تعتبر توقعات حركة المرور دقيقة أمراً أساسياً للإدارة الاستباقية للموارد في بيئات الحوسبة الطرفية، حيث تتغير متطلبات الخدمة ديناميكياً عبر الزمان والمكان. غالباً ما تعكس الأنظمة الخلوية عملية تنقل معقدة تتسم بترابطات مكانية قوية بين المناطق الخدمية المجاورة وعلاقات زمنية طويلة الأمد ناتجة عن تحركات المستخدمين وسلوك التطبيقات. بينما تمكنت الأساليب التقليدية من التقاط الديناميكيات قصيرة الأجل، إلا أن التحديات تبرز عندما يتعلق الأمر بنمذجة تطور حركة المرور على المدى الطويل في ظل ظروف غير مستقرة.

لذا، تم اقتراح إطار عمل يعتمد على الجراف ترانسفورمر (Spatiotemporal Graph Transformer) الذي يجمع بين التفاعلات المكانية والتبعيات الزمنية بشكل فعال من أجل تحسين توقعات حركة المرور في الحوسبة الطرفية. يستخدم هذا الإطار الشبكات العصبية القائمة على الجراف لالتقاط الترابطات المكانية بين المناطق الخدمية، كما يعتمد على ميكانيكية الانتباه الذاتية للترانسفورمر (Transformer) لتعلم الأنماط الزمنية البعيدة من الملاحظات التاريخية لحركة المرور.

بتفكيك تعلم التمثيل المكاني عن التفكير الزمني، يقدم هذا النهج آلية فعالة لنمذجة حركة المرور الزمنية والمكانية على نطاق واسع. أثبتت التجارب الواسعة التي أُجريت على مجموعة بيانات حقيقية من شبكة خلوية أن الجراف ترانسفورمر المقترح يتفوق باستمرار على نماذج القواعد الاعتيادية كـ GCN-RNN وGCN-LSTM وGCN-GRU عبر آفاق توقعية متعددة.

توفر التوقعات الناتجة خدمات استباقية أكثر فعالية في إدارة الموارد وتقلل من مخاطر التحميل الزائد بالمقارنة مع استراتيجيات الإدارة التفاعلية. توضح هذه النتائج الإمكانيات الكبيرة لآليات الانتباه المعززة بالجراف لبناء أنظمة حوسبة طرفية ذكية وقابلة للتكيف.