پیش بینی جریان ترافیک با استفاده از مدل گراف مکانی-زمانی

مدل سازی گراف یکی از ابزارهای پرکاربرد در استخراج روابط و وابستگی ها درون یک سیستم مکانی-زمانی است و پیشبینی جریان ترافیک یکی از کاربردهای این گونه مدل ها می باشد. بعضی از روش ها از شبکه های کانولوشنی به منظور ساخت روابط میان گره ها در گراف استفاده می کنند؛ ولی ایراد این روش ها این است که میزان توجه به همسایه ها در پیشبینی یکسان در نظر گرفته می شود که در عمل این طور نیست و تاثیر همسایگان یک گره می تواند متفاوت باشد. علاوه بر این، این گونه روش ها در ثبت روندهای زمانی طولانی مدت ناکارآمد هستند، چرا که شبکه های عصبی بازگشتی و شبکه های کانولوشنی به کاررفته در این مدل ها توانایی محدودی در مدیریت توالی های زمانی بلندمدت دارند. برای رفع این محدودیت ها، در این پژوهش یک مدل دارای معماری مبتنی بر مکانیزم توجه و کانولوشون منبسط شده برای مدل سازی گراف های مکانی-زمانی طراحی شده و با بهکارگیری مجموعه داده مربوط به بزرگراه های شهرستان اصفهان، جریان ترافیک با خطای قابل قبولی پیش بینی شد. همچنین، با استفاده از مکانیزم توجه، میزان تاثیرگذاری متقابل حسگرها بر یکدیگر شناسایی و تحلیل گردید. این رویکرد امکان درک بهتر روابط پویا و وابستگی های بین حسگرها در شبکه ترافیکی را فراهم می آورد.

کلیدواژه ها:

مدل سازی گراف مکانی-زمانی ، پیش بینی سری های زمانی ، پیشبینی ترافیک ، مکانیزم توجه ، شبکه های عصبی گراف