💻 computer science

Traffic flow forecasting with explicit priors and prior-conditioned adaptive fusion

تقترح هذه الورقة إطار عمل للتنبؤ بتدفق حركة المرور يفصل صراحةً بين الملاحظات الديناميكية والمسبقات الهيكلية والدورية، ويدمجها عبر آلية مبتكرة للدمج التكيفي المشروط بالمسبقات (PCAF) لتحقيق دقة تضاهي أحدث المعاياي عبر مجموعات بيانات متعددة.

المؤلفون الأصليون: Peibei Jiang, Xiang Gu, Yuxiang Guo, Jing Wen, Dongjie Wang

نُشر 2026-08-12

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Peibei Jiang, Xiang Gu, Yuxiang Guo, Jing Wen, Dongjie Wang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بحالة الطقس ليوم الثلاثاء القادم. لديك ثلاثة أدوات مختلفة في حقيبتك: رادار مباشر يظهر سحبًا ممطرة تتحرك الآن، وخريطة للجبال والوديان المحلية التي لا تتغير أبدًا، وتقويمًا يذكرك بأن أيام الثلاثاء عادة ما تكون عاصفة. لفترة طويلة، كان علماء الكمبيوتر الذين يحاولون التنبؤ بحركة المرور يلقون بكل هذه الأدوات الثلاث في خلاط واحد ضخم. إنهم يخلطون بيانات المرور المباشرة، وخريطة الطرق، والوقت من اليوم معًا في حساء واحد كبير، آملين أن يتمكن الكمبيوتر من معرفة أي مكون هو المهم ومتى. ولكن تمامًا مثل "السموذي" حيث لا يمكنك تذوق طعم الفراولة من الموز، فإن هذا الخلط يجعل من الصعب على الكمبيوتر أن يتعلم بالضبط كيف يساعد تخطيط الطريق أو الروتين اليومي في التنبؤ بالمستقبل. تعالج هذه الورقة البحثية تلك المشكلة عبر التساؤل: ماذا لو أبقينا الأدوات منفصلة حتى اللحظة الأخيرة، وتركناها توجه التنبؤ فقط عند الحاجة؟

هذا البحث، الذي قاده بيباي جيانغ وزملائه في جامعة نانتونغ، يقترح طريقة جديدة للتنبؤ بتدفق حركة المرور تعامل هذه المكونات الثلاثة — حركة المرور المباشرة، وهيكل الطريق، والأنماط اليومية — كمرشدين متميزين بدلاً من كونهم خليطًا مشوشًا. قام الفريق ببناء نظام يتعلم أولاً من "الرادار المباشر" (تاريخ حركة المرور الأخير) بمفرده. ثم يستعين بـ "الخريطة" (التخطيط الثابت للطرق) و"التقويم" (الوقت من اليوم) كمساعدين خاصين. وبدلاً من مجرد خلطهم، يستخدم النظام آلية "دمج تكيفي" ذكية. فكر في الأمر كأنه مدير مرور ذكي يستمع إلى التقرير المباشر ولكنه يتحقق أيضًا من الخريطة والتقويم ليقرر مقدار الوزن الذي يعطيه لكل قطعة من المعلومات. إذا كانت حركة المرور تسير بشكل طبيعي، فقد يثق المدير في النمط اليومي أكثر؛ وإذا كان هناك ازدحام مفاجئ، فقد يعتمد أكثر على البيانات المباشرة. تشير الورقة إلى أنه من خلال إبقاء هذه المصادر منفصلة وترك بوابة ذكية تقرر كيفية دمجها، يمكن للكمبيوتر أن يقدم تنبؤات أكثر دقة بكثير حول مكان تواجد حركة المرور في الساعة القادمة، أو الساعتين، أو حتى الثماني ساعات القادية.

