محققان برای حل چالشهای پیچیده مدلهای پیشبینی ترافیک که معمولاً بسیار سنگین و پرهزینه هستند، معماری جدیدی به نام EMAGN معرفی کردهاند.
این مدل با استفاده از یک تکنیک خوشهبندی هوشمند، پیچیدگی محاسباتی مدلهای مبتنی بر «توجه» (Attention) را به شدت کاهش میدهد. نتیجه؟ 📉
✅ کاهش ۳۲ درصدی زمان آموزش
✅ کاهش ۳۸ درصدی زمان استنتاج
✅ کاهش ۵۸ درصدی مصرف حافظه GPU
این یعنی مدلهای ترافیکی حالا میتوانند روی سختافزارهای معمولیتر هم اجرا شوند، بدون اینکه دقت پیشبینیشان افت کند. گامی مهم برای مدیریت هوشمندتر ترافیک کلانشهرها! 🚦
منبع: arXiv AI