تعد تقديرات مصفوفات الأصل-الوجهة (Origin-Destination) من العناصر الرئيسية في تعزيز فاعلية أنظمة النقل الذكية (Intelligent Transport Systems - ITS). فهذه المصفوفات تتيح فهم تدفقات المرور بين نقاط انطلاق ووصول متعددة. لكن، يواجه تقدير هذه المصفوفات صعوبات تجعله أمرًا رياضيًا غير محدد بشكل كافٍ.

للتغلب على هذه المشكلة، اعتمد بعض الباحثين على دمج مصفوفات سابقة كأهداف في عمليات الانحدار لتحسين دقة النتائج. ولكن هذا النهج يعتمد بشكل كبير على دقة المعلومات السابقة التي قد تكون عتيقة. من جهة أخرى، وجدت فرق بحثية أخرى أنه يمكن استخدام بيانات المستشعرات مثل مسارات المركبات وسرعاتها، مما يعكس قيودًا هيكلية أكثر حداثة في الوقت الحقيقي.

هنا تقدم طريقتنا الجديدة، التي تعتمد على دمج التعلم العميق (Deep Learning) مع خوارزميات التحسين الرقمي، حلاً مبتكرًا لتقدير المصفوفات. حيث يتعلم الشبكة العصبية (Neural Network) استنتاج القيود الهيكلية من تدفقات المرور الاستكشافية، مما يحررنا من الاعتماد على المعلومات السابقة ويضمن أداءً فوريًا.

بالإضافة إلى ذلك، تتمتع هذه الطريقة بقدرة عامة على التعميم مما يجعلها خيارًا اقتصاديًا يمكن تنفيذه في هندسة أنظمة النقل. لقد أجرينا اختبارات لاختبار أداء الطريقة على مجموعة بيانات صناعية كبيرة، وأكدنا استقرارها من خلال التعامل مع بيانات مرور حقيقية، مما أثبت فوائد دمج التعلم العميق مع التحسين العددي بطريقة فعالة.