Motif-Based Time Series Clustering for Deep Learning in Urban Traffic Forecasting

Abstract

في معظم أنحاء العالم، يزداد عدد المركبات بوتيرة سريعة، في حين تبقى البُنى التحتية الطرقية شبه ثابتة دون توسّع يُواكب هذا الارتفاع. وقد أدّى هذا الخلل إلى تفاقم الازدحام المروري في العديد من المناطق الحضرية. يمكن لأنظمة التحكم المروري الحضرية أن تلعب دورًا مهمًا في الحد من الازدحام وتحسين انسيابية حركة المرور، غير أن فعاليتها تعتمد بشكل أساسي على توفر معلومات دقيقة ومستمرة حول تدفّق المرور، والتي يتم جمعها عادةً عبر مجسّات موزعة عبر شبكة الطرق . وبما أنّ تركيب هذه المجسّات وصيانتها يُعدّ مكلفًا، يُعدّ الحل الاقتصادي الأنسب هو نشر عدد محدود منها والاعتماد على تقنيات الذكاء الاصطناعي للتنبؤ بشدّة الحركة المرورية في مواقع مختلفة داخل المدينة . في هذه الدراسة، نقترح بنية تعتمد على التعلّم العميق، تتميز بالبساطة والفعالية في التنبؤ المروري قصير المدى داخل المدن. تعتمد المنهجية المقترحة على خوارزميات التجميع، وتجميع السلاسل الزمنية، واكتشافالأنماطالمتكررة (motif discovery) ، ومصفوفة المؤشرات (Matrix Profile) ، والتي تعمل معًا على تعزيز فهم البنية الداخلية لتدفّق المرور وتحسين عملية البحث عن الحلول في هذا النوع من مشكلات الانحدار المُشرف. ويتيح دمج هذه التقنيات للنظام تحديد الأنماط المتكررة، والتشابهات البنيوية، والعلاقات المهمة بين المقاطع الفرعية داخل بيانات تدفق المرور، مما يُقوّي نموذج التنبؤ ويحسّن دقته . تُظهر نتائج التجارب أنّ حركة المرور يمكن التنبؤ بها بدقة من خلال تحليل تغيّرها خلال الساعة السابقة . كما تُشير النتائج إلى قدرة النظام على إنتاج تنبؤات موثوقة دون الحاجة إلى معلومات سياقية مثل الوقت الحالي، أو يوم الأسبوع، أو نوع اليوم )عطلة، يوم عمل، إلخ( .