Proceedings of the International scientific and practical conference ―New York Global Science Conference 2026‖ (May 18-20, 2026) / Publisher website: www.naukainfo.com. – New York, USA, 2026. - 322 p.

143 Ключові слова: мультимодальне прогнозування, транспортна мережа, семантичний аналіз, відкриті дані, графові нейронні мережі, механізм уваги, mBERT, інтелектуальні транспортні системи. Прогнозування стану транспортної мережі є важливою задачею інтелектуальних транспортних систем. Наявні підходи зберігають два обмеження, які досі не отримали комплексного вирішення, не зважаючи на те, що зараз присутній суттєвий прогрес у застосуванні методів глибокого навчання. Перше пов'язане з тим, що графові моделі транспортної мережі здебільшого спираються на статичну топологію: матриця суміжності будується одноразово на основі географічних відстаней [2]. Реальна транспортна мережа є динамічною структурою. Пропускна здатність ребер змінюється залежно від рівня завантаженості. При цьому вузол, що потрапив у затор, виключається із загального потокового впливу на решту мережі. Друге обмеження стосується відсутності механізму врахування текстового контексту подій саме у процесі навчання. Жоден із широко відомих методів прогнозування трафіку не інтегрує семантичну інформацію у функцію втрат. Повідомлення про дорожню аварію або масовий захід є прямим сигналом про майбутнє збурення мережі. Існуючі моделі здатні зафіксувати це збурення лише постфактум, коли воно вже відобразилося у рядах спостережень. Метою наукової статті є розроблення методу MMTF, який усуває обидва перераховані обмеження через введення адаптивної топології графа та семантично зваженої функції втрат. Задачу прогнозування транспортних потоків частіше описують таким чином: якщо ми маємо спостереження стану мережі за T попередніх кроків X(t−T+1), ..., X(t) та структуру графа G, необхідно передбачити H майбутніх станів X(t+1), ..., X(t+H). Наявні підходи до вирішення цієї задачі можна розділити на три покоління.