تُعتبر التقاطعات أماكن حيوية لنقل المركبات بين الطرق السريعة، إلا أن قلة أجهزة الكشف عن الحركة في المنحدرات تخلق نقاطاً عمياء في توقع الحركة المرورية. لمواجهة هذا التحدي، قدم الباحثون نموذجًا مبتكرًا يُعرف باسم Spatio-Temporal Decoupled Autoencoder (STDAE) والذي يعتمد على تقنية إعادة بناء البيانات في مرحلتين.

**المرحلة الأولى: إعادة البناء**
في المرحلة الأولى، يقوم نموذج STDAE بإعادة بناء تدفقات المركبات على المنحدرات من بيانات الطرق الرئيسية. هذا الأمر يمنح النموذج القدرة على فهم العلاقات الزمانية والمكانية الداخلية بشكل أفضل. يتميز تصميمه بفصل الأجزاء الزمنية والمكانية، مما يسمح له باستخراج ميزات متعددة المصادر بشكل فعّال.

**المرحلة الثانية: التنبؤ**
عند مرحلة التنبؤ، يتم دمج التمثيلات المستفادة مع نماذج مثل GWNet لتحسين دقة التنبؤات. أشارت التجارب التي أجريت على ثلاثة مجموعات بيانات حقيقية إلى أن نموذج STDAE-GWNET يتفوق باستمرار على ثلاثة عشر نموذجًا رائدًا، ويحقق أداءً مشابهًا للنماذج التي تعتمد على بيانات المنحدرات التاريخية.

هذا يبرهن على فعالية النموذج في التغلب على نقص أجهزة الكشف، بالإضافة إلى إمكانات استخدامه في حلول التنبؤ المختلفة. إن النموذج يوفر أيضًا خيارًا مناسبًا وسهل الاستخدام يمكن دمجه في أنظمة التنبؤ المرورية.