المستقرة، مع تفعيل فرع تعويضي وتتبع الصدمات فقط عند حدوثها. ومن خلال التدريب المتكامل، بدون عقوبات سطحية، يحقق LTE-ODE أداءً رائعًا في معايير متعددة على نطاق واسع، مع تقديم مرونة استثنائية ضد التقلبات غير الخطية. كما تُظهر احتياجاتنا على خطوات التكامل قدرة عالية على التكيف، مما يسمح للنموذج بالتكيف بسلاسة مع قيود الذاكرة في التطبيقات الواقعية.

في النهاية، تُعد هذه النماذج خطوة نحو تحقيق تنبؤات أكثر دقة لاستجابة حركة المرور في بيئات معقدة ومتغيرة. كيف ترى تأثير هذه الابتكارات على مجال النقل والتنقل؟ دعونا نتحدث في التعليقات!