بسم الله الرحمن الرحیم
ارزیابی و بهبود قابل‌اطمینانی پیش‌بینی در ترافیک با استفاده از تلفیق شبکه‌های عصبی گرافی فضایی-زمانی با رویکرد بیزی
Enhancing Reliability in Traffic Forecasting by Integrating Spatio-Temporal Graph Neural Networks with Bayesian Approaches
استاد راهنما
جناب آقای دکتر وحید رضایی تبار
دانشیار، گروه آمار
یادگیری ماشین، مدل‌های گرافیکی، بیوانفورماتیک
استاد مشاور
جناب آقای دکتر رضا پورطاهری
استاد تمام، گروه آمار
احتمال، فرایندهای تصادفی، فرایندهای نقطه‌ای
استاد داور
جناب آقای دکتر محمدرضا صالحی‌راد
دانشیار، گروه آمار
فرایندهای تصادفی، مدل‌های صف‌بندی، احتمال، سری‌های زمانی
نگارنده
حمیدرضا فرهادی‌پور
کارشناسی ارشد علم داده‌ها
سال ورود ۱۴۰۳ — شماره دانشجویی ۴۰۳۱۳۱۴۲۰۱۱
دانشگاه علامه طباطبائی — دانشکده آمار، ریاضی و رایانه
فهرست مطالب
Table of Contentsمقدمه
پیش‌بینی دقیق و قابل‌اتکای جریان ترافیک، به‌ویژه در بازه‌های زمانی کوتاه‌مدت و میان‌مدت، یکی از الزامات اساسی در توسعه سیستم‌های حمل‌ونقل هوشمند و مدیریت فعالانه شبکه راه‌هاست.
چرا پیش‌بینی ترافیک اهمیت حیاتی دارد؟
مدیریت ترافیک یکی از چالش‌های بنیادی و پایدار کلان‌شهرهای مدرن است. این پدیده دامنه‌ای وسیع از پیامدها — از اتلاف زمان و افزایش مصرف سوخت تا تشدید آلودگی‌های زیست‌محیطی و کاهش بهره‌وری اقتصادی — را در بر می‌گیرد. ایجاد گره‌های ترافیکی ناخواسته، علاوه بر کاهش کیفیت زندگی شهروندان، به افزایش هزینه‌های مستقیم و غیرمستقیم مدیریت شهری و اختلال در خدمات اضطراری می‌انجامد.
هر رد نور در این تصویر، مسیر حرکت یک خودرو را در طول زمان ثبت کرده است؛ همان «جریانی» که پیش‌بینی آن، موضوع اصلی این پژوهش است. نوسان شدت این جریان‌ها در طول شبانه‌روز، ماهیت غیرخطی و وابسته به فضا و زمانِ داده‌های ترافیک را به‌خوبی نشان می‌دهد.
منبع تصویر: Unsplash — استفاده با جنبه توضیحی
تصمیم‌های لحظه‌ای در چنین مراکزی — از تنظیم چراغ‌های راهنمایی تا مدیریت رخدادهای پیش‌رو — به پیش‌بینی‌های «قابل‌اتکا» وابسته‌اند. بازه اطمینانی که این پژوهش تولید می‌کند، به تصمیم‌گیران امکان می‌دهد در شرایط عدم قطعیت نیز با آگاهی از سطح ریسک، تصمیم بگیرند.
منبع تصویر: Reveal News — استفاده با جنبه توضیحیماهیت داده‌های ترافیک
وضعیت ترافیک در هر نقطه، حاصل تعاملات همزمان میان وابستگی‌های مکانی، وابستگی‌های زمانی و عوامل تصادفی خارجی است. این برهم‌کنش‌ها اغلب به‌صورت غیرخطی عمل کرده و در ابعاد فضا-زمان نمود می‌یابند؛ به‌گونه‌ای که تحلیل آن‌ها با روش‌های آماری کلاسیک یا مدل‌های خطی ساده امکان‌پذیر نیست.
