في عالم السكك الحديدية، تعتبر دقة توقع تأخيرات القطارات أمرًا حيويًا لضمان كفاءة العمليات. بينما انصب التركيز في السابق على تقدير التأخيرات الفردية لكل قطار، إلا أن الدراسات حول توقع التأخيرات على مستوى المحطات لطالما كانت نادرة. وفي خطوة مبتكرة لتعبئة هذا الفراغ، تم تقديم نموذج الشبكة العصبية بالكامل الموجه نحو السكك الحديدية، المعروف باسم RSTGCN (Railway-centric Spatio-Temporal Graph Convolutional Network).

صُمم هذا النموذج خصيصًا لتوقع متوسط تأخيرات وصول جميع القطارات الواردة إلى محطة معينة خلال فترة زمنية معينة. يتميز RSTGCN بالعديد من الابتكارات الهيكلية وتكامل الميزات الجديدة، بما في ذلك تقنية الانتباه المكاني المدعومة بمدى تكرار القطارات، مما يعزز أداء التنبؤ بشكل كبير.

لدعم هذه الجهود، تم تجميع وإصدار مجموعة بيانات شاملة لنظام السكك الحديدية الهندي (IRN)، تغطي 4,735 محطة عبر 17 منطقة، مما يجعله أكبر شبكة سكك حديدية تم دراستها حتى الآن.

أجريت تجارب شاملة باستخدام عدة نماذج متطورة، حيث أظهر RSTGCN تحسنًا متسقًا على مؤشرات الأداء القياسية. على وجه الخصوص، تفوق RSTGCN على أفضل نموذج مرجعي بأكثر من 18% في متوسط الخطأ المطلق (MAE) و14% في النسبة المئوية للخطأ المطلق (MAPE)، و1-8% في الجذر التربيعي للخطأ المتوسط (RMSE) على نظام السكك الحديدية الهندي.

هذه النماذج ليست مجرد أداة لتوقع التأخيرات، بل تمثل خطوة نحو تحسين تجربة السفر وجعل السكك الحديدية أكثر كفاءة. كيف تعتقد أن هذا سيساهم في تحسين خدمات النقل؟ شاركونا آراءكم في التعليقات!