الذكاء الاصطناعي القابل للتفسير مع تحليل استكشافي للبيانات لتنبؤ خسارة المسار V2I

لماذا تهم روابط السيارة-إلى-الطريق الأذكى

تتواصل السيارات الحديثة بشكل متزايد مع الطريق المحيط بها، مرسِلة ومستقبِلة رسائل لاسلكية إلى إشارات المرور ووحدات جانب الطريق وبنية تحتية أخرى. تساعد هذه الروابط في تحذيرات السلامة وإدارة المرور، وفي المستقبل القيادة الذاتية. لكن شوارع المدينة تمثل بيئات لاسلكية معقدة: المباني الشاهقة والأشجار والجسور والشاحنات قد تُضعِف الإشارة أو تحجبها. يوضح هذا البحث كيفية التنبؤ بتلك التوهينات بطريقة ليست دقيقة فحسب، بل مفهومة أيضاً للمهندسين والجهات التنظيمية التي تحتاج إلى الثقة في هذه الأنظمة.

رؤية البيانات قبل الوثوق بالنموذج

ينطلق الباحثون من حملة قياس واسعة في بولونيا بإيطاليا، حيث تجولت سيارات مجهزة هوائيات عبر 24 مشهداً حضرياً مختلفاً—طرق مستقيمة، دوارات، شوارع تصطفها الأشجار، جسور ومناطق كثيفة المرور—أثناء تواصلها مع مرسلات على جانب الطريق. من هذه القياسات يستخلصون «خسارة المسار»، وهي مقياس لمقدار فقدان الإشارة أثناء تنقلها من الطريق إلى السيارة. قبل بناء أي نموذج تنبؤي، يقومون بتحليل استكشافي للبيانات بعناية: رسم التوزيعات، فحص الارتباطات، وتقسيم البيانات إلى سبع دراسات حالة ممثلة مثل خط رؤية واضح، رؤى محجوبة، وغطاء نباتي. تكشف هذه المرحلة عن الضوضاء والشواذ والأنماط الخفية التي يجب معالجتها من أجل تنبؤ يمكن الوثوق به.

تنظيف فوضى اللاسلكي في العالم الحقيقي

البيانات اللاسلكية في العالم الحقيقي مليئة باللا انتظامات الناتجة عن أخطاء القياس، وانعكاسات المباني، وحواجز مفاجئة بسبب مرور مركبات. صمّم الباحثون خط معالجة مسبقّة للبيانات لكبح هذه الفوضى. أولاً يعيدون تحجيم كل ميزات الإدخال—مثل المسافة وموقع السيارة والسرعة—لتصبح قابلة للمقارنة. ثم يزيلون الشواذ باستخدام قاعدة إحصائية متينة تقصّ القيم المتطرفة وغير المتسقة. أخيراً يطبقون مرشح كالمان مُحسَّن، وهو أداة كلاسيكية من نظرية التحكم، لتنعيم الإشارة عبر المسافة مع المحافظة على اتجاهاتها الأساسية. عبر ضبط معلمات المرشح لتعظيم أداء النماذج اللاحقة، يظهرون أن عملية التنظيف هذه يمكن أن تقلّص أخطاء التنبؤ بأكثر من النصف وتكشف عن أنماط مستقرة يمكن للنماذج تعلمها.

فتح الصندوق الأسود للذكاء الاصطناعي

الصيغ التقليدية للتخطيط اللاسلكي، مثل نماذج 3GPP ونماذج ذات الميل المزدوج، بسيطة وشفافة لكنها غالباً ما تفشل في احتواء تعقيد المدن الكثيفة. من ناحية أخرى، تحقق طرق تعلم الآلة الشائعة مثل الغابات العشوائية وXGBoost دقة عالية لكنها تعمل كصناديق سوداء: تعطي توقعات دون الكثير من الوضوح حول الأسباب. يركز هذا البحث على مسار وسط: نماذج «صندوق زجاجي» تبقى بسيطة رياضياً بما يكفي للتفسير لكنها ما تزال تلتقط سلوكاً غير خطي. يختبر المؤلفون ثلاث نماذج من هذا النوع—آلات التعزيز القابلة للتفسير، النماذج الإضافية المعممة، والنماذج العصبية الإضافية المعممة—بجانب خوارزميات الصندوق الأسود القياسية والصيغ الكلاسيكية، باستخدام تقسيمات صارمة للتدريب والاختبار و5 طيات من التحقق المتبادل عبر كل السيناريوهات.

ما الذي يسبب فقدان الإشارة على الطرق الحقيقية

بدمج بياناتهم المنقّاة مع نماذج قابلة للتفسير، يمكن للمؤلفين تحديد ما هو الأكثر تأثيراً على خسارة المسار في المدن. لا يفاجئ أن المسافة بين السيارة ووحدة جانب الطريق هي العامل الأكثر سيطرة، لكن إحداثيات GPS الدقيقة للسيارة والزمن يلعبان دوراً أيضاً، ما يعكس كيف يشكل تخطيط الشوارع وأنماط المرور القناة اللاسلكية. في المشاهد المعقدة—مثل مقاطع بلا خط رؤية خلف المباني، تحت الجسور، عبر مظلات الأشجار، أو وسط شاحنات ثقيلة—تطابق نماذج الصندوق الزجاجي أو تتأخر قليلاً عن أفضل نماذج الصندوق الأسود في الدقة، ومع ذلك تظهر بوضوح كيف يدفع كل عامل التنبؤ أعلى أو أقل. كما يقيم البحث زمن الحوسبة واستهلاك الطاقة، مستنتجاً أن هذه النماذج القابلة للتفسير سريعة وخفيفة بما يكفي للنشر في الوقت الحقيقي في وحدات جانب الطريق والأجهزة على متن المركبات.

بناء شبكات مركبات أكثر أماناً وشفافية

بالنسبة للقارئ العادي، الرسالة الأساسية هي أننا نستطيع الآن التنبؤ بمدى قدرة السيارة على «سماع» الطريق في المدن المزدحمة بدقة ووضوح معاً. بدلاً من الاعتماد على ذكاء اصطناعي غامض لا يفهمه أحد بالكامل، يستخدم هذا الإطار استكشاف البيانات، وترشيح الضوضاء، ونماذج قابلة للتفسير لتقديم دقة قريبة من حالة الفن مع إظهار العوامل المؤثرة بوضوح. تلك الشفافية حاسمة لأنظمة المركبة-إلى-كل شيء الحساسة للسلامة، حيث قد يحتاج المهندسون والجهات التنظيمية وحتى المحاكم إلى تدقيق القرارات. يشير العمل إلى مسار نحو شبكات سيارات-إلى-الطريق في أجيال 5G/6G المستقبلية تكون ليست سريعة وموثوقة فحسب، بل قابلة للمساءلة وأسهل في التصميم والاختبار والاعتماد.

الاستشهاد: Ameur, M.B., Chebil, J., Habaebi, M.H. et al. Explainable AI with EDA for V2I path loss prediction. Sci Rep 16, 4954 (2026). https://doi.org/10.1038/s41598-026-34987-8

الكلمات المفتاحية: مركبة-إلى-البنية التحتية, تنبؤ خسارة المسار, الذكاء الاصطناعي القابل للتفسير, قنوات لاسلكية, 5G V2X