مشكلة السفر عبر الزمن في حركة المرور

التنبؤ بحركة المرور يشبه محاولة تخمين نهاية فيلم بينما لا يزال يُعرض. لديك المشهد الحالي (حركة المرور الآن)، والسيناريو (تخطيط الطريق)، والنوع (إنه وقت الذروة، لذا فمن المحتمل أن يكون مزدحمًا). الهدف هو رؤية المشاهد القليلة التالية قبل حدوثها. في العالم الحقيقي، هذا الأمر مهم لأن وكالات المرور بحاجة إلى معرفة ما إذا كان الطريق سيغلق في غض خلال 30 دقيقة حتى يتمكنوا من تغيير إشارات المرور أو إخبار السائقين بسلوك طريق مختلف.

المشكلة هي أن بيانات حركة المرور فوضوية. فهي تتغير بسرعة (سيارة تضغط على المكابح فجأة)، لكن الطرق نفسها بطيئة التغيير (الجسر لا يتحرك). بالإضافة إلى ذلك، لحركة المرور إيقاع؛ فهي دائمًا ما تكون ثقيلة في الساعة 8:00 صباحًا وخفيفة في الساعة 3:00 صباحًا. حاولت النماذج الحاسوبية السابقة حل هذه المشكلة عن طريق حشر كل هذه المعلومات في شبكة عصبية واحدة كبيرة. لقد عاملوا خريطة الطريق، والوقت من اليوم، وأرقام حركة المرور المباشرة كما لو كانت جميعها من نفس النوع من البيانات. يجادل مؤلفو هذه الورقة بأن هذا يشبه محاولة قراءة كتاب، وخريطة، وساعة في آن واحد عن طريق لصقهم معًا. هذا يعمل، لكنه فوضوي ومربك للكمبيوتر.

الاستراتيجية الجديدة: أدوات منفصلة، مزيج ذكي

يقترح المؤلفون إطار عمل يسمى PCAF (الدمج التكيفي المشروط بالأولويات). بدلاً من خلط كل شيء، يبنون ثلاثة مسارات منفصلة:

المسار الديناميكي (الرادار المباشر): هذا الجزء من النموذج ينظر فقط إلى التاريخ الأخير لحركة المرور. إنه يتعلم كيف تتحرك السيارات وتتغير سرعتها دون القلق بشأن تخطيط الطريق أو الوقت من اليوم. إنه يتفاعل بحت مع ما حدث للتو.
الأولوية المكانية (الخريطة): هذه هي "الخريطة" الثابتة لشبكة الطرق. استخدم الباحثون أداة رياضية تسمى أساس طيف لابلاس (Laplacian spectral basis) لإنشاء تمثيل مستقر وغير متغير لكيفية اتصال الطرق. إنه يشبه الهيكل العظمي للمدينة الذي لا يتغير أبدًا، مما يوفر سياقًا خلفيًا ثابتًا.
الأولوية الزمنية (التقويم): هذا الجزء ينظر إلى الوقت من اليوم. يستخدم النموذج رمزًا خاصًا يعتمد على "التوافقيات" الأولى والثانية (فكر فيها كالإيقاع الرئيسي والإيقاع التالي لأغنية ما) لفهم ما إذا كان وقت ذروة الصباح أو وقت متأخر من الليل.

الغراء السحري: الدمج التكيفي

هنا تبرز براعة الورقة البحثية. بمجرد أن يحصل النموذج على قراءة "حركة المرور المباشرة"، و"الخريطة"، و"التقويم"، فإنه لا يقوم بمجرد سحقهم معًا. بدلاً من ذلك، يستخدم آلية الدمج التكيفي المشروط بالأولويات (Prior-Conditioned Adaptive Fusion).

تخيل مدير مرور يقف أمام لوحة تحكم. لديه بث مباشر لحركة المرور (الجزء الديناميكي) ومجموعة من الملاحظات من الخريطة والتقويم (الأولويات).

