في السنوات الأخيرة، زاد اهتمام الباحثين بتعلم تمثيلات المسارات (Path Representation Learning - PRL) في الشبكات الطرقية، نظرًا لتطبيقاتها المتنوعة في مجال التنقل والتوجيه. تعتمد الأساليب التقليدية على استغلال العلاقات الموجودة بين الم segments الطرقية لخلق تمثيل فيكتوري، دون استكشاف سلوكيات المسافرين المتنوعة أو العلاقات الإقليمية بين المسارات.

لكن التقنية الجديدة TraveL، التي تعتمد على نموذج التحويل (Transformer)، تقدم حلاً مبتكرًا. يهدف هذا الإطار إلى تعلم تمثيلات توزيع المسارات من خلال التقاط السلوكيات المتنوعة للمسافرين والتبعية بين أقسام الطرق المختلفة.

تقوم TraveL بتشفير المسار، بالتزامن مع وقت انطلاق الرحلة، إلى تمثيل توزيع يمكن استخدامه لتنبؤ سلوكيات المسافرين على الطرق المستخدمة. كما أنها تقدم فكرة جديدة تعتمد على اختبار Kolmogorov-Smirnov (K-S) لمقارنة سلوكيات المسافرين العينة ضد الحقائق المستندة لجمع البيانات، مما يسهل عملية التدريب.

أظهرت التجارب أن نموذج TraveL يتفوق على الطرق المعتمدة الأخرى في الدقة، محققًا تحسينات ملحوظة تصل إلى 14.7% في متوسط المسافة في اختبار K-S لتقدير توزيع أوقات السفر، و16.7% في متوسط الخطأ المطلق (MAE) لتوقع التشابه بين المسارات، و3.97% في MAE لتوقع الوجهات.

إذا كنت من المهتمين بتطورات الذكاء الاصطناعي وتطبيقاته في التنقل، فلا تفوت قراءة المزيد حول هذه التقنية الرائعة وأنشئوا نقاشًا حول مستقبلها.