ساختار شبکه راه‌ها — ترافیک یک بزرگراه بر بزرگراه‌های مجاور اثر می‌گذارد
الگوهای روزانه و هفتگی جریان ترافیک
آب‌وهوا، تصادفات و رخدادهای پیش‌بینی‌نشده
مفاهیم کلیدی پژوهش
پیش‌بینی جریان ترافیک
فرایند پیش‌بینی وضعیت آینده ترافیک (شامل سرعت، حجم یا چگالی) در یک شبکه حمل‌ونقل بر اساس داده‌های مشاهده‌شده تاریخی. در این پژوهش، به‌عنوان یک مسئله رگرسیون سری زمانی فضایی-زمانی روی گراف تعریف می‌شود که هدف آن به حداقل رساندن خطا و همزمان ارائه بازه اطمینانی معتبر است.
یادگیری عمیق
شاخه‌ای از یادگیری ماشین که از شبکه‌های عصبی عمیق با لایه‌های متعدد پردازشی استفاده می‌کند تا بازنمایی‌های ویژگی سطح بالا را به‌طور مستقیم و خودکار از داده‌های خام ترافیک بیاموزد؛ معمار اصلی پردازش حجم عظیم داده‌های سنسورها و استخراج الگوهای غیرخطی پیچیده.
شبکه‌های عصبی گرافی فضایی-زمانی
کلاس تخصصی و پیشرفتهای از مدل‌های یادگیری عمیق که برای داده‌هایی طراحی شده‌اند که هم وابستگی زمانی و هم ساختار گرافی دارند. STGNN با تلفیق عملگرهای پیچشی روی گراف (برای بُعد مکانی) و لایه‌های بازگشتی یا TCN (برای بُعد زمانی)، ساختارهای غنی و با قابلیت تفکیک بالا را از دینامیک پیچیده شبکه راه‌ها استخراج می‌کند.
رویکرد بیزی / استنباط بیزی
چارچوبی آماری که در آن پارامترهای مدل (مانند وزن‌های شبکه عصبی) به‌جای مقادیر قطعی ثابت، به‌صورت متغیرهای تصادفی با توزیع احتمال در نظر گرفته می‌شوند؛ استراتژی اصلی این پژوهش برای مدل‌سازی عدم قطعیت و تبدیل خروجی‌های قطعی مدل به خروجی‌های احتمالاتی.
کمّی‌سازی عدم قطعیت
فرایند اندازه‌گیری کمّی میزان «تردید» یا «اطمینان» مدل نسبت به پیش‌بینی‌هایش. شامل دو بخش است: عدم قطعیت ذاتی داده‌ها (ناشی از نویز سنسورها) و عدم قطعیت شناختی مدل (ناشی از کمبود دانش مدل). هدف: ارائه معیارهای دقیق UQ برای افزایش اطمینان تصمیم‌گیری.
توابع زیان احتمالاتی
نوعی توابع هزینه که برخلاف توابع سنتی — که تنها بر کاهش خطای میانگین تمرکز دارند — مدل را تشویق می‌کنند تا توزیع احتمال داده‌ها را درک کند. استفاده از این توابع برای آموزش مدل‌های بیزی و تولید بازه‌های اطمینانی کالیبره‌شده ضروری است.
بیان مسئله
با وجود پیشرفتهای قابل‌توجه در روش‌های داده‌کاوی و یادگیری ماشین، پیش‌بینی جریان ترافیک همچنان با محدودیت‌ها و چالش‌های جدی مواجه است. ریشه اصلی این چالش‌ها را می‌توان در ماهیت پیچیده، پرنویز و غیرخطی داده‌های ترافیکی جست‌وجو کرد.
اتلاف میلیون‌ها نفر-ساعت، افزایش مصرف سوخت و تشدید آلودگی هوا، مستقیم‌ترین پیامدهای گره‌های ترافیکی ناخواسته‌اند. پیش‌بینی کوتاه‌مدت و میان‌مدتِ دقیق جریان، ابزار اصلی پیشگیرانه برای مدیریت شبکه معابر پیش از وقوع چنین صحنه‌هایی است.
