DCRNN – الشبكة المتكررة بالالتفاف الانتشاري
Diffusion Convolutional Recurrent Neural Network (2018)
حركة المرور تنتشر عبر شبكة الطرق في الاتجاهين؛ استبدل الضرب المصفوفي في وحدة GRU بالتفاف انتشاري على الرسم الموجه، وتنبأ بالمستقبل بمشفّر–فاك تشفير.
الحدس
حركة المرور تنتشر عبر شبكة الطرق في الاتجاهين؛ استبدل الضرب المصفوفي في وحدة GRU بالتفاف انتشاري على الرسم الموجه، وتنبأ بالمستقبل بمشفّر–فاك تشفير.
الشرح التفصيلي
يُنمذج التأثير المكاني بمسارات عشوائية أمامية وخلفية على رسم الحساسات الموجه (أوزانه من مسافات الطرق)، ويُقطع الانتشار عند K خطوة. يدمج هذا الالتفاف داخل وحدة GRU (DCGRU) فيلتقط النموذج التبعيات المكانية والزمانية معاً. معمارية Seq2Seq تأخذ ساعة ماضية وتتنبأ بالساعة التالية، وتستخدم المعاينة المجدولة في التدريب.
قدّم المؤلفون مجموعتي METR-LA وPEMS-BAY المعياريتين، وحسّن النموذج دقة التنبؤ مقارنة بالطرق الإحصائية والشبكات المتكررة غير البيانية.
البنية المعمارية
مشفّر DCGRU (طبقتان) ← فاك تشفير DCGRU ← تنبؤ 12 خطوة (5 دقائق لكل خطوة).
المعادلات
X\star_{\mathcal{G}}f_\theta=\sum_{k=0}^{K-1}\left(\theta_{k,1}(D_O^{-1}W)^k+\theta_{k,2}(D_I^{-1}W^{\top})^k\right)Xr^{(t)}=\sigma\!\left(\Theta_r\star_{\mathcal{G}}[X^{(t)},H^{(t-1)}]+b_r\right)نقاط القوة
- يراعي اتجاه حركة المرور
- تنبؤ متعدد الخطوات
- مرجع معياري في المجال
القيود
- التكرار بطيء في التدريب
- رسم ثابت مسبق
- كلفة K انتشار في كل خطوة زمنية
التعقيد الحسابي
O(T·K·|E|·F) لكل تسلسل.
متى تستخدمه
تنبؤ مكاني زماني على شبكات موجهة ثابتة (مرور، تدفقات).
التنفيذ في PyTorch Geometric
torch_geometric_temporal.nn.DCRNN (مكتبة PyTorch Geometric Temporal)شيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Li, Y., Yu, R., Shahabi, C., & Liu, Y. (2018). Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. International Conference on Learning Representations (ICLR). arXiv: 1707.01926التنبؤ بحركة المرور على شبكة الطرق بوصفها رسماً موجّهاً.