أولاً، ينظر المدير إلى البث المباشر والملاحظات معًا لإنشاء تنبؤ مرشح. هذا سيناريو "ماذا لو" بناءً على السياق.
بعد ذلك، يحسب المدير معامل بوابة (رقم بين 0 و1). يقرر هذا الرقم مدى الثقة في البث المباشر مقابل سيناريو "ماذا لو".
إذا كانت حركة المرور تفعل شيئًا غريبًا (مثل حادث مفاجئ)، فقد يقول المدير: "تجاهل التقويم، وثق في البث المباشر!" (قيمة بوابة عالية).
إذا كانت حركة المرور هادئة ويمكن التنبؤ بها، فقد يقول المدير: "البث المباشر مليء بالضجيج، دعونا نعتمد أكثر على الخريطة والوقت من اليوم" (قيمة بوابة منخفضة).

هذا يسمح للنموذج بأن يكون مرنًا. فهو لا يستخدم قاعدة ثابتة لكل موقف؛ بل يكيف المزيج بناءً على ظروف حركة المرور المحددة في تلك اللحظة.

ماذا تقول الأرقام

اختبر الفريق طريقتهم الجديدة على أربع مجموعات بيانات حقيقية لحركة المرور (PEMS03، PEMS04، PEMS07، وPEMS08)، والتي تحتوي على بيانات من مئات المستشعرات عبر مدن مختلفة. قارنوا طريقتهم مع العديد من النماذج الشهيرة الأخرى، بما في ذلك بعض النماذج التي تمت إعادة تشغيلها تحت نفس الظروف تمامًا لضمان نزاهة المنافسة.

كانت النتائج قوية للغاية. حققت الطريقة الجديدة أقل خطأ في 10 من أصل 12 مقارنة مختلفة (بالنظر إلى مدن ومقاييس خطأ مختلفة). وتحديدًا، سجلت أقل متوسط خطأ مطلق (MAE) في جميع مجموعات البيانات الأربع.

مقارنة بنسخة من نموذجهم استخدمت فقط بيانات حركة المرور المباشرة (بدون الخريطة أو التقويم)، قللت الطريقة الجديدة متوسط الخطأ بنسبة 5.37% في MAE و 6.49% في RMSE (جذر متوسط مربع الخطأ).
في مجموعة بيانات PEMS03، كان التحسن أكثر دراماتيكية، حيث قلل الأخطاء بنسبة تقارب 9% مقارنة بأحد أبرز المنافسين.

تحققت الورقة أيضًا من مدى جودة عمل النموذج للتنبؤات طويلة المدى (حتى 8 ساعات في المستقبل). وكما هو متوقع، فكلما نظرت إلى مدى أبعد، زادت صعوبة التنبؤ، وبالتالي زاد الخطأ. ومع ذلك، ظل النموذج مستقرًا ودقيقًا عبر جميع الأطر الزمنية.

استبعاد فرضية "السحر"

أحد الأجزاء الأكثر إثارة للاهتمام في الورقة هو ما استبعده المؤلفون. أرادوا التأكد من أن نجاحهم لم يكن مجرد بسبب إضافة المزيد من المعاملات الرياضية أو الأرقام العشوائية.

ليس مجرد رياضيات: اختبروا النموذج باستخدام خرائط طرق "عشوائية" واتصالات طرق "مبعثرة". عندما فعلوا ذلك، ساء أداء النموذج. وهذا يثبت أن الشكل المحدد لشبكة الطرق الحقيقية أمر مهم، وليس مجرد حقيقة أن النموذج يمتلك خريطة.
ليس مجرد وقت: اختبروا استخدام "الإيقاع" الأول فقط من الدورة اليومية. لم يعمل الأمر بشكل جيد مثل استخدام الإيقاعين الأول والثاني معًا. وهذا يشير إلى أن أنماط حركة المرور معقدة وتحتاج إلى أكثر من مجرد إشارة بسيطة "صباح مقابل ليل".
ليس مجرد بوابة: قارنوا طريقة "الدمج القائم على المرشح" الخاصة بهم بطريقة "بوابة" أبسط (حيث تخلط المدخلين مباشرة). لا تزال طريقتهم هي الأفضل. وهذا يشير إلى أن إنشاء سيناريو مرشح "ماذا لو" قبل اتخاذ قرار كيفية الدمج هو خطوة حاسمة، وليس مجرد عملية التوجيه نفسها.

