در پژوهشهای اخیر، پیشبینی ترافیک بهعنوان یک ابزار کلیدی در سیستمهای حمل و نقل هوشمند مورد توجه قرار گرفته است. در این راستا، دادههای جمعآوریشده از حسگرها در جادهها بهعنوان گرههایی در یک گراف تصور میشوند. تحقیقات اخیر با معرفی و بهکارگیری مدلهای پیشرفته بر روی مجموعه دادههای واقعی، موفق به دستیابی به دقت بالاتری در پیشبینی ترافیک شده و قادر به شناسایی وابستگیهای پیچیدهی زمانی و فضایی گردیدهاند. شبکههای پیچشی گراف بهعنوان روشی مؤثر در شناسایی همبستگیهای بین گرههای شبکه بهکار رفتهاند. با این حال، بسیاری از مدلهای موجود به ماتریسهای مجاورت ثابت یا تطبیقی متکی هستند که ممکن است نتوانند روابط واقعی بین سیگنالها را بهدرستی منعکس کنند. به همین دلیل، روشهای مبتنی بر گرافهای پویا به کار گرفته میشوند که با در نظر گرفتن تغییرات زمانی، روابط بین گرهها را بهطور مؤثرتری بازتاب میکنند. تولید گرافهای پویا با ترکیب شبکههای پیچشی و مدلهای مبتنی بر شبکههای عصبی بازگشتی، امکان ایجاد گرافهایی که با تغییرات زمانی سیگنالهای ترافیکی سازگار هستند را فراهم میآورد. این رویکرد نه تنها امکان تحلیل دقیقتری برای پیشبینی فراهم میکند، بلکه تغییرات الگوهای ترافیکی در زمانهای مختلف (روزانه، هفتگی و اخیراً) را نیز بهخوبی شبیهسازی مینماید. پژوهشهای انجامشده نشاندهندهی اهمیت رویکردهای نوین در پیشبینی ترافیک هستند و میتوانند به بهبود کیفیت مدیریت ترافیک شهری و کاهش مشکلات ناشی از آن کمک کنند

کلمات کلیدی