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.

146 ∈ [0, 1] – семантичний ваговий коефіцієнт, що відображає ймовірність нестандартної події у вузлі i у момент t. Функція втрат такого виду примушує модель приділяти більше уваги точності прогнозів саме у критичних ситуаціях для формування кращих внутрішніх представлень для нестандартних подій. Для навчання та оцінювання моделі використано реальні дані транспортної мережі Харкова за період з 27.12.2025 по 10.03.2026. Датасет охоплює три джерела: числові показники 312 дорожніх датчиків з кроком 5 хвилин, що становить 26 208 часових кроків; дані GTFS Харківського метрополітену та 34 автобусних маршрутів; 47 214 текстових повідомлень з 12 тематичних Telegram- каналів та 4 новинних ресурсів. Навчальна вибірка охоплює перші 7 тижнів спостережень і становить 70% даних, валідаційна та тестова вибірки по 3 тижні, тобто по 15% кожна. Окремої уваги заслуговує характер зростання похибки зі збільшенням горизонту прогнозування. Для статистичних методів, зокрема ARIMA, MAE зростає майже на 56% при переході від H = 3 до H = 12. У MMTF відносне зростання похибки є більшим, проте в абсолютних значеннях модель показує найменшу похибку на всіх горизонтах. Це пояснюється тим, що семантичний енкодер забезпечує модель додатковою інформацією про контекст подій. Запропонований метод має певні обмеження. Якість прогнозування залежить від достовірності текстових джерел, які можуть містити шум або публікуватись із затримкою. Модель потребує значних обчислювальних ресурсів через використання mBERT. Крім того, прив'язка текстових подій до вузлів графа може містити похибки через неоднозначність геолокації. У висновку розроблено метод MMTF, що дозволяє частково подолати два системних обмеження існуючих підходів: статичну топологію графа та відсутність семантичної інформації у процесі навчання. Для цього