منبع تصویر: Unsplash — استفاده با جنبه توضیحیپیچیدگی فضایی-زمانی
وضعیت ترافیک حاصل تعاملات همزمان وابستگی‌های مکانی و زمانی است که به‌صورت غیرخطی عمل می‌کنند.
نویز ذاتی داده‌ها
داده‌های جمع‌آوری‌شده از سنسورها با نویزهای ذاتی، خطاهای اندازه‌گیری و داده‌های پرت همراهند.
غیرخطی بودن پدیده
تحلیل برهم‌کنش‌های ترافیکی با روش‌های آماری کلاسیک یا مدل‌های خطی ساده امکان‌پذیر نیست.
سیر تکامل مدل‌های پیش‌بینی ترافیک
پیشینه پژوهش در حوزه پیش‌بینی جریان ترافیک فضایی-زمانی نشان‌دهنده یک مسیر تکاملی از روش‌های آماری خطی و تک‌متغیره به سمت مدل‌های یادگیری عمیق و سیستم‌های هوشمند مبتنی بر گراف است.
مدل‌های آماری و یادگیری ماشین کلاسیک
مدل‌های آماری سری زمانی
الگوریتم‌هایی مانند ARIMA و فیلتر کالمن تلاش می‌کردند الگوهای تاریخی ترافیک را مدل‌سازی کنند. این مدل‌ها مبانی ریاضی مستحکمی داشتند، اما به‌دلیل فرض خطی بودن روابط، در مواجهه با تغییرات ناگهانی و غیرخطی ترافیک عملکرد ضعیفی نشان می‌دادند.
(ویلیامز و همکاران، ۲۰۰۳)مدل‌های یادگیری ماشین سنتی
با ورود الگوریتم‌هایی مانند SVR و Random Forest، قابلیت مدل‌سازی روابط غیرخطی بهبود یافت؛ اما محدودیت اصلی، ناتوانی در درک ساختار توپولوژیک شبکه راه‌ها بود — هر سنسور مستقل فرض می‌شد و وابستگی‌های مکانی بین جاده‌ها نادیده گرفته می‌شد.
(وو و همکاران، ۲۰۰۴)یادگیری عمیق فضایی-زمانی
ترکیب CNN و RNN
محققان با درک ماهیت «فضایی-زمانی» ترافیک، سعی کردند با در نظر گرفتن شبکه معابر شهر به‌صورت تصویر، از مدل‌های CNN برای استخراج ویژگی‌های مکانی استفاده کنند. این رویکرد پیشرفت بزرگی بود، اما برای ساختارهای غیراقلیدسی و نامنظم شبکه واقعی جاده‌ها بهینه نبود.
(ژانگ و همکاران، ۲۰۱۷)شبکه‌های عصبی گرافی فضایی-زمانی (STGNN)
STGCN و DCRNN
مهم‌ترین تحول در این حوزه، معرفی مدل‌های STGNN بود. این مدل‌ها با مدل‌سازی شبکه راه‌ها به‌صورت گراف، توانستند وابستگی‌های مکانی پیچیده را با دقت بسیار بالایی استخراج کنند. تحقیقات نشان داده‌اند این مدل‌ها در حال حاضر دقیق‌ترین ابزارهای پیش‌بینی نقطه‌ای ترافیک هستند.
(وی و همکاران، ۲۰۱۸؛ لی و همکاران، ۲۰۱۸)رویکرد بیزی در یادگیری عمیق
MC Dropout و Variational Inference
توسعه روش‌هایی مانند MC Dropout و استنباط تغییراتی نشان داد می‌توان شبکه‌های عصبی را به‌گونه‌ای آموزش داد که خروجی احتمالاتی داشته باشند. تلاش‌های اولیه برای اعمال این روش‌ها روی GNNها نشان می‌دهد مدل‌های بیزی می‌توانند در برابر داده‌های نوین و حملات سایبری مقاوم‌تر باشند.
(ژائو و همکاران، ۲۰۱۹؛ گال و قهرمانی، ۲۰۱۶)کاستی بنیادین مدل‌های موجود
جدی‌ترین نقص مدل‌های فعلی، ماهیت «قطعی» آن‌ها و ناتوانی در سنجش مخاطره است. مدل‌های STGNN با دقت بالا، خروجی صرفاً نقطه‌ای ارائه می‌دهند و فرض می‌کنند داده‌های ورودی کامل و بدون نویز هستند.
اطمینان کاذب
ناتوانی در سنجش عدم قطعیت موجب می‌شود حتی زمانی که داده‌ها مخدوش‌اند یا الگوهای ترافیکی غیرعادی‌اند، مدل با «اطمینان کاذب» پیش‌بینی اشتباه ارائه دهد — چالشی جدی در کاربردهای حساس به ایمنی و تصمیم‌گیری‌های مسیریابی.
(ژو و همکاران، ۲۰۱۷)نویز و داده‌های پرت
داده‌های ترافیک جمع‌آوری‌شده از سنسورها (مانند PeMS) معمولاً با نویزهای ذاتی و داده‌های پرت همراهند. نوسانات تصادفی و خطاهای اندازه‌گیری سنسورها عدم قطعیت‌هایی ایجاد می‌کنند که مدل‌های قطعی قادر به درک و مدل‌سازی آن‌ها نیستند.
پیامد عملی
نادیده گرفتن عدم قطعیت‌ها می‌تواند منجر به تصمیم‌گیری‌های نادرست در سیستم‌های کنترل چراغ‌های راهنمایی و مسیریابی هوشمند شود.
خلأ پژوهشی
به‌کارگیری روش‌های بیزی در چارچوبی یکپارچه با شبکه‌های عمیق فضایی-زمانی — که خود دارای پیچیدگی محاسباتی بالایی هستند — همچنان محدود باقی مانده است و خلأ پژوهشی قابل‌توجهی در زمینه ایجاد تعادل میان «دقت پیش‌بینی» و «قابلیت اطمینان مدل» وجود دارد.
مدل‌های ترافیک فعلی
- دقت نقطه‌ای بسیار بالا
- ماهیت قطعی
- نادیده گرفتن عدم قطعیت
مدل‌های بیزی موجود
- برآورد عدم قطعیت
- BNNهای ساده
- ناتوان در مدل‌سازی پیچیدگی فضایی-زمانی گراف‌های بزرگ
مسئله محوری این پژوهش
چگونگی طراحی و توسعه یک چارچوب یادگیری عمیق یکپارچه که بتواند قدرت شبکه‌های عصبی گرافی فضایی-زمانی را با رویکرد احتمالاتی بیزی ترکیب کرده و پیش‌بینی دقیق‌تر و قابل‌اعتمادتری از جریان ترافیک ارائه دهد؛ چارچوبی که ضمن حفظ دقت مدل‌های یادگیری عمیق، امکان کمّی‌سازی عدم قطعیت (ناشی از داده و مدل) را فراهم آورد و از محدودیت‌های رویکردهای «جعبه سیاه» و قطعی عبور کند.
هدف پژوهش
طراحی، تبیین و پیاده‌سازی یک چارچوب یکپارچه یادگیری عمیق مبتنی بر تلفیق شبکه‌های عصبی گرافی فضایی-زمانی و رویکرد استنباط بیزی، به‌منظور پیش‌بینی جریان ترافیک با کمّی‌سازی عدم قطعیت و ارتقای قابلیت اطمینان سیستم‌های تصمیم‌گیری.
اهداف فرعی پژوهش
مدل‌سازی وابستگی‌های پیچیده
استخراج بازنمایی‌های سطح بالا از داده‌های ترافیک با استفاده از شبکه‌های عصبی گرافیی برای تحلیل ساختار مکانی و شبکه‌های بازگشتی/پیچشی برای تحلیل الگوهای زمانی.
