مجموعات بيانات حركة مرورية عالية الدقة على مستوى المدينة مع شبكات مكررة للتحكم الهرمي في المرور

لماذا تحتاج حركة المرور في المدن إلى بيانات أفضل

كل من جلس أمام سلسلة من الإشارات الحمراء أو تزحلق ببطء في شارع داخلي مزدحم يشعر بفوضى حركة المرور في المدينة. ومع ذلك، تعتمد معظم الأنظمة التي تتحكم في تلك الإشارات وتدير التدفقات على بيانات ناقصة وقليلة التفصيل. تقدم هذه الورقة عائلة جديدة من مجموعات بيانات المرور على مستوى المدينة مصممة لمنح الباحثين والمخططين صورة أوضح بكثير عن كيفية تحرك المركبات فعليًا عبر شبكات الطرق الحقيقية، مما يفتح الباب أمام تحكم أذكى وأكثر تنسيقًا في الازدحام.

من شوارع قليلة إلى مدن كاملة

يجمع المؤلفون ويقيّسون بيانات تفصيلية لحركة المرور من خمس مناطق حضرية مختلفة تمامًا: جينان، هانغتشو، مانهاتن، نانتشانغ، وشوانتشنغ. تمتد هذه المدن من ممرات شريانية قصيرة تحتوي على عدة تقاطعات فقط إلى شبكات واسعة بها آلاف التقاطعات. ركزت مجموعات البيانات المفتوحة السابقة عادة على شبكات صغيرة ومنتظمة ولقطات زمنية قصيرة مدتها ساعة واحدة. بالمقابل، تلتقط هذه المجموعة تنوعًا واسعًا في تخطيطات الطرق، وأشكال التقاطعات، وأنماط الطلب. من المساهمات البارزة مجموعة بيانات شوانتشنغ، التي تمثل تقريبًا مدينة كاملة بمئات التقاطعات النموذجية المفصّلة، بما في ذلك ترتيب الحارات الفردية وبنية التقاطعات المعقدة.

رؤية كل سيارة، وليس مجرد عينة

تأتي معظم بيانات المرور الحالية من كاميرات أو حساسات متناثرة، التي تلمح أجزاء من الشبكة ولأوقات قصيرة فقط. تتبع بيانات شوانتشنغ نهجًا مختلفًا. فهناك نظام تعرّف تلقائي على المركبات (AVI) مثبت على مقاطع طريق رئيسية، يسجل وقت دخول وخروج كل مركبة. من خلال مطابقة معرفات مجهولة بين سجلات الدخول والخروج، يعيد المؤلفون بناء المسارات الكاملة لمئات الآلاف من الرحلات يوميًا على مدار شهر كامل. هذا يمكّنهم من رؤية كيفية اختيار السائقين للمسارات فعليًا، وكيف تتغير التدفقات بين أيام الأسبوع وعطلات نهاية الأسبوع، وكيف تعيد الأعياد تشكيل الطلب. كما تُصنَّف المركبات إلى فئات عامة، مثل ركاب وشحن، حتى تعكس المحاكاة كيف تؤثر أنواع المركبات المختلفة على الحركة.

تحويل سجلات فوضوية إلى خريطة موحدة

نظرًا لأن البيانات الخام للمدن الخمس كانت مخزنة بصيغ ومستويات تفصيل مختلفة، طوّر الفريق سير عمل موحّد للمعالجة. أولًا، يعيدون بناء كل شبكة طرق كخريطة رقمية متسقة، معرّفين التقاطعات وربط الطرق حتى عندما تستخدم المصادر الأصلية تعريفات هندسية مختلفة. يقدّرون حجم وموقع التقاطعات بتغليف الأشكال الخام في مستطيلات بسيطة وموازنة طرق الاقتراب باتجاهات المحاور عن طريق طريقة تحسين. بعد ذلك، يوحّدون إشارات المرور بتعريف مجموعة صغيرة من أنماط الحركة الشائعة—مثل اللفات اليسرى أو الحركة المستقيمة على كل ممر—ومطابقة كل تقاطع حقيقي تلقائيًا مع هذه الأنماط. أخيرًا، يبنون تدفقات المركبات وينظّفون البيانات: تُحذف المسارات غير المعقولة، وتُستدل القطاعات المفقودة من الشبكة، وتُجمَع الرحلات المستمرة من قراءات حساسات قصيرة متعددة.

من مركبات منفردة إلى شبكات كاملة

بمجرد أن تُجمع الرحلات وتُنشأ الشبكات، يولّد المؤلفون بيانات "حالة" المرور على ثلاثة مستويات. على المستوى الأكثر تفصيلًا، يتابعون المركبات الفردية، بما في ذلك مواقعها وسرعاتها، والتي يمكن استخدامها لاختبار أفكار مثل التوجيه الأكثر سلاسة أو قوافل المركبات. على المستوى الوسيط، يلخّصون الظروف على كل حارة وكل تقاطع، مثل الصفوف والكثافات—معلومات حاسمة لضبط إشارات المرور. على أوسع مستوى، يجمعون الحالات عبر مناطق كاملة من المدينة، داعمين استراتيجيات تنظم عدد المركبات المسموح بدخولها إلى منطقة مزدحمة. تُغَلف كل هذه البيانات في صيغة محاكاة مشتركة (CityFlow)، حتى يمكن اختبار طرق تحكم مختلفة بشكل عادل وفعّال.

التحقق من أن المدينة الرقمية تطابق الواقع

للتأكد من أن العالم المعاد بناؤه يشبه الواقع، يتحقق الباحثون من كل من الخرائط والرحلات. يقارنون شبكة الطرق المحوّلة بالبيانات الجغرافية الأصلية ويجدون أن معظم الوصلات والمواقع محفوظة ضمن بضعة أمتار فقط. بالنسبة للرحلات، يحاكون المركبات على طريق محدد ويقارنون أوقات السفر مع قياسات حقيقية؛ المتوسطات قريبة جدًا، مع اختلافات صغيرة تفسّر بعوامل مثل تجاوز السائقين أحيانًا لحدود السرعة في العالم الحقيقي. كما يظهرون أن بيانات الحالة المشتقة يمكن أن تدعم استراتيجيات متقدمة: استخدام معلومات على مستوى الحارة لتطبيق تحكم بالإشارات قائم على الضغط، ثم إضافة تحكم "طوقي" على مستوى المدينة لمنع تحميل منطقة مركزية بشكل مفرط، وأخيرًا توضيح أن إعادة توجيه مركبة واحدة بناءً على هذه المعلومات يمكن أن تقلل وقت سفرها في حركة كثيفة.

ماذا يعني هذا للسائقين اليوميّين

لغير المتخصصين، تكمن أهمية هذا العمل أقل في الخوارزميات وأكثر في الأساس الذي يوفره. من خلال إصدار مجموعات بيانات مفصّلة، مُحقّقة جيدًا، وموثّقة بشكل مفتوح، يوفر المؤلفون لمهندسي المرور وباحثي الذكاء الاصطناعي ساحة واقعية لتصميم واختبار مخططات تحكم جديدة قبل تطبيقها على الشوارع الحقيقية. مع تمثيلات دقيقة لكيفية ترتيب الطرق، وكيف تعمل الإشارات، وكيف يرتفع ويهب الطلب عبر الأيام والأسابيع، يمكن ضبط الأدوات المستقبلية لتقليل التأخيرات، وتوفير الوقود، وجعل التنقل في المدينة أكثر قابلية للتنبؤ. باختصار، تشكل هذه المجموعات خطوة أساسية نحو أنظمة مرور تستجيب لتعاملات العالم الحقيقي بدلًا من النماذج المثالية.

الاستشهاد: Ma, Q., Guo, X., Zhong, W. et al. City-scale high-resolution traffic datasets with refined networks for hierarchical traffic control. Sci Data 13, 547 (2026). https://doi.org/10.1038/s41597-026-06892-2

الكلمات المفتاحية: بيانات حركة المرور الحضرية, التحكم الهرمي في المرور, محاكاة المرور, التعرّف التلقائي على المركبات, الحركة على مستوى المدينة