في عالم اليوم، حيث تمثل حركة المرور تحديًا كبيرًا للمدن الذكية، يصبح تنبؤ حركة المرور (Traffic Forecasting) أمرًا في غاية الأهمية لإدارة حركة المرور بشكل فعّال. لكن التحدي يتمثل في كيفية النمذجة الدقيقة للاعتماديات الزمنية والمكانية المعقدة التي تتسم بها نظم المرور.

مع التقدم الكبير في هذا المجال، لا تزال العديد من الأساليب التقليدية تقتصر على نمذجة الاعتماديات المكانية الثنائية، مما يجعل من الصعب التقاط التفاعلات الديناميكية ذات الترتيب العالي بين العقد ذات الأنماط المرورية المتشابهة. لمواجهة هذه التحديات، تم تقديم PHGNet، وهو إطار جديد لتنبؤات حركة المرور يعتمد على بناء الهيبرغراف القائم على النماذج الأولية (Prototype-Guided Hypergraph).

يتميز PHGNet بآلية تعلم النماذج الأولية، التي تعمل على تخصيص العقد ذات الأنماط الشبيهة بشكل تكيفي إلى الهيبرجراف، مما يساعد في التقاط التفاعلات العالية الترتيب مع هياكل متغيرة زمنيًا. ولتحسين موثوقية بناء الهيبرغراف الديناميكي، تم تطوير نموذج تمثيل عقد عالمي-محلي لاستخراج الميزات المتسقة زمنياً.

عند التنبؤ، تم إدخال تقنيات تحسين الدقة مثل تحسين المتبقي التكراري (Iterative Residual Refinement) وانتباه الاستعلام الزمني (Temporal Query Attention) لدعم دقة التنبؤ وتعزيز كفاءة فك الشفرة بالتوازي.

تم إجراء اختبارات شاملة على مجموعة واسعة من البيانات الواقعية، مما أظهر أن PHGNet يتفوق بشكل ملحوظ على الأساليب الرائدة في السوق، مما يحدث تحولاً حقيقيًا في كيفية تعاطينا مع تحديات حركة المرور المعقدة.