تقدير حالة المرور باستخدام نموذج تحويل قائم على الانتباه متعدد الرؤوس بواسطة تحويل التشفير الزمني المكاني (نموذج STAT)

تقدير حالة المرور هو مكون أساسي في نظام النقل الذكي (ITS) مصمم لتخفيف الازدحامات المرورية. حيث يتكون بيانات المرور من معلومات معقدة يمكن أن تتأثر أيضًا بعوامل مختلفة، حاول الباحثون في السنوات الأخيرة استخدام أحدث نماذج التنبؤ بالتعلم العميق. ومع ذلك، هناك حاجة إلى نموذج أكثر تعقيدًا وقوة لاستخراج الارتباطات بعيدة المدى مع تسلسلات بيانات مرور كبيرة الحجم. من أجل التغلب على نقاط ضعف نماذج التعلم العميق، من المتوقع أن تعالج الأداء المتفوق للتحويلات ذلك بشكل فعال في التنبؤ بالسلاسل الزمنية باستخدام بيانات النقل. من خلال استخدام قدرات التحويلات في استخراج الاتجاهات طويلة الأجل والاعتماد الديناميكي، يحسن النموذج المقترح من أداء التنبؤ بالتعلم العميق للبيانات الواقعية. تشير النتائج إلى أن النموذج القائم على التحويلات أظهر أداءً واعدًا في التنبؤ بأنماط وخصائص المرور على المدى الطويل مع كمية كبيرة من البيانات. في هذه الورقة، تم إجراء مقارنة بين نماذج التعلم العميق الهجينة التقليدية ونموذج تحويل التشفير الزمني المكاني (STAT) باستخدام مجموعات بيانات من العالم الحقيقي. عكس نموذج التحويل المعتمد على الانتباه متعدد الرؤوس أداءً متفوقًا على جميع الأساليب المقارنة الأخرى لبيانات كبيرة الحجم مما يدل على أهميته في قياس معايير الخطأ.