في عالم النقل الذكي، يُعتبر التنبؤ بتحركات المركبات من العناصر الحيوية لتحسين السلامة والفاعلية. وعليه، تم تقديم نموذج *SSP-DMGTimeNet*، والذي يستند إلى مفهوم التعلم القياسي الفيزيائي (Physics-Constrained Learning) لتوقع مسارات المركبات في الجماعات.

يهدف هذا النموذج إلى تجاوز التحديات التقليدية في طرق توقع حركة المركبات، حيث تركز معظمها على دقة التنبؤ دون الأخذ في الاعتبار تأثير التفاعلات المعقدة والضغوط غير المستقرة المتداولة بين المركبات. يقوم *SSP-DMGTimeNet* بتقديم إطار شامل يجمع بين تمثيلات زمنية متعددة المقاييس وميزات التفاعل بين المركبات، مما يساعد على تعبئة الديناميات المتغيرة بمرور الوقت.

ويعتمد النموذج على آلية انتباه سببي (Causal Attention Mechanism) تأخذ في الاعتبار تأخيرات الاستجابة بين المركبات المجاورة، مما يسمح بتمرير الضغوط بشكل واقعي داخل الجماعة. وقد أظهرت التجارب أن النموذج الجديد يُقلل من نسبة عدم الاستقرار إلى 0.65% في جماعات من خمس مركبات، مع تقديم أداء تنافسي في توقع الحركة.

من خلال هذه النتائج، يتضح أن دمج القيود الفيزيائية على مستوى الجماعة يُعتبر استراتيجية فعّالة لتحقيق توازن بين دقة التنبؤ واستقرار انتشار الاضطرابات. فما رأيكم في هذه التحسينات في عالم التنقل الذكي؟ شاركونا أفكاركم في التعليقات.