Journal of Geospatial Information Technology

fa پیش بینی مکانی-زمانی ترافیک با استفاده از شبکه های عصبی گرافی و واحد بازگشتی و ساختار مکانی شبکه Spatiotemporal Traffic Prediction Using Graph Neural Networks, Recurrent Units, and the Spatial Structure of the Network سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research مدیریت بهینه ترافیک شهری مستلزم پیش‌بینی دقیق و بههنگام وضعیت معابر در مقیاس مکانی–زمانی است؛ چراکه الگوهای تراکم در شبکه معابر تحت تأثیر تعاملات پیچیده مکانی بین خیابان‌ها و تغییرات پویا در بازه‌های زمانی کوتاه و بلند مدت قرار دارند. بنابراین توسعه رویکردهایی که قادر باشند وابستگی‌های چندبعدی را به‌طور هم‌زمان در بعد مکان و زمان استخراج کنند، نقشی کلیدی در پیشبینی ترافیک شهری و تصمیم‌سازی شهری دارد.در این پژوهش، با بهره‌گیری از داده‌های مکانی شبکه معابر چهار منطقه از شهر تهران و کلاس‌های ترافیکی استخراج‌شده از تصاویرگوگل در بازه زمانی سه‌ماهه، یک چارچوب ترکیبی مبتنی بر شبکه‌های عصبی گرافی و واحد بازگشتی برای پیش‌بینی سطح ترافیک ارائه می‌شود. شبکه معابر با استفاده از گراف جهت دار مدلسازی شده و به عنوان ورودی به شبکه عصبی گرافی در نظر گرفته می شود. به منظور ارتقای بعد مکانی این شبکه، ماتریس همسایگی مرتبه اول و دوم و همچنین ماتریس شاخصهای ساختاری شامل بینابینی، نزدیکی و درجه وزن دار به عنوان ورودی به شبکه عصبی گرافی در نظر گرفته شده است. مدل شبکه‌های عصبی گرافی روابط مکانی و تعاملات بین معابر را استخراج کرده و با داشتن دنباله های زمانی و کلاس ترافیکی به عنوان ورودی شبکه واحد بازگشتی ، پیش بینی را انجام میدهد. این مدل وابستگی‌های مکانی و زمانی کلاس‌های ترافیک را در شبکه معابر با استفاده از داده‌های مکانی غنی شده و داده های  تاریخچه ای ترافیک مدل‌سازی می‌کند. نتایج نشان می‌دهد که چارچوب پیشنهادی قادر است الگوهای پیچیده مکانی–زمانی ترافیک را به شکل مؤثرتری یادگرفته و عملکرد دقیق‌تری نسبت به مدل‌های پایه ارائه دهد. این ارتقا به دلیل اضافه کردن شاخصهای ساختاری به مدل بوده است که این موضوع  نقش ساختار مکانی شبکه را در تحلیل و پیش بینی ترافیک نشان می دهد.   Optimal urban traffic management requires accurate and timely prediction of roadway conditions at spatiotemporal scales, as congestion patterns in road networks are influenced by complex spatial interactions among streets and dynamic variations over short- and long-term time horizons. Therefore, developing approaches capable of simultaneously extracting multidimensional dependencies across space and time plays a key role in improving traffic management efficiency and urban decision-making. In this study, using spatial data from the road networks of four districts in Tehran and traffic classes extracted from Google images over a three-month period, a hybrid framework based on Graph Neural Networks (GNNs) and Recurrent Units is proposed for traffic level prediction. The road network is modeled as a directed graph and used as input to the graph neural network. To enhance the spatial representation of the model, first- and second-order adjacency matrices, as well as matrices of centrality measures—including betweenness, closeness, and weighted degree—are incorporated as inputs to the GNN.The GNN extracts spatial relationships and interactions among road segments, having the results of GNN along with temporal sequences and traffic classes as inputs to the GRU model, traffic predictions are generated. This model captures the spatial and temporal dependencies of traffic classes within the road network by leveraging enriched spatial data and historical traffic information. The results demonstrate that the proposed framework can more effectively learn complex spatiotemporal traffic patterns and achieve higher prediction accuracy compared to baseline models. Complementary analyses indicate that this improvement is primarily due to the inclusion of topological and structural indices, highlighting the significant role of the spatial structure of the network in traffic analysis and prediction.   پیش بینی ترافیک,مدل های مکانی-زمانی,ساختار مکانی شبکه-شبکه های عصبی گرافی- واحدهای بازگشتی Traffic prediction, spatiotemporal models, network spatial structure, graph neural networks, recurrent units 43 63 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-1059-1&slc_lang=fa&sid=1 Fateme Noori Alamouti فاطمه نوری الموتی fateme.noorialamooti@email.kntu.ac.ir 100319475328460010791 100319475328460010791 Yes K.N Toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی محمدسعدی مسگری 100319475328460010792 100319475328460010792 No K.N Toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی