في عصر يتزايد فيه الاعتماد على التقنيات الذكية، تصبح عملية التنبؤ بحركة المرور (Traffic State Prediction) من المهام الأساسية التي تسعى لتحسين أداء أنظمة النقل الذكية. ورقة بحثية جديدة تقدم حلاً مبتكرًا لتحديات تنبؤ حركة المرور في المناطق ذات الرصد المحدود من خلال استخدام ما يُعرف بشبكات زمنية سائلة معززة بالذاكرة (Memory-Augmented Graph Liquid Time-Constant Networks) أو MA-GLTC.

تتضمن الطريقة المقترحة تصميم وحدات فضائية زمنية (Spatio-Temporal Units - STUs) لتفكيك شبكات المرور، مما يتيح عملية محاذاة دقيقة للمعرفة بين المجالات المختلفة. يتيح ذلك تطبيق المعرفة المكتسبة من مناطق ذات حركة مرور محسوبة مسبقًا لتوقع أنماط جديدة لم تُشاهد سابقًا.

تتناول الشبكة الجديدة (GLTC) تطورات الحركة المرتبطة بالرسوم البيانية في زمن مستمر، مما يعزز قدرتها على التكيف مع الظروف المتغيرة. على عكس النماذج التقليدية، تقدم GLTC ديناميكيات زمنية سائلة مع فائدة استرجاع المعلومات من أبعاد متعددة، مما يضمن دقة أعلى في التنبؤ.

تظهر نتائج التجارب التي أُجريت على خمسة مجموعات بيانات مرور عامة تفوق MA-GLTC باستمرار في دقة التنبؤ، سواء في المهام قصيرة أو طويلة الأمد. حيث حقق النموذج الجديد تخفيضًا في متوسط الأخطاء بنسبة تتراوح بين 0.33% و10.09% مقارنةً بإحدى الطرق الأخرى الممثلة.

من الواضح أن الحلول المقترحة تمثل خطوة كبيرة نحو تحسين أنظمة استشعار حركة المرور وفتح آفاق جديدة للذكاء الاصطناعي في معالجة قضايا المرور. في ضوء تلك المستجدات، كيف ترون تأثير هذه التقنية على تنقلاتكم اليومية؟