ببین، همه می‌دونیم پیش‌بینی میزان ترافیک یا به اصطلاح «تقاضای ترافیک» چقدر برای مدیریت شهری مهمه؛ یعنی اگر بدونن مثلاً کی و کجا ترافیک سنگین میشه یا خلوت میشه، خیلی راحت‌تر می‌تونن نیروها و امکانات رو پخش کنن و در نهایت کارها سریع‌تر و بهتر پیش میره. اما یه مشکلی هست: روابط پیچیده‌ی زمانی و مکانی توی سیستم ترافیک، این پیش‌بینی رو خیلی سخت کرده.
حالا تیمی از محقق‌ها تازگیا اومدن یه مدل جدید طراحی کردن که اسمش رو گذاشتن DKGCM. این مدل جزو خانواده‌ی Graph Convolutional Networks یا همون شبکه‌های عصبی پیچشی مخصوص گرافه (GNN)، که خلاصه‌ش اینه: یه روش هوشمنده که اطلاعات مربوط به گره‌ها (مثلاً تقاطع یا ایستگاه‌های حمل‌ونقل) رو از دید ارتباطاتشون با همدیگه بررسی می‌کنه. این مدل جدید واقعاً باحاله، چون هم به بُعد مکانی توجه می‌کنه هم به بُعد زمانی!
بیاید قدم به قدم ببینیم چیکار می‌کنه. اول از همه، سراغ گره‌های مختلف توی شبکه‌ی ترافیک میره (مثلاً هر گره می‌تونه یه تقاطع یا ایستگاه باشه) و سعی می‌کنه بر اساس جریان حرکتی این گره‌ها، اونا رو به گروه‌هایی با رفتار مشابه تقسیم کنه. دقیق‌تر بخوام توضیح بدم، از دو تا تکنیک جالب برای این خوشه‌بندی استفاده کردن: اولی Dynamic Time Warping یا همون DTW که یه روشه واسه اینکه شباهت بین دو تا سری زمانی تشخیص داده بشه، مثلاً بفهمی ترافیکِ امروزِ میدان انقلاب با دیروزِ میدان ونک چقدر شبیه به همه! دومی هم K-means clustering، یعنی «خوشه‌بندی کی-مینز»، که یکی از رایج‌ترین روشای گروه‌بندی دادست.
بعد این گره‌های شبیه به هم رو با هم توی یه گروه میذاره تا وابستگی‌های مکانی قوی‌تر و معنی‌دارتری رو تشخیص بده. اسم این بخش از مدلشون هم هست: DK-GCN یا همون «گراف کانولوشنال خوشه‌بندی‌شده بر اساس شباهت زمانی» (Graph Convolutional Network with Dynamic K-means Clustering based on Temporal Similarity).
حالا بذاریم یکم راجب زمان حرف بزنیم! ترافیک فقط به مکان وابسته نیست، قطعاً وابسته به زمانم هست – یعنی روز، ساعت، حتی مناسبت‌های خاص. برای اینکه مدل بتونه این وابستگی‌های زمانی رو هم خوب یاد بگیره، از یه تکنیک خیلی جالب به اسم Fast Fourier Transform یا همون FFT استفاده کردن؛ FFT یعنی تبدیل فوریه سریع که کمک می‌کنه سری‌های زمانی رو به شکل اجزای فرکانسی (مثل موج‌ها) ببینیم و الگوهای پنهان توش رو کشف کنیم.
اما اینا کافی نبود! اومدن یه قدم دیگه هم جلو رفتن و این موتور مکانی-زمانی رو با یه مدل یادگیری عمیق دوطرفه به اسم Mamba ترکیب کردن. «مَمبا» (Mamba) یه معماری جدیده برای مدل‌های یادگیری عمیق که توانایی بالایی تو درک وابستگی‌های پیچیده داره؛ اینجا از نسخه دوبخشی (Bidirectional) استفاده شده، یعنی اطلاعات رو هم از گذشته به آینده و هم برعکس بررسی می‌کنه – یه جورایی هوش مصنوعی دوپایه!
یه نکته خیس بیشتر: برای اینکه مدل بهتر و سریع‌تر یاد بگیره و حتی موقع خطا دادن هم بازخورد (Feedback) بهتری بگیره، از یه استراتژی یادگیری تقویتی به اسم GRPO هم استفاده کردن. یادگیری تقویتی (Reinforcement Learning) یعنی مدل بر اساس جایزه یا تنبیه، کم‌کم استراتژی خودش رو بهتر می‌کنه؛ GRPO هم اون بخشیه که تو فرمولِ «تابع هزینه» مدل رو شاخ‌تر می‌کنه.
آخرش هم نتیجه‌هاشون رو روی سه تا دیتاست معروف عمومی آزمایش کردن و مدل DKGCM از کلی مدل پیشرفته دیگه بهتر عمل کرده – چه از نظر دقت، چه سرعت، چه توانایی پیش‌بینی جریان ترافیک.
خلاصه اگر دنبال یه مدل شیک و امروزی واسه پیش‌بینی ترافیک می‌گردین که بتونه مکان و زمان رو با هم ترکیب کنه، کلی تکنیک باحال توش داشته باشه (از خوشه‌بندی و تبدیل فوریه گرفته تا مَمبا و یادگیری تقویتی!)، DKGCM همون چیزیه که باید چکش بزنین!
منبع: +
