في الآونة الأخيرة، باتت تقنيات التنبؤ بحركة المرور الحضرية القائمة على التعلم العميق تُطبق على نطاق واسع في بناء المدن الذكية. نظرًا لأن هذه الطرق عادة ما تحتاج إلى كميات بيانات كبيرة، فإنها تكون صعبة التوسع في المدن التي تفتقر إلى البيانات. على الرغم من أن التعلم المنقول يمكنه الاستفادة من مدينة مصدر غنية بالبيانات لمساعدة مدينة الهدف في التنبؤ بحركة المرور الحضرية، إلا أن أداء الطرق الحالية غير كافٍ لتلبية الاحتياجات العملية. لحل هذه المشكلة، يُقترح نهج تنبؤ الانتقال المقتبس من الفضاء الزماني للرسم البياني، أي بناء فضاء مشترك بين مدينة المصدر ومدينة الهدف، ومن ثم تحويل بيانات حركة المرور في مدينة المصدر ومدينة الهدف لتحقيق التنسيق في الفضاء المشترك، مما يسمح بتطبيق نموذج تنبؤ حركة المرور في مدينة المصدر على مدينة الهدف. وبشكل محدد، صممنا وحدة تحويل غير خطية زمانية متفاعلة ومُشفر زماني لالتقاط خصائص حركة المرور الزمانية والمكانية على حد سواء، وهذه الخصائص تكشف العلاقات الداخلية بين هيكل الشبكة الطرقية وعادات التنقل للبشر وحركة المرور الحضرية. ثم يتم تحويل هذه الخصائص كتمثيلات ثابتة عبر المدن وذلك بالمطابقة غير الخطية إلى الفضاء المشترك. من خلال تحسين الخسارة بالمسافة المهيمنة، يتم تحقيق التنسيق بين خصائص المدينة الهدف وخصائص المدينة المصدر في الفضاء المشترك، ومن ثم يتم تحقيق التنبؤ بحركة الدراجات الهوائية عبر المدن. تم تقييم النهج المقترح على مجموعة بيانات حركة الدراجات الهوائية العامة لعام 2015 في شيكاغو ونيويورك وواشنطن، وأظهرت النتائج أن هذا النهج يفوق بشكل ملحوظ التقنيات المتقدمة حاليًا.

Transfer learning;City flow prediction;Spatiotemporal graph convolution