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.

144 Статистичні методи, зокрема ARIMA та VAR, непогано справляються з регулярними часовими патернами, але не враховують просторові залежності та нелінійні ефекти [3]. Класичні методи машинного навчання, зокрема Random Forest та SVR, вирішують проблему нелінійності, але не беруть до уваги графову структуру мережі. Методи глибокого навчання дозволили суттєво підвищити точність прогнозування. LSTM-мережі [4] добре моделюють часові залежності. DCRNN [7] використовує дифузійні згортки на графі для врахування просторових зв'язків. STGCN [2] поєднав графові та часові згортки в одній архітектурі і досі вважається одним з кращих рішень у цій галузі. Пізніші розробки, Graph WaveNet, MTGNN та GMAN, використовують адаптивні графи та механізми уваги, що дає змогу точніше моделювати просторово-часові залежності. Проте жодна з цих архітектур не враховує текстовий контекст подій. На відміну від статичної матриці суміжності W, у запропонованому методі матриця перераховується на кожному кроці спостереження. Вагу ребра між вузлами v i та v j у момент часу t визначено за формулою: (1) де – статична географічна складова (відстань між вузлами); – динамічна складова, що залежить від поточного рівня завантаженості вузла v i ;