تُعتبر المجموعات السكانية الصناعية من العناصر الأساسية في نماذج الطلب على السفر القائمة على الأنشطة، لكن التحديات تتزايد عند محاولة توليدها من بيانات مسحية محدودة. فقد تتسبب العينات الصغيرة في تفويت تركيبات صالحة من الخصائص، المعروفة باسم "الصفرات العينة"، كما يمكن للنماذج التوليدية أن تنتج "صفرات هيكلية" غير قابلة للتطبيق. يسلط هذا المقال الضوء على إطار عمل مبتكر يهدف إلى معالجة هذه المشكلات من خلال تقسيمه إلى مرحلتين.

في المرحلة الأولى، يتم تحسين نموذج "Wasserstein GAN" مع عقوبة تدرجية بإضافة ثلاث مصطلحات للتنظيم: "IGP"، "LDR"، و"CLAP"، مما يعزز الجدوى والتنوع والابتكار في توليد المجموعات السكانية الجدولية. بينما في المرحلة الثانية، تُستخدم نماذج "Transformer" و"LSTM-Attention" لتوليد خصائص السفر المتسلسل مثل وقت المغادرة، والهدف من الرحلة، ونمط السفر، بناءً على البروفايلات الجدولية المُركّبة.

كما تم تقديم مقاييس جديدة لتقييم مدى استعادة التركيبات غير المرئية، مما يبين أن النماذج المُنظمة تتفوق على النسخة التقليدية من "WGAN-GP" في جميع جوانب الجدوى والتنوع والابتكار. وتُظهر النتائج أن التنظيم يزيد من الجدوى بما يتراوح بين 2.1 إلى 3.7 نقطة مئوية، والابتكار بما يصل إلى 10.0 نقاط مئوية، مع تحسين درجة "F1" من 6.3 إلى 8.6 نقطة مئوية. وفيما يتعلق بالسمات المتسلسلة، تُظهر نتائج "LSTM-Attention" توافقًا مثيرًا مع توزيع أطوال الرحلات، بينما تحقق "Transformer" درجة "F1" متسلسلة أعلى.

هذه التطورات تشير إلى إمكانية تحفيز تحليلات السفر والتخطيط الحضري بصورة أكثر دقة، مما يعد بنقلة نوعية في مجال بيانات السفر والتخطيط.