يتيح التعلم العميق لنماذج التنبؤ المروري دمج مصادر بيانات مساعدة متعددة (مثل الطقس والمعلومات الزمنية)، مما يحسن دقة التنبؤ. غالبًا ما تعاني الطرق الحالية من محدودية في العمومية وقابلية التوسع، كما يفتقر هذا المجال إلى إطار اختبار معياري موحد لتحقيق مقارنة عادلة بين النماذج. هذا النقص يعيق ثبات تقييم الأداء ويؤخر تطوير نماذج قوية وقابلة للتكيف، مما يصعب تقييم الفوائد الإضافية لمصادر البيانات المساعدة المختلفة. لمعالجة هذه المشكلات، نقترح MltAuxTSPP - إطار معياري موحد للتعلم العميق لتنبؤ المرور يدمج بيانات مساعدة متعددة المصادر. يتضمن الإطار حاويات بيانات موحدة ووحدات تضمين مدمجة، مما يحقق معالجة موحدة للبيانات غير المتجانسة ويعزز قابلية التوسع. التمثيلات الضمنية الموحدة التي ينتجها قابلة للاستخدام السلس من قبل مختلف النماذج اللاحقة، مما يضمن مقارنة عادلة وقابلة لإعادة الإنتاج في نفس الظروف. أظهرت تجارب واسعة على مجموعات بيانات حقيقية أن MltAuxTSPP يمكنه الاستفادة بفعالية من ميزات الطقس والوقت لتحسين أداء التنبؤ طويل الأمد، مما يوفر إطارًا عمليًا وقابلًا لإعادة الإنتاج لدفع أبحاث التنبؤ بحالة المرور.

تنبؤ المرور;منصة معيارية;التعلم العميق;بيانات مساعدة متعددة المصادر