ترجمه فارسی مقاله معادلات دیفرانسیل عصبی چند نما برای داده های جریان پیوسته در پیش بینی ترافیک طولانی مدت

چکیده

Long-term traffic flow forecasting plays a crucial role in intelligent transportation as it allows traffic managers to adjust their decisions in advance. However, the problem is challenging due to spatio-temporal correlations and complex dynamic patterns in continuous-time stream data. Neural Differential Equations (NDEs) are among the state-of-the-art methods for learning continuous-time traffic dynamics. However, the traditional NDE models face issues in long-term traffic forecasting due to failures in capturing delayed traffic patterns, dynamic edge (location-to-location correlation) patterns, and abrupt trend patterns. To fill this gap, we propose a new NDE architecture called Multi-View Neural Differential Equations. Our model captures current states, delayed states, and trends in different state variables (views) by learning latent multiple representations within Neural Differential Equations. Extensive experiments conducted on several real-world traffic datasets demonstrate that our proposed method outperforms the state-of-the-art and achieves superior prediction accuracy for long-term forecasting and robustness with noisy or missing inputs.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی جریان طولانی مدت ترافیک نقش مهمی در حمل و نقل هوشمند دارد زیرا به مدیران ترافیک اجازه می دهد تا تصمیمات خود را از قبل تنظیم کنند.با این حال ، مشکل به دلیل همبستگی های مکانی-زمانی و الگوهای پویا پیچیده در داده های جریان مداوم ، چالش برانگیز است.معادلات دیفرانسیل عصبی (NDES) از جمله روشهای پیشرفته برای یادگیری پویایی ترافیک در زمان مداوم است.با این حال ، مدل های سنتی NDE در پیش بینی ترافیک طولانی مدت به دلیل خرابی در گرفتن الگوهای تاخیر در ترافیک ، الگوهای لبه پویا (همبستگی مکان به مکان) و الگوهای روند ناگهانی روبرو هستند.برای پر کردن این شکاف ، ما یک معماری جدید NDE به نام معادلات دیفرانسیل عصبی چند منظوره را پیشنهاد می کنیم.مدل ما با یادگیری بازنمایی های متعدد نهفته در معادلات دیفرانسیل عصبی ، حالت های فعلی ، حالت های تأخیر و روند در متغیرهای مختلف حالت (دیدگاه ها) را ضبط می کند.آزمایش های گسترده ای که بر روی چندین مجموعه داده ترافیک در دنیای واقعی انجام شده است نشان می دهد که روش پیشنهادی ما از پیشرفته و پیشرفته تر است و به دقت پیش بینی برتر برای پیش بینی طولانی مدت و استحکام با ورودی های پر سر و صدا یا مفقود می رسد.