Journal of Geospatial Information Technology

fa پیش بینی مکانی-زمانی ترافیک با استفاده از شبکه های عصبی گرافی و واحد بازگشتی دروازه ای با رویکرد 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 ترافیکی معابر در مقیاس مکانی–زمانی است، زیرا الگوهای تراکم ترافیکی در شبکه معابر شهری تحت تأثیر تعاملات پیچیده مکانی بین خیابان‌ها و پویایی‌های زمانی کوتاه‌مدت و بلندمدت قرار دارند. ازاین‌رو، توسعه چارچوب‌هایی که قادر به استخراج هم‌زمان وابستگی‌های مکانی و زمانی باشند، نقشی کلیدی در پیش‌بینی ترافیک و پشتیبانی از تصمیم‌سازی شهری ایفا می‌کند. در این پژوهش، یک چارچوب ترکیبی مکانی–زمانی مبتنی بر شبکه‌های عصبی گرافی (GNN) و واحد بازگشتی دروازهای (GRU) برای پیش‌بینی کلاس‌های ترافیکی ارائه می‌شود. داده‌های مورد استفاده شامل شبکه معابر چهار منطقه شهر تهران و وضعیت ترافیکی ۵۰۳۷ قطعه خیابان در بازه‌های زمانی ۱۵ دقیقه‌ای طی یک دوره سه‌ماهه است. شبکه معابر به‌صورت یک گراف جهت‌دار مدل‌سازی شده و به‌عنوان ورودی به شبکه عصبی گرافی در نظر گرفته شده است. به‌منظور تقویت مدلسازی مکانی، علاوه بر ماتریس همسایگی مرتبه اول، همسایگی مرتبه دوم و شاخص‌های ساختاری شبکه شامل بینابینی، نزدیکی و درجه وزنی به‌صورت صریح در فرآیند یادگیری گرافی ادغام شده‌اند. شبکه عصبی گرافی، روابط مکانی و تعاملات ساختاری بین معابر را استخراج کرده و خروجی آن به‌همراه دنباله‌های زمانی وضعیت ترافیکی، به واحد بازگشتی GRU  منتقل می‌شود تا پیش‌بینی در افق‌های زمانی ۱۵، ۳۰ و ۶۰ دقیقه‌ای انجام گیرد.  نتایج تجربی نشان می‌دهد مدل پیشنهادی (Enhanced GNN-GRU) در تمامی افق‌های پیش‌بینی عملکرد بهتری نسبت به مدل‌های پایه GRU، LSTM و GNN-GRU ارائه می‌دهد. به‌طور مشخص، مقدار دقت (ACC) مدل Enhanced GNN-GRU در افق ۱۵ دقیقه به 0/76 و مقدار امتیاز F1 به 0/67 رسیده است که در مقایسه با مدل پایه GNN-GRU  بهبود معناداری را نشان می‌دهد. این بهبود در افق‌های زمانی بلندتر نیز به‌صورت پایدار حفظ شده است. نتایج به‌دست‌آمده نشان می‌دهد که ادغام صریح همسایگی چندمرتبه‌ای و شاخص‌های ساختاری شبکه، موجب تقویت مدلسازی مکانی، بهبود تمایز بین کلاس‌های مختلف تراکم و افزایش پایداری پیش‌بینی در افق‌های زمانی بلندتر می‌شود و نقش ساختار مکانی شبکه معابر را به‌عنوان یک مؤلفه کلیدی در مدل‌سازی و پیش‌بینی ترافیک شهری برجسته می‌سازد.   Optimal urban traffic management requires accurate and timely prediction of traffic conditions across  the spatial–temporal scales, as congestion patterns within the urban road networks are governed by complex spatial interactions among the road segments as well as short- and long-term temporal dynamics. Therefore, the development of frameworks capable of concurrent capturing of the spatial and temporal dependencies plays a critical role in traffic forecasting and  in supporting urban decision-making processes. In this study, a hybrid spatiotemporal framework that is based on Graph Neural Networks (GNN) and Gated Recurrent Units (GRU) is proposed for traffic state classification. The dataset consists of the road network of four urban districts of Tehran and the traffic conditions of 5,037 road segments recorded in 15-minute intervals over a three-month period. The road network is modeled as a directed graph and utilized as input to the graph neural network. To enhance the spatial modeling, in addition to the first-order adjacency matrix, the second-order neighborhood relationships and the key structural network measures—including betweenness centrality, closeness centrality, and weighted degree—are explicitly incorporated into the graph learning process. The GNN extracts the spatial dependencies and structural interactions among road segments, and its output, together with the temporal sequences of the traffic states, is fed into the GRU to perform predictions over 15-, 30-, and 60-minute time horizons. The experimental results demonstrate that the proposed model (Enhanced GNN-GRU) consistently outperforms the baseline models, including GRU, LSTM, and  the conventional GNN-GRU, across all of the prediction horizons. Specifically, the Enhanced GNN-GRU achieves an accuracy (ACC) of 0.76 and an F1-score of 0.67 for the 15-minute horizon, indicating a significant improvement over the baseline GNN-GRU model. This performance gain remains stable across longer forecasting horizons. The findings suggest that the explicit integration of the multi-order spatial dependencies and  the structural network features substantially enhances the spatial representation learning, improves discrimination among different congestion levels, and increases prediction robustness over  the extended time horizons, and it also highlights the critical role of road network topology in the urban traffic modeling and forecasting.   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 64 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 100319475328460010843 100319475328460010843 Yes K.N Toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی محمدسعدی مسگری 100319475328460010844 100319475328460010844 No K.N Toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی