تعد توقعات حركة المرور مهمة حيوية في مجالات التخطيط الحضري وإدارة الحركة، حيث تعتمد على فهم التغيرات الزمانية والمكانية المتعلقة بالبيانات المرورية. ولتحقيق هذه الدقة، تم استخدام الشبكات العصبية الرسومية متعددة الأبعاد (STGCNs) بكثرة في السنوات الأخيرة.

أما الآن، فقد أظهر الباحثون نموذج ريجولاريزد أداكتيف غراف كونفولوشن (RAGC) الذي يجيب على العديد من التحديات التي تواجه طرق التنبؤ التقليدية، وخصوصًا تلك المتعلقة بالشبكات الكبيرة. حيث يُعاني المستخدمون عادةً من تعقيد حسابي ربع فردي، مما يقيد قابلية التوسع ويؤثر سلباً على أداء التنبؤ.

من خلال استخدام مشغل الكوزاين الفعال (ECO)، يقوم النموذج الجديد بتنفيذ تحويلات الرسوم البيانية بناءً على التشابه الكوزيني لتضمين العقد، مما يؤدي إلى تقليل التعقيد الزمني إلى مستوى خطي.

إضافةً إلى ذلك، يدمج النموذج بين التضمين المشترك العشوائي (SSE) وتحويل الرسوم البيانية التكيفي عن طريق آلية الفرق المتبقي، مما يعزز من جودة النموذج في تعلم التضمينات العقدية.

عند اختبار النموذج RAGC على أربعة مجموعات بيانات مرورية حقيقية كبيرة، أظهر تفوقاً ملحوظاً في دقة التنبؤ وكفاءة العمليات الحسابية مقارنة بالأساليب الحديثة.

للاطلاع على تفاصيل الكود، يمكن زيارة رابطه: [https://github.com/wkq-wukaiqi/RAGC].
ما رأيكم في هذا التطور؟ شاركونا في التعليقات.