كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

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.

العائلة: زمنية ومكانية-زمنية (Temporal)المهام: التنبؤ بحركة المرور متعدد الخطوات

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.

t−2t−1ttemporal conv / GRU on each nodeT-convG-convT-convST-block
النماذج المكانية-الزمنية: التفاف زمني على كل عقدة، والتفاف بياني في كل لحظة.

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)X
الالتفاف الانتشاري ثنائي الاتجاه.
r^{(t)}=\sigma\!\left(\Theta_r\star_{\mathcal{G}}[X^{(t)},H^{(t-1)}]+b_r\right)
بوابة إعادة الضبط في DCGRU؛ وبقية البوابات بالمثل.

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

  1. 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.