في عالم يتسم بالتعقيد والتحديات المتزايدة في قطاع النقل الذكي، يعد التنبؤ بحركة المرور أمراً حيوياً يتطلب استخدام تقنيات تحليل البيانات الضخمة. ومن هنا يأتي دور نموذج STHMoE، الذي يمثل طفرة جديدة فيPredictive Analytics، حيث يعتمد على تقنيات متقدمة تساعد في تحليل بيانات المرور الحضرية التي تتسم بالتغيرات وعدم الاستقرار.

يُعد STHMoE نموذجًا مبتكرًا يدمج بين الهايبيرغراف (Hypergraph) ونماذج الخبراء، مما يسمح بفصل ديناميكيات المرور إلى تمثيلات متنوعة تشمل النطاق الترددي، والنطاق الزمني، والنطاق المكاني، والعلاقات الهيكلية ذاتorders Higher. من خلال هذا النهج، يتمكن النموذج من قص النصوص المحددة بإحكام مع الاستفادة من نموذج لغة كبير (Large Language Model) جزئي التجميد.

يعتمد STHMoE على استراتيجيات متعددة لاستغلال المعلومات من مراكز هدوء دقيقة، مما يعزز من فعالية وموثوقية التنبؤات. بالإضافة إلى ذلك، فإنه يتعلم اعتماديات الرسم البياني الأساسية وتفاعلات المجموعة الأعلى بطريقة تراعية، دون الحاجة إلى هياكل محددة مسبقًا.

تُظهر التجارب التي أُجريت على 10 معايير مرور حقيقية أن نموذج STHMoE يحقق أداء تنافسياً ضد الطرق التقليدية والنماذج المستندة إلى التحليل المكاني الزمني وبنى ال LLM، مما يؤكد فعاليته في مواجهة التحديات المعقدة لبيانات المرور الحضرية.