محققان در دستاورد پژوهشی تازهای، روشی نوآورانه برای مدلسازی «نمودار بنیادی تصادفی» (SFD) معرفی کردهاند که میتواند پیشبینی وضعیت ترافیک را دقیقتر از همیشه کند.
این فریمورک با ترکیب شبکههای عصبی و معادلات فیزیکی، به مدل اجازه میدهد تا ضمن رعایت محدودیتهای منطقی ترافیکی، الگوهای پیچیده و غیرخطی را نیز به خوبی درک کند. نتیجه این ترکیب، تخمین بهتر در شرایط پرتردد و عدم قطعیت کمتر در سیستمهای حملونقل هوشمند است.
این مدل جدید بهویژه در بخشهایی که مدلهای سنتی در تحلیل تراکم دچار خطا میشدند، عملکرد بسیار بهتری از خود نشان داده است. 📊💡
منبع: arXiv Machine Learning