בעולם שבו חיזוי תנועת אנושית משפיע על שירותי המלצות מיקום והכוונת פינוי, שיטות קיימות נתקלות בקשיים. גישות חד-מודליות סובלות מדלילות נתונים ומש偏ות מובנות, בעוד גישות רב-מודליות מתקשות ללכוד דינמיקת תנועה בגלל פער סמנטי בין ייצוגים סטטיים לדינמיקה מרחבית-זמנית. חוקרים מציגים את M³ob – שיטת חיזוי תנועת אנושית רב-מודלי שמנצלת ידע מרחבי-זמני רב-מודלי.
השיטה בונה גרף יחסים מרחבי-זמני מאוחד (STRG) לייצוג רב-מודלי, תוך שימוש בסמנטיקה פונקציונלית וידע מרחבי-זמני מגרף ידע מרחבי-זמני מועשר במודלי שפה גדולים (STKG). מנגנון שער (gating) ממזג ייצוגי גרף מרחבי-זמניים ממקורות מודליים שונים. בנוסף, יישור בין-מודלי מונחה STKG מזריק ידע דינמי מרחבי-זמני למודליות התמונה הסטטית.
ניסויים נרחבים על שישה מערכי נתונים ציבוריים מראים ש-M³ob משיגה שיפורים עקביים בתרחישים רגילים. השיטה מציגה יכולת הכללה משמעותית גם בתרחישים חריגים, שבהם שיטות אחרות נכשלות.
הגישה רלוונטית לעסקים ישראליים בתחומי התחבורה, קמעונאות ושירותי מיקום, שם דיוק בחיזוי תנועה חיוני. בהשוואה לשיטות קודמות, M³ob מתמודדת טוב יותר עם אתגרי דלילות ופערים סמנטיים, ומשלבת יכולות LLM לשיפור הייצוג.
למנהלי עסקים, השיטה מצביעה על הצורך באינטגרציה של ידע רב-מודלי במודלי AI. אימוץ גישות כאלה יכול לשפר המלצות מיקום, להגביר יעילות תפעולית ולהתמודד עם תרחישים בלתי צפויים. כיצד תשלבו זאת במערכות שלכם?