كشف الستار عن العشوائية: نموذج متعدد الأنماط للتنبؤ بحركة المرور

تعتبر التنبؤات المتعلقة بحركة المرور من المهام المعقدة التي تتطلب نماذج زمانية ومكانية دقيقة، وهي عنصر حيوي في إدارة النقل الحضري. في ظل الغالب، تركز الأبحاث الحالية على التنبؤات الحتمية، متجاهلةً بعض الجوانب الحيوية مثل عدم اليقين والعشوائية في ديناميكيات الحركة.

لذلك، تقدم ورقة بحثية حديثة طريقة أنيقة وعالمية تقوم بتحويل النماذج الحالية إلى نماذج تنبؤية احتمالية عن طريق استبدال الطبقة النهائية فقط بطبقة جديدة تعتمد على نموذج مختلط غاوسي (Gaussian Mixture Model - GMM). ولعل ما يميز هذا النموذج المعدل هو أنه لا يتطلب أي تغييرات في مسار التدريب، ويمكن تدريبه باستخدام فقط دالة الخسارة المعروفة باسم "خسارة اللوغاريتم السالب" (Negative Log-Likelihood - NLL)، دون الحاجة لأي مصطلحات مساعدة أو تنظيمية.

تشير التجارب التي أجريت على مجموعات بيانات مرورية متعددة إلى أن منهجنا العام يتحمل الانتقال من الهياكل الكلاسيكية إلى الحديثة بينما يحافظ على أداء حتمي مستقر. بالإضافة إلى ذلك، نقترح إجراء تقييم منهجي يعتمد على التوزيعات التراكمية وفواصل الثقة، بحيث أثبتت تقنيتنا أنها أكثر دقة وإفادة بكثير من الأنماط الفردية أو الحتمية.

كما تتضمن الدراسة تفاصيل إضافية حول شبكة مرور حضرية كثيفة في العالم الحقيقي، حيث تم فحص تأثير جودة البيانات على تقدير عدم اليقين، مما يُظهر مدى قوة منهجنا حتى في ظروف البيانات غير المثالية. يمكن الاطلاع على الكود في الرابط: https://github.com/Weijiang-Xiong/OpenSkyTraffic.