تعد توقعات حركة المرور من المهام المعقدة في نمذجة البيانات المكانية الزمنية (Spatio-Temporal Modeling) وتشكل جزءًا حيويًا من إدارة النقل الحضرية. تركز الدراسات الحالية في الغالب على التنبؤات الحتمية، مما يعيق فهم التشويش والعشوائية في ديناميكيات حركة المرور.

لهذا السبب، قام الباحثون بتقديم طريقة أنيقة وشاملة تحول النماذج القائمة إلى متنبئات احتمالية، من خلال استبدال الطبقة النهائية فقط بطبقة جديدة تعتمد على نموذج خليط غاوسي (Gaussian Mixture Model - GMM). ولا تتطلب هذه الطريقة أي تغييرات على عملية التدريب، حيث يمكن تدريب النموذج باستخدام دالة الخسارة البسيطة (Negative Log-Likelihood - NLL) بدون الحاجة إلى أي مصطلحات إضافية أو تنظيمية.

لقد أظهرت التجارب على مجموعة من البيانات المرورية أن هذه الطريقة الجديدة يمكن أن تعممها لتناسب نماذج حديثة وتقليدية، مع الحفاظ على الأداء الحتمي.

علاوة على ذلك، تم اقتراح إجراء تقييم منهجي يعتمد على التوزيعات التراكمية وفترات الثقة، مما أظهر أن هذا الأسلوب أكثر دقة ومعلوماتية من الأساليب الأحادية أو الحتمية. وأخيرًا، تم تقديم دراسة مفصلة حول شبكة مرور حضرية كثيفة لدراسة تأثير جودة البيانات على تقدير الشك وإظهار صلابة هذا النهج في ظل ظروف البيانات غير المثالية.

لزيارة الكود وتجربته، يمكنكم الدخول على الرابط [OpenSkyTraffic](https://github.com/Weijiang-Xiong/OpenSkyTraffic).