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.

147 запропоновано два оригінальних алгоритмічних рішення з підтвердженою ефективністю. Абляційний аналіз кількісно підтвердив внесок кожного компонента. Адаптивна топологія знижує MAE на 7.4%, семантично зважена функція втрат на 5.9%, семантичний енкодер на 11.2%. Сумісне вилучення адаптивної топології та семантичного енкодера дає деградацію на 24.2%, що перевищує суму окремих внесків. Це свідчить про синергетичний ефект між компонентами моделі. Порівняльне тестування підтвердило перевагу MMTF на всіх горизонтах прогнозування у штатних та нестандартних умовах. Результат моделі з лише часовим енкодером, MAE = 3.21 км/год, наочно показує, що саме мультимодальність є головним джерелом точності методу, а не окремий його компонент. Подальші дослідження доцільно спрямувати на дообчування mBERT на україномовному транспортному корпусі, динамічний підбір коефіцієнта α та перевірку методу на даних інших міст. СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ: 1. INRIX Global Traffic Scorecard 2023. URL: https://inrix.com/scorecard (дата звернення: 10.05.2026). 2. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9, No 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735. 3. Yu B., Yin H., Zhu Z. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting. Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI). 2018. P. 3634– 3640. DOI: 10.24963/ijcai.2018/505. 4. Kipf T. N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks. Proceedings of the 5th International Conference on Learning Representations (ICLR). 2017. URL: https://arxiv.org/abs/1609.02907