تعتبر التنبؤات بحركة المرور جزءًا أساسيًا من نظم النقل الذكية واتخاذ القرارات على مستوى المدن، ولكن العديد من الطُرق المعتمدة على الشبكات العصبية تعاني من صعوبات كبيرة عند التطبيق في الظروف الواقعية، خصوصًا مع وجود آلاف من حساسات المرور. في مواجهة هذه التحديات، قامت المجتمع العلمي بتجربة تقنيات تقسيم قواعد البيانات المكانية لتحسين قابلية التوسع في النماذج، لكن هذه الأساليب عادة ما تعتمد على تجارب هندسية مصنوعة يدويًا، مما ينتج عنه تقسيمات غير متوازنة وغير منتظمة.

الحل الذي قدمته الورقة هو نظام SqLinear، الذي يُعتبر معمارية فعالة لتنبؤ حركة المرور على نطاق واسع. أولًا، يتم استخدام خوارزمية Square Partition الذكية، التي تُقسم حساسات المرور الضخمة إلى مناطق مكانية متوازنة ومتكاملة. تضمن هذه الخوارزمية توفير استخدام مثالي وتقليل الفروقات، مما يضع الأساس لنمذجة زمانية ومكانية دقيقة.

ثانيًا، تم تقديم وحدة Hierarchical Linear Interaction (HLI) التي تتخلص من الآليات المعقدة المستخدمة عادة في نماذج Transformer. تسمح HLI بتوزيع التداخلات العالمية بين المناطق بكفاءة، مما يمكنها من تحقيق نمذجة زمانية ومكانية دون الحاجة إلى تعقيدات حسابية عالية.

أظهرت التجارب على أربعة مجموعات بيانات كبيرة أن SqLinear خفضت معدل الأخطاء (MAE) بمعدل 2.30% في الإعدادات القياسية، وقد تصل النسبة إلى 6.78% في الظروف القصوى. كما حققت أيضًا تقليصًا كبيرًا في زمن التدريب تراوح بين 13.27% و30.84% بفضل التوسع المكاني والعمودي.