تُعد مشكلة تخصيص حركة المرور من الأسس الحيوية لتحليل تدفق المرور، ومع ذلك، فإن الحلول التقليدية تعتمد على برامج رياضية تخضع لمبدأ التوازن، وهو ما يجعل هذه الطرق مكلفة حسابياً عند التعامل مع الشبكات الكبيرة بسبب النمو غير الخطي في التعقيد مع زيادة عدد الأزواج المرورية (OD pairs).

تقدم هذه الدراسة نهجًا جديدًا يستند إلى البيانات باستخدام الشبكات العصبية العميقة، حيث يتم الاستفادة من بنية ترانسفورمر لنمذجة تدفقات المسارات مباشرةً. من خلال التركيز على توزيع حركة المرور على مستوى المسار، يقوم النموذج المقترح بالتقاط العلاقات الدقيقة بين الأزواج المرورية، مما يمنحه القدرة على تقديم تحليلات أكثر تفصيلاً ومرونة مقارنة بالطرق التقليدية التي تعتمد على مستوى الروابط.

النموذج المعتمد على بنية ترانسفورمر يقلل بشكل كبير من وقت الحساب، ويسمح بالتكيف مع التغيرات في الطلب وبنية الشبكة دون الحاجة لإعادة حساب المعاملات. أجريت تجارب عددية على شبكة تشبه مانهاتن، وشبكة سيوكس فولز، وشبكة شرق ماساتشوستس، حيث أظهرت النتائج أن النموذج المقترح أسرع بمراحل عن الطرق التقليدية.

يمكنه تقدير تدفقات حركة المرور على مستوى المسار في الشبكات متعددة الفئات بكفاءة، مما يخفض التكاليف الحسابية ويحسن دقة التنبؤ من خلال التقاط تفاصيل المعلومات المتعلقة بالرحلات والتدفقات. كما أن النموذج يتكيف بمرونة مع الطلب المتغير وظروف الشبكة، مما يدعم إدارة المرور ويمكّن من إجراء تحليلات سريعة «ماذا لو» لتعزيز تخطيط النقل واتخاذ السياسات.

إن تطبيق هذه التكنولوجيا يمكن أن يغير بشكل جذري طريقة تعامل المدن مع تحديات حركة المرور، مما يفتح أمامنا آفاق جديدة لتحسين الرعاية العامة وتخطيط البنية التحتية.