با گسترش شهرها، پیش‌بینی ترافیک نقش پررنگ تری در مدیریت سیستم حمل و نقل بر عهده دارد. با توجه به ماهیت غیرخطی بودن داده‌های ترافیکی و توپولوژی پیچیده شهری پیش‌بینی ترافیک امری چالش برانگیز است. کارهای اخیر انجام شده معمولا از شبکه عصبی گرافی برای پیداکردن وابستگی‌های فضایی و از شبکه‌های عصبی بازگشتی جهت یافتن وابستگی‌های زمانی استفاده‌کرده‌اند. اما این کارها معمولا تمامی داده‌های ترافیک که شامل متوسط سرعت، جریان ترافیک و شلوغی و همبستگی آن‌ها است را در نظر نمی‌گیرند. همچنین معمولا از مدل GCN برای پیدا کردن وابستگی فضایی استفاده‌می‌کنند که این مدل وابسته به ماتریس مجاورت غیرقابل آموزشی است که در ابتدا به دست آمده‌است. روش پیشنهادی ما برای رفع چالش‌های گفته شده شامل سه بخش است که عبارتند از: 1) واحدی جهت یافتن همبستگی داده‌های ترافیکی که از نظریه سه فازه ترافیک الهام گرفته‌است. 2) استفاده از مدل GCN تطبیقی برای یافتن وابستگی‌های فضایی که برای هر گره در شبکه جاده‌ای، پارامترهای آموزش پذیر تعریف می‌کند. 3) جهت کشف وابستگی های زمانی و ماهیت غیرخطی بودن داده‌ها از LSTM استفاده شده است. مدل پیشنهادی ما بر روی مجموعه داده PEMS8 نسبت به مدل‌های پیشرفته توانسته‌است در معیارهای ارزیابی از 2.63% تا 12.61% بهبود داشته‌باشد.

کلمات کلیدی