الخلاصة

تشير هذه الورقة إلى أن سر التنبؤ الأفضل بحركة المرور ليس مجرد بناء دماغ أكبر وأكثر تعقيدًا. بل يتعلق بتنظيم المعلومات بشكل أفضل. من خلال إبقاء حركة المرور المباشرة، وخريطة الطريق، والجدول الزمني اليومي منفصلة، ثم استخدام نظام تكيفي ذكي لتقرير كيفية دمجهم، يمكن للنموذج رؤية المستقبل بوضوح أكبر.

النموذج فعال بشكل مدهش أيضًا. فهو يحتوي فقط على حوالي 0.083 مليون من المعاملات القابلة للتدريب (وهو رقم ضئيل بالنسبة للذكاء الاصطناعي) ويمكنه إجراء تنبؤ لمدينة كاملة في حوالي 1.10 مللي ثانية. وهذا يعني أنه يمكن استخدامه بسهولة في الأنظمة التي تعمل بالوقت الفعلي للمساعدة في تغيير إشارات المرور أو توجيه السائقين لتجنب الازدحام. وبينما يشير المؤلفون إلى أن نموذجهم يستخدم خريطة ثابتة وقد يواجه صعوبة في التعامل مع التغييرات المفاجئة وغير المتوقعة (مثل حادث ضخم يغير أنماط حركة المرور فورًا)، إلا أن النتائج تشير بقوة إلى أن فصل هذه الأنواع المختلفة من المعلومات هو استراتيجية ناجحة للتنبؤ بحركة المرور.

ملخص تقني: التنبؤ بتدفق حركة المرور باستخدام الأولويات الصريحة والدمج التكيفي المشروط بالأولويات

1. بيان المشكلة

يتطلب التنبؤ الدقيق بتدفق حركة المرور لعدة خطوات زمنية نمذجة مشتركة لثلاثة مصادر معلومات متباينة: الملاحظات التاريخية سريعة التغير، وهياكل شبكة الطرق المستقرة نسبيًا، وأنماط حركة المرور المتكررة خلال اليوم. تتبع الطرق الحالية أسلوب تشفير هذه الإشارات المتميزة ضمن عمود فقري مشترك أو دمجها مباشرة. ويرى المؤلفون أن هذا النهج يحجب الأدوار التنبؤية المتميزة لكل مصدر، مما يجعل من الصعب تحديد ما إذا كانت التحسينات ناتجة عن أدلة المرور الحديثة، أم السياق الهيكلي للعقدة، أم الأنماط الزمنية المتكررة. علاوة على ذلك، فإن استراتيجيات الدمج الشائعة، مثل التوصيل المباشر (concatenation) أو الاستيفاء المبوّب العادي، غالبًا ما تفشل في نمذجة التفاعل بين الأدلة الديناميكية والسياق الهيكلي/الزمني بشكل صريح، أو أنها تقوم بالاستيفاء بين التمثيلات دون بناء مرشح مشروط بالأولويات أولاً.

2. المنهجية

يقترح البحث إطار عمل يفصل صراحةً بين الديناميكيات المدفوعة بالملاحظات وبين الأولويات الهيكلية والدورية قبل دمجها عبر آلية الدمج التكيفي المشروط بالأولويات (PCAF).

2.1 الأولويات الزمكانية الصريحة

يستخدم إطار العمل ثلاثة مسارات معالجة متميزة:

مشفر الملاحظات الديناميكية: يقوم مشفر مشترك بمعالجة تسلسلات حركة المرور التاريخية فقط لتعلم ديناميكيات المرور قصيرة المدى ( $H_d$ ). هذا المسار مستقل عن هيكل الرسم البياني (graph structure) أو معلومات الوقت من اليوم.
الأولوية المكانية المستمدة من الطوبولوجيا ( $P_s$ ): يتم حساب أساس طيفي لابتلاشي (Laplacian spectral basis) ثابت من مصفوفة التجاور الخاصة بشبكة الطرق خارج عملية التدريب (offline). وتحديدًا، يتم إجراء تحليل القيم الذاتية للمتجه اللابلاسي الطبيعي للرسم البياني، ويتم اختيار أول $d_s$ من المتجهات الذاتية (باستثناء الأول)، ثم توحيد مقاييسها وإسقاطها في الفضاء الكامن. يوفر هذا إحداثيات هيكلية مستقرة على مستوى العقدة لا تتغير أثناء الاستدلال.
الأولوية الزمنية داخل اليوم ( $P_t$ ): ترميز خاص بالعينة يعتمد على موقع الوقت من اليوم لآخر خطوة مرصودة. يستخدم ترميزًا جيبياً (sinusoidal) من التوافقي الأول والثاني (أربعة أبعاد: $\sin, \cos$ لكلا التوافقيين) يتم إسقاطها في الفضاء الكامن. هذا يلتقط الأنماط اليومية المتكررة.

يتم جمع هذين الأوليين لتشكيل سياق زمكاني موحد: $P_{st} = P_s + P_t$ .

2.2 الدمج التكيفي المشروط بالأولويات (PCAF)

على عكس الدمج المبوّب القياسي الذي يستكمل مباشرة بين التمثيل الديناميكي ( $H_d$ ) والسياق ( $P_{st}$ )، تستخدم آلية PCAF عملية من خطوتين:

بناء المرشح: يتم دمج التمثيل الديناميكي $H_d$ والسياق الموحد $P_{st}$ ثم إسقاطهما لتوليد تمثيل مرشح مشروط بالأولويات ( $H_c$ ).
$H_c = \tanh([H_d \parallel P_{st}]W_c + b_c)$
التخصيص التكيفي: يتم توليد معامل تخصيص لكل عنصر ( $\Gamma$ ) من نفس المدخلات المدمجة. يحدد هذا المعامل التوازن بين التمثيل الديناميكي الأصلي والتمثيل المرشح:
$H_f = \Gamma \odot H_d + (1 - \Gamma) \odot H_c$
حيث أن $\Gamma = \sigma([H_d \parallel P_{st}]W_\Gamma + b_\Gamma)$ .

يسمح هذا التصميم للنموذج بدمج المعلومات بشكل تكيفي عبر العينات، والعقد، والأبعاد الكامنة، حيث يعامل الأولويات كإشارات شرطية للأدلة الديناميكية بدلاً من مجرد ميزة إضافية.

2.3 التنبؤ

تقوم طبقة خطية مشتركة بين العقد (node-shared linear head) برسم خريطة للتمثيل المدمج $H_f$ إلى حالات حركة المرور المستقبلية عبر أفق التنبؤ $H$ . يتم تحسين النموذج باستخدام متوسط الخطأ المطلق (MAE).

3. المساهمات الرئيسية

يلخص المؤلفون مساهماتهم كما يلي:

الفصل الصريح: إطار عمل يفصل الديناميكيات المدفوعة بالملاحظات، والأولويات المكانية المستمدة من الطوبولوجيا، والأولويات الزمنية داخل اليوم قبل الدمج، مما يوضح أدوارها المتميزة في التنبؤ متعدد الخطوات.
تجسيد السياق الموحد: استخدام أساس طيفي لابتلاشي ثابت وترميز زمني توافقي خاص بالعينة لتوفير إشارات شرطية هيكلية وزمنية.
آلية PCAF: تصميم الدمج التكيفي المشروط بالأولويات، الذي يبني تمثيلاً مرشحاً من المدخلات الديناميكية-السياقية المشتركة قبل تخصيص المعلومات، وهو ما يختلف عن الاستكمال المبوّب المباشر.

4. النتائج التجريبية

تم تقييم الطريقة على أربع مجموعات بيانات من العالم الحقيقي (PEMS03, PEMS04, PEMS07, PEMS08) باستخدام بروتوكول تحكم موحد مع نافذة مدخلات مكونة من 96 خطوة وأفق تنبؤ مكون من 12 خطوة.

الأداء: حققت الطريقة المقترحة أدنى خطأ في 10 من أصل 12 مقارنة بين مجموعة البيانات والمقياس، وأدنى متوسط خطأ مطلق (MAE) في جميع مجموعات البيانات الأربع.
- مقارنة بنموذج "الديناميكيات فقط" (بدون أولويات)، قلل النموذج الكامل متوسط MAE و RMSE بمقدار 5.37% و 6.49% على التوالي.
- في مجموعة بيانات PEMS03، كانت الانخفاضات مقارنة بنموذج GeoWaveNet القوي هي 8.70% (MAE)، و 9.83% (RMSE)، و 22.33% (MAPE).
دراسات الاستئصال (Ablation Studies):
- مساهمة المكونات: أدى حذف أي من الأولويات المكانية أو الزمنية إلى زيادة الأخطاء، مما يؤكد أنها توفر معلومات متكاملة.
- خصوصية الطوبोलॉजी: أدت الضوابط التي استخدمت متجهات عقد عشوائية، أو سمات لابتلاشي متبدلة، أو رسوم بيانية أعيد توصيلها إلى أخطاء أعلى من تمثيل لابتلاشي الصحيح، مما يثبت أن المكاسب تعود إلى طوبولوجيا شبكة الطرق الفعلية وليس مجرد معاملات إضافية.
- آلية الدمج: تفوقت PCAF على التوصيل غير المبوّب، والدمج الثنائي المرحلة، والدمج المبوّب العادي، مما أكد صحة تصميم الدمج القائم على المرشح.
- الترميز التوافقي: استخدام كل من التوافقي الأول والثاني لترميز الوقت من اليوم أعطى نتائج أفضل من استخدام التوافقي الأول فقط أو عدم استخدام الأولوية الزمنية.
الكفاءة: النموذج مدمج حيث يحتوي على حوالي 0.083 مليون معلمة قابلة للتدريب. يتم حساب الأساس الطيفي الثابت مرة واحدة خارج عملية التدريب، ويبلغ متوسط وقت الاستدلال عبر الإنترنت 1.10 مللي ثانية لكل عينة على بطاقة NVIDIA GeForce RTX 4080 SUPER.

5. الأهمية والادعاءات

يدعي البحث أن الفصل الصريح للديناميكيات المدفوعة بالملاحظات عن الأولويات الهيكلية والدورية، ودمجها شرطياً عبر PCAF، يحسن كلاً من قابلية تفسير النموذج ودقة التنبؤ. تدعم النتائج الفرضية القائلة بأن معاملة طوبولوجيا الطريق والأنماط اليومية كأدلة سياقية شرطية — بدلاً من خلطها بشكل غير متمايز في عمود فقري مشترك — يسمح بتنبؤ أكثر فعالية متعدد الخطوات.

يشير المؤلفون إلى أنه بينما توفر أولوية لابتلاشي الثابت سياقاً هيكلياً مستقراً، إلا أنها لا تستطيع وصف العلاقات المكانية التي تتغير مع ظروف المرور (مثل الحوادث أو الازدحام) بشكل كامل. وبالمثل، فإن الأولوية الزمنية محدودة بالأنماط التوافقية داخل اليوم. ويُقترح كعمل مستقبلي الجمع بين الطوبولوجيا الثابتة وتعلم الهيكل التكيفي ودمج العوامل الخارجية مثل الطقس، والعطلات، والدورية الأسبوعية مع الحفاظ على الفصل بين الملاحظات الديناميكية والأولويات السياقية.