پیاده‌سازی کمّی‌سازی عدم قطعیت
به‌کارگیری تکنیک‌های استنباط بیزی تقریبی و توابع زیان احتمالاتی جهت برآورد عدم قطعیت‌های ناشی از داده و مدل.
سنجش اعتبار و مقایسه
ارزیابی عملکرد مدل پیشنهادی در مقایسه با روش‌های پیشرفته کنونی بر اساس معیارهای دقت و معیارهای قابلیت اطمینان.
بررسی پایداری مدل
تحلیل میزان مقاومت و استواری مدل پیشنهادی در مواجهه با داده‌های نوین و ناقص و شرایط غیرمنتظره در شبکه ترافیک.
تحلیل اثرات مؤلفه‌ها
بررسی سهم و اهمیت هر یک از ماژول‌ها (بخش گرافی، بخش زمانی و بخش بیزی) در بهبود عملکرد نهایی سیستم.
سؤالات پژوهش
آیا تلفیق شبکه‌های عصبی گرافی فضایی-زمانی با رویکرد استنباط بیزی در یک معماری یکپارچه، به بهبود معنادار قابلیت اطمینان و دقت پیش‌بینی جریان ترافیک نسبت به مدل‌های قطعی موجود می‌انجامد؟
آیا معماری پیشنهادی قادر است ضمن حفظ دقت پیش‌بینی (کاهش خطا)، برآورد معتبری از میزان عدم قطعیت پیش‌بینی‌ها در قالب بازه‌های اطمینانی ارائه دهد؟
استفاده از توابع زیان احتمالاتی چه تأثیری بر فرایند آموزش مدل و همگرایی آن در مقایسه با توابع زیان کلاسیک دارد؟
آیا رویکرد بیزی اتخاذشده، توانایی مدل را در مدیریت داده‌های پرت و نویزهای ذاتی سنسورهای ترافیک بهبود می‌بخشد؟
کدام‌یک از مؤلفه‌های مدل (ساختار گراف یادگیری‌شده یا ماژول عدم قطعیت) بیشترین تأثیر را در ارتقای کارایی سیستم در سناریوهای ترافیک پیچیده ایفا می‌کند؟
معماری پیشنهادی پژوهش
معماری عصبی عمیق یکپارچه برای پردازش همزمان ویژگی‌های مکانی و زمانی با رویکرد احتمالاتی بیزی طراحی و پیاده‌سازی می‌شود. این معماری شامل مؤلفه‌های زیر است:
داده و پیش‌پردازش
PeMS Datasetمجموعه‌داده‌های استاندارد ترافیک شامل سری‌های زمانی سرعت/حجم سنسورها، ماتریس مجاورت گراف شبکه راه‌ها و ویژگی‌های زمانی (ساعت روز/روز هفته). ترمیم داده‌های مفقوده با درون‌یابی خطی و نرمال‌سازی Z-Score.
برآورد وضعیت ترافیک در T گام آینده بر اساس T′ گام گذشته — رگرسیون سری زمانی فضایی-زمانی روی گراف.
ماژول فضایی-زمانی
Spatio-Temporal Moduleبُعد مکانی: مدل‌سازی شبکه راه‌ها به‌صورت گراف (گره‌ها = سنسورها، یال‌ها = ارتباط جاده‌ای) با GNN برای یادگیری خودکار و انتها-به-انتهای وابستگی‌های غیراقلیدسی. بُعد زمانی: لایه‌های پردازش توالی مانند TCN و GRU برای کدگذاری الگوهای زمانی بلندمدت و کوتاه‌مدت.
ویژگی‌های ساختار گراف و سری‌های زمانی در هم آمیخته می‌شوند تا بازنمایی جامعی از وضعیت ترافیک ایجاد شود.
لایه استنباطی بیزی
Bayesian Inference Layerبرخلاف مدل‌های کلاسیک با وزن‌های ثابت، از رویکردهای استنباط بیزی تقریبی (MC Dropout و Variational Inference) در لایه‌های مدل استفاده می‌شود؛ تکنیکی که امکان مدل‌سازی وزن‌ها به‌صورت توزیع احتمالی را فراهم می‌آورد.
ماهیت تنظیم‌کنندگی ذاتی روش‌های بیزی از بیش‌برازش روی داده‌های آموزشی جلوگیری می‌کند.
خروجی احتمالاتی
Probabilistic Outputخروجی نهایی مدل به‌جای یک مقدار قطعی، پارامترهای یک توزیع احتمالی خواهد بود؛ ساختاری که به مدل اجازه می‌دهد علاوه بر پیش‌بینی سرعت ترافیک، بازه اطمینانی آن را نیز محاسبه کند.
بهینه‌سازی با توابع زیان احتمالاتی مانند لگارتم درست‌نمایی منفی (NLL) — همزمان کاهش خطای پیش‌بینی و برآورد درستی از واریانس.
در معماری پیشنهادی، هر سنسور یک «گره» و هر ارتباط جاده‌ای یک «یال» با وزن متناسب با شدت تعامل است. همین بازنمایی گرافی است که به STGNN امکان می‌دهد ساختار توپولوژیک غیراقلیدسی شبکه راه‌ها را — برخلاف CNN و RNN — به‌صورت انتها-به-انتهای خودکار بیاموزد.
منبع تصویر: Domo — استفاده با جنبه توضیحی
داده‌های خام حسگرها پس از پیش‌پردازش، به سری زمانی هر گره و ماتریس مجاورت گراف تبدیل می‌شوند؛ این دو، ورودی اصلی مدل STGNN هستند. این شکل، مسیر تبدیل «داده خام» به «بازنمایی آموختنی» را به‌صورت مرحله‌به‌مرحله به تصویر می‌کشد.
منبع تصویر: Scientific Reports — استفاده با جنبه توضیحیدر دست تکمیل
فرمول‌بندی دقیق ریاضی معماری (توزیع‌های پیشین، کران پایین شواهد و…) طی نگارش پایان‌نامه تکمیل می‌شود.
معیارهای ارزیابی
معیارهای ارزیابی در این پژوهش دو جنبه مکمل را پوشش خواهند داد:
معیارهای دقت پیش‌بینی
معیارهای قابلیت اطمینان
رویکرد اعتبارسنجی
- تقسیم‌بندی زمانی استاندارد داده‌ها (آموزش، اعتبارسنجی، آزمون)
- مطالعه حذفی دقیق برای سنجش تأثیر افزودن ماژول بیزی بر عملکرد نهایی مدل
- مقایسه عملکرد مدل پیشنهادی با نسخه قطعی آن
- معیارسنجی جامع با الگوریتم‌های یادگیری عمیق پیشرفته
پیشینه پژوهش
پیشینه پژوهش در حوزه پیش‌بینی جریان ترافیک فضایی-زمانی، مسیر تکاملی روشنی از روش‌های آماری خطی به سمت مدل‌های عمیق احتمالاتی نشان می‌دهد؛ مسیری که ضرورت اتخاذ یک رویکرد «یادگیری عمیق احتمالاتی» را برای غلبه بر محدودیت‌های مدل‌های قطعی فعلی توجیه می‌کند.
مدل‌های آماری کلاسیک
ARIMA و فیلتر کالمن برای مدل‌سازی الگوهای تاریخی ترافیک؛ مبانی مستحکم اما عملکرد ضعیف در روابط غیرخطی و تغییرات ناگهانی.
ویلیامز و همکارانیادگیری ماشین کلاسیک
SVR و Random Forest روابط غیرخطی را بهبود بخشیدند اما هر سنسور را مستقل فرض کرده و توپولوژی شبکه راه‌ها را نادیده گرفتند.
وو و همکارانبنیانهای یادگیری عمیق احتمالاتی
معرفی MC Dropout نشان داد شبکه‌های عصبی را می‌توان با خروجی احتمالاتی آموزش داد — نقطه شروع پیوند آمار بیزی و یادگیری عمیق.
گال و قهرمانیترکیب CNN و RNN
استخراج ویژگی‌های مکانی از تصویر شبکه معابر شهر؛ پیشرفت بزرگ اما ناسازگار با ساختارهای غیراقلیدسی و نامنظم جاده‌های واقعی.
ژانگ و همکارانهشدار «اطمینان کاذب»
مدل‌های عمیق بدون سنجش عدم قطعیت، در سیستم‌های حساس به ایمنی خطرساز هستند؛ صرفِ دانستن سرعت پیش‌بینی‌شده کافی نیست.
ژو و همکارانظهور STGNNها
معرفی STGCN و DCRNN با مدل‌سازی گراف شبکه راه‌ها — استخراج وابستگی‌های مکانی پیچیده با دقت بسیار بالا؛ دقیق‌ترین ابزار پیش‌بینی نقطه‌ای.
وی و همکاران؛ لی و همکارانبیزی در یادگیری عمیق
توسعه Variational Inference و MC Dropout در شبکه‌های عمیق؛ مدل‌های بیزی مقاوم‌تر در برابر داده‌های نوین و شرایط پویا.
ژائو و همکارانگام آغازین تلفیق
قدرت STGNNها در دقت و ضرورت روش‌های بیزی در قابلیت اطمینان جداگانه تأیید شد؛ اما خلأ یکپارچه‌سازی این دو حوزه همچنان پابرجا بود.
لی و ژوموج جدید پژوهش‌ها
Dynamic Graph Convolution، معماری‌های Transformer-TCN، FD-TGCN و AGCN-T پیشرفت نقطه‌ای را ادامه دادند؛ اما مسئله بنیادین «عدم قطعیت» همچنان حل‌نشده باقی مانده است.
لی و همکاران ۲۰۲۵؛ وانگ و چن ۲۰۲۵؛ سان و همکاران ۲۰۲۴ و…
پژوهش‌های موج جدید (FD-TGCN، AGCN-T و…) با گراف‌های پویا و استخراج وابستگی‌های چندمقیاسی، مرز دقت پیش‌بینی را جابه‌جا کرده‌اند؛ اما همگی همچنان خروجی «قطعی» تولید می‌کنند. پژوهش حاضر دقیقاً همین حلقه مفقوده — کمّی‌سازی عدم قطعیت — را با لایه بیزی برمی‌گرداند.
منبع تصویر: IOP Science — استفاده با جنبه توضیحیسهم نوآورانه پژوهش حاضر
پژوهش حاضر به‌طور مستقیم خلأ روش‌شناختی موجود را هدف قرار داده و با ارائه یک معماری ترکیبی جدید، قصد دارد قدرت تفکیک بالای STGNN را با چارچوب ریاضی استنباطی بیزی تلفیق کند. این پژوهش برخلاف رویکردهای گذشته که صرفاً به کاهش خطای RMSE می‌پرداختند، بر ایجاد تعادل میان «دقت» و «قابلیت اطمینان» تمرکز دارد و ابزاری کارآمد برای تصمیم‌گیری در شرایط عدم قطعیت فراهم می‌آورد.
فصل‌بندی
ساختار پایان‌نامه در چهار فصل سازمان‌دهی می‌شود؛ مطابق الگوی مصوب دانشکده، از کلیات پژوهش تا پیاده‌سازی و ارزیابی نهایی.
کلیات پژوهش
- بیان مسئله و ضرورت تحقیق
- اهداف و سؤالات پژوهش
- پیشینه و مرور ادبیات پژوهش
- کلمات کلیدی و تعاریف
مروری بر مباحث نظری
- شبکه‌های عصبی گرافی فضایی-زمانی (STGNN)
- رویکرد بیزی و استنباط تقریبی
- کمّی‌سازی عدم قطعیت
- توابع زیان احتمالاتی
بررسی ساختار و معماری مدل پیشنهادی
- معماری یکپارچه STGNN + بیزی
- فرمول‌بندی ریاضی مدل
- طراحی آزمایش‌ها
این فصل با تحقیقات و پیاده‌سازی‌های آینده نگارنده تکمیل خواهد شد.
پیاده‌سازی، آزمایش‌ها و ارزیابی
- پیاده‌سازی و آموزش مدل
- مطالعه حذفی و تحلیل نتایج
- مقایسه با الگوریتم‌های پیشرفته
این فصل با تحقیقات و پیاده‌سازی‌های آینده نگارنده تکمیل خواهد شد.
نقشه راه اجرای پایان‌نامه
مطابق زمان‌بندی مصوب فرم طرح پژوهش؛ جلسه دفاع نهایی: ۳۰ بهمن ۱۴۰۵
مراجع
W. Li, G. Yang, Z. Xiong, X. Zhu, and X. Ma (2025)
“A Traffic Flow Prediction Model Based on Dynamic Graph Convolution and Adaptive Spatial Feature Extraction”
Symmetry, vol. 17, no. 7, Art. no. 1007.
مراجع فرعی(10 مرجع)
Y. Wang and P. Chen
(2025) “Network traffic prediction based on transformer and temporal convolutional network”
PLoS ONE, vol. 20, no. 4, Art. no. e0320368.
Z. Yang, J. Zhang, and Z. Li
(2025) “Multi-scale time series prediction model based on deep learning and its application”
PLoS ONE, vol. 20, no. 7, Art. no. e0325474.
H. Wan, H. Xu, and L. Xie
(2025) “Spatial-Temporal Traffic Flow Prediction Through Residual-Trend Decomposition with Transformer Architecture”
Electronics, vol. 14, no. 12, Art. no. 2400.
Y. Ding et al.
(2025) “Traffic flow prediction based on spatiotemporal encoder-decoder model”
PLoS ONE, vol. 20, no. 5, Art. no. e0321858.
Y. Tian et al.
(2025) “Transformer-Based Traffic Flow Prediction Considering Spatio-Temporal Correlations of Bridge Networks”
Appl. Sci., vol. 15, no. 16, Art. no. 8930.
J. Feng, L. Yu, and R. Ma
“AGCN-T: A Traffic Flow Prediction Model for Spatial-Temporal Network Dynamics”
J. Adv. Transp.
Z. Liu et al.
(2025) “Dynamic Graph Convolution and Spatio-Temporal Self-Attention Network for Traffic Flow Prediction”
Electronics, vol. 14, no. 7, Art. no. 1410.
S. S. Sakhinana et al.
(2024) “Multi-Knowledge Fusion Network for Time Series Representation Learning”
TCS Research.
L. Sun et al.
(2024) “FD-TGCN: Fast and dynamic temporal graph convolution network for traffic flow prediction”
Inform. Fusion, vol. 106, Art. no. 102291.
X. Guo
(2024) “Research on Deep Learning Models for Traffic Flow Prediction”
Appl. Comput. Eng., vol. 111, no. 1, pp. 87–96.
فهرست کامل منابع به‌همراه منابع کلاسیک ذکرشده در متن (شامل پژوهش‌های بنیادین حوزه STGNN و استنباط بیزی) در نسخه نهایی پایان‌نامه و طبق شیوه‌نامه ارجاع‌دهی دانشکده تنظیم و ارائه خواهد شد.
با سپاس از حسن توجه شما
نگارنده آماده پاسخ‌گویی به پرسش‌ها و دیدگاه‌های ارزشمند اساتید محترم راهنما، مشاور و داور است. بخش‌های در دست تکمیل سایت، با پیشرفت پژوهش و انجام آزمایش‌ها به‌روزرسانی خواهد شد.
