ببین، پیش‌بینی ترافیک همیشه یکی از مهم‌ترین چیزها برای سیستم‌های حمل‌ونقل هوشمند بوده، مخصوصاً تو شهرهای بزرگ که همه عجله دارن و کمترین تأخیر هم رو اعصاب همه‌ست! مدل‌هایی که تا حالا درست کردن، بیشتر روی داده‌های ترافیکی تمرکز داشتن، یعنی همون اطلاعاتی که مثلاً سنسورهای جاده یا GPS ماشین‌ها جمع می‌کنن، و خیلی وقت‌ها حرفی از دانش و تجربه آدم‌ها توش نبوده.
اما راستش رو بخوای، توی دنیای واقعی خیلی وقت‌ها تجربه‌ها و دانش انسانی تأثیر عجیب‌بزرگی دارن. مثلاً همه می‌دونیم که جلوی یه مدرسه رأس ساعت تعطیلی، ترافیک سنگین می‌شه، ولی این چیزها رو مدل‌های قدیمی از دل دیتاها به این راحتی نمی‌فهمن!
حالا یه تیم پژوهشی اومده یه مدل جدید به اسم KGCM درست کرده که معنی‌ش یه چیزی تو مایه‌های «مدل ترکیب ویژگی‌های چندرسانه‌ای با راهنمایی دانش» می‌شه. این مدل قراره پیش‌بینی تقاضای ترافیک رو دقیق‌تر و هوشمند‌تر کنه. ماجراش اینه که تو KGCM، فقط به داده‌های عددی بسنده نمی‌کنن. بلکه میان دانش و تجربه انسانی، یعنی همون چیزایی که تو زندگی شهری به دست آوردیم، رو هم وارد بازی می‌کنن. این دانش می‌تونه حتی تو قالب متن باشه (مثلاً نوشته‌هایی راجع به ترافیک منطقه‌ها)، که بهش می‌گن داده متنی.
این پژوهشگران برای ساختن این پایگاه دانش، اول از یه مدل زبان بزرگ (که یه مدل هوش مصنوعیِ خیلی باحاله و می‌تونه متن بخونه، بنویسه و تحلیل کنه) کمک گرفتن. بعدش خودشونم دستی نوشته‌ها رو ویرایش و تکمیل کردن تا اطلاعات هم دقیق باشه، هم ربط داشته باشه به ویژگی‌ها و داستان‌های مختلف مناطق مختلف شهر. مثلاً هم نکاتی در مورد منطقه خاص دارن، هم یه سری نکات عمومی‌تر که تو کل شهر صدق می‌کنه.
اینجا مدل KGCM وارد عمل می‌شه. چی کار می‌کنه؟ با استفاده از یه ساختار شبکه‌ای خاص به اسم “adaptive graph network” – که یه تکنیکه برای مدل‌سازی روابط و ارتباطات بین مناطق شهری، و توش وزن و ارتباط بین نودها (یعنی همون مناطق) مدام به روز می‌شه تا مدل بهتر بفهمه کجا با کجا ارتباط مهمی داره – میاد هم داده‌های عددی، هم دانش انسانی رو با هم ترکیب می‌کنه تا بهش می‌گن “cross-modal feature fusion” (یعنی آمیختن ویژگی‌های داده‌های گوناگون، مثلاً عدد و متن)
حتی برای اینکه این مدل همیشه آپدیت بمونه و خودش رو با شرایط جدید وفق بده، یه راهبرد به‌روزرسانی پویا (dynamic update strategy) گذاشتن که مدام مدل رو روی داده‌های جدید تنظیم می‌کنه و هر بار بهینه‌ترین حالتش رو پیدا می‌کنه.
نکته جالب اینکه، این مدل جدید رو روی چند تا دیتاست مختلف ترافیکی تست کردن و نتایجش حتی از بهترین مدل‌های قبلی (که بهشون SOTA یا State-Of-The-Art می‌گن، یعنی بهترین‌ها تو اون زمان) هم بهتر شده! خلاصه با این کار، پیش‌بینی ترافیک آینده خیلی دقیق‌تر و قابل اعتمادتر می‌شه و این یعنی: کمتر گیر کردن تو ترافیک و اعصاب راحت‌تر برای همه! 😉
منبع: +
