خوارزمية جدولة متعددة الوكلاء تُدمج النمذجة البُنيوية للرسم البياني للحالة ورسم مهام لتوجيه مشاركة الرحلات

لماذا تُعد مشاركة الرحلات الأكثر ذكاءً مهمة لحياة المدينة

كل من انتظر طويلاً سيارة طلب رحلة أو شاهد مركبات فارغة تمرّ بجوار مفترقات مزدحمة يعرف مدى صعوبة تنسيق النقل الحضري في الوقت الحقيقي. تقدم هذه الدراسة نظام توجيه قائمًا على الذكاء الاصطناعي مصممًا لمطابقة الركاب ومركبات مشاركة الرحلات بسرعة وكفاءة أكبر، مما يقلل الأميال المهدورة ويقصر أوقات الانتظار في حركة مرور حضرية كثيفة وسريعة التغيير.

من المطابقات البسيطة إلى ازدحام المدينة المعقّد

بدأت خدمات طلب الرحلات بفكرة بسيطة: سائق واحد، راكب واحد، رحلة واحدة. تبدو شوارع المدن اليوم مختلفة تمامًا. تتعامل المنصات مع آلاف المركبات والركاب في الوقت نفسه، وغالبًا ما تجمع عدة ركاب في نفس السيارة وتوجّه أساطيل عبر أحياء كاملة. الطلب غير متكافئ — قد تتكدّس الطلبات في وسط المدينة بينما يكون حي آخر هادئًا — وكل شيء يتغيّر دقيقةً بعد دقيقة. تكافح قواعد التوجيه التقليدية أو استراتيجيات «أقرب سيارة» البسيطة في هذا السياق، ما يؤدي إلى انتظار طويل، واستغلال ضعيف للمركبات، وتحويلات غير ضرورية. الشكل

خريطتان مرتبطتان بدلًا من ضبابية واحدة كبيرة

يقترح المؤلفون إطار عمل جديدًا يُدعى DualG-MARL يعامل مشكلة التوجيه كخريطتين متداخلتين. تصف خريطة واحدة المركبات: موقعها، عدد المقاعد المتاحة، وما إذا كانت حرة أم تحمل ركابًا بالفعل. وتصف الخريطة الأخرى طلبات الرحلات: من يريد السفر، من أين، إلى أين، وفي أي وقت. تُنمذج كل خريطة على شكل رسم بياني حيث تمثل النقاط السيارات أو الطلبات وتربط الخطوط بينها العناصر القريبة مكانيًا وزمانيًا. من خلال الاحتفاظ بمعلومات المركبات والركاب في رسومات منفصلة لكنها مرتبطة، يحتفظ النظام ببنية كل جانب بدلًا من خلط كل شيء في صورة واحدة مربكة.

كيف يتعلّم الذكاء الاصطناعي مطابقة الركاب والسيارات

على قمة هذين الرسوم البيانية المزدوجين، يستخدم النظام فئة من أساليب التعلم الآلي المعروفة بالتعلّم التعزيزي متعدد الوكلاء. تُعامل كل مركبة كصانع قرار مستقل أو «وكيل» يختار من بين الطلبات القريبة. يتشارك الوكلاء هدفًا مشتركًا: تقليل أوقات الانتظار، تجنّب التحويلات المفرطة، والحفاظ على تشغيل المركبات بشكل منتج. يفحص النموذج كلا الرسمين البيانيين لاستخراج أنماط، ثم يستخدم آلية انتباه — أداة ذكاء اصطناعي تُبرز الاتصالات الأكثر صلة — لربط السيارات المناسبة بالركاب عبر الخريطتين. للحفاظ على القرارات سريعة ومستقرة، لا ينظر إلى كل زوج محتمل. بدلاً من ذلك، يبني قائمة قصيرة بأفضل المرشحين لكل مركبة (مجموعة Top-K)، مصفّاة بقواعد صارمة مثل سعة المقاعد، زمن الانتظار المقبول للاستلام، وطول التحويل المقبول. يقوم متعلم مركزي بتقييم أداء الأسطول ككل، بينما تتبع السيارات الفردية قواعد محلية بسيطة أثناء التشغيل في الