في عالم يتزايد فيه الاعتماد على أنظمة النقل الذكية (Intelligent Transportation Systems)، يصبح التنبؤ بتعداد المشاة أمرًا بالغ الأهمية. تقدم دراسة جديدة تم إجراؤها على نماذج الزمن التأسيسية (Time-Series Foundation Models) استنتاجات مثيرة حول دقتها في التنبؤ بتعداد الحشود في سياقات متنوعة.

تتناول الدراسة الأداء الفعلي لسبع طرق مختلفة من التنبؤ، بما في ذلك النماذج التقليدية مثل الطريقة الموسمية الساذجة (Seasonal Naive) وأخرى تعتمد على تقنيات متطورة مثل الأشجار المعززة (Gradient-Boosted Trees) ونماذج التعلم العميق (Deep Learning Models).

تم إجراء الاختبارات على مجموعتين من البيانات: الأولى تتعلق بحدث خاص في SAIL2025، حيث تم الحصول على بيانات دقيقة لمدة خمس أيام، والثانية تعتمد على بيانات حساسات المشاة في مدينة ملبورن خلال فترة تمتد لعدة سنوات.

أظهرت النتائج ثلاث ملاحظات رئيسية:
1. الطريقة الموسمية الساذجة أثبتت كفاءتها في التنبؤ على أجهزة الاستشعار ذات الحجم الكبير عندما تكون البيانات التاريخية محدودة.
2. الأشجار المعززة تستطيع التنافس على أجهزة الاستشعار ذات الحجم المنخفض، لكنها تعاني من حساسية أعلى عندما يحدث تحول بقيادة حدث معين.
3. النماذج الزمنية التأسيسية تتفوق في الظروف الغنية بالبيانات عندما يتعلق الأمر بفترات زمنية طويلة.

تساعد هذه النتائج الباحثين والممارسين في اختيار النماذج الأكثر ملاءمة لتوقعات المشاة بناءً على المعطيات وظروف التنبؤ، مما يعزز فعالية أنظمة النقل الذكية ويعزز الأمان والكفاءة في الحركة المرورية.

هل تعتقد أن تحسين نماذج التنبؤ يمكن أن يُحدث فرقًا في أنظمة النقل الذكية؟ شاركونا آراءكم في التعليقات!