في عصر يزداد فيه الاعتماد على أنظمة مشاركة الدراجات، يصبح التنبؤ بدقة الطلب على الدراجات ضرورة ملحة لضمان تشغيل تلك الأنظمة بكفاءة. وأمام التحديات الكبيرة الناتجة عن التعقيدات المرتبطة بالشبكات الحضرية، يُقدّم الباحثون نموذج STAGformer، الذي يعدّ رفعاً نوعياً في مجال الذكاء الاصطناعي.

STAGformer، أو Spatio-Temporal Agent Graph Transformer، يمثل إنجازاً تقنيّاً يتبنى مفهوم الأداء العالمي الفعال مع تعقيد حسابي خطي. يعتمد هذا النموذج على آلية انتباه جديدة ذات شقين، حيث تُستخدم مجموعة صغيرة من الرموز القابلة للتعلّم لتحصيل المعلومات العالمية ثم يُعاد بثها إلى المحطات الفردية وأوقات معينة، مما يساهم في التقاط التفاعلات بعيدة المدى بطريقة أكثر كفاءة.

يتضمن STAGformer أربع وحدات جوهرية تعزز قدراته:
1. **المشفّر الزمكاني** الذي يجمع بين ميزات العقد الديناميكية والعوامل السياقية الخارجية مثل الطقس والزمن.
2. **وحدة التوسع البياني** التي تدمج المعلومات من الجيران المكانيين.
3. **وحدة الالتفاف الزمني** لاستخراج الأنماط المحلية.
4. **وحدة انتباه الوكيل** لنمذجة الاعتماديات العالمية.

أظهرت التجارب التي أجريت على مجموعتين حقيقيتين من البيانات، وهما Citi-Bike في مدينة نيويورك وDivvy-Bike في شيكاغو، أن STAGformer يتفوق بشكل مستمر على النماذج المعتمدة الأخرى عبر آفاق تنبؤية متعددة. حيث يحقق تحسينات ملحوظة في مقاييس الأداء مثل الجذر التربيعي للخطأ المتوسط (RMSE) ومتوسط الخطأ المطلق (MAE).

من الواضح أن الآلية المستخدمة في انتباه الوكلاء تلعب دوراً حيوياً في نمذجة الاعتماديات الزمكانية-المكانية، مما يؤكد أهمية الابتكارات في مجالات الذكاء الاصطناعي لنقل المدن نحو مستقبل أكثر استدامة وكفاءة.