في عالم يتزايد فيه حوادث السير بشكل مقلق، يبرز إطار MambaLSTM كحل مبتكر لتحسين توقع مخاطر الحوادث المرورية. فقد لاحظت معظم الدراسات في هذا المجال عدم قدرتها على دمج الضجيج الإضافي عند توافق الميزات الزمنية مع الميزات المكانية، مما يجعل النموذج يعاني من نقص في القدرة على التقاط العلاقات العالمية بين المناطق المختلفة.

لتجاوز هذه التحديات، اقترح الباحثون نموذج MambaLSTM الجديد الذي يجمع بين الوظائف المتعددة لتعزيز الدقة في التنبؤ. البداية كانت من خلال تطوير وحدة دمج الميزات الزمنية المعروفة باسم squeeze-and-excitation، والتي تسهم في دمج المعلومات الزمنية بكفاءة دون المساس بالتكامل الزمني المكاني.

ثم جاءت الخطوة الثانية مع تقديم وحدة تجسيد جديدة فعّالة لالتقاط العلاقات الدلالية بين المناطق المجاورة، مما يعزز من قدرة النموذج على فهم البيئات الحضرية بشكل أعمق. كما تم تقديم وحدة Mamba المستندة إلى نماذج الحالة لتسهيل نمذجة الدلالات المكانية العالمية في المدن.

وأخيرًا، تم تطوير وحدة MambaLSTM التي تتيح للنموذج التقاط الاعتمادات الزمنية القصيرة والطويلة بفعالية، مما يمكّنه من تحديد أنماط المخاطر الديناميكية بدقة.

أظهرت تجارب شاملة على بيانات حقيقية تفوق النموذج على الطرق المستخدمة حاليًا، مما يؤكد على فعاليته وابتكاره في مجال توقع حوادث السير. للمزيد من التفاصيل، يمكنك زيارة الكود على GitHub. هذه الابتكارات تمثل خطوة جادة نحو تحسين سلامة الطرق ورفع مستوى الوعي بالمخاطر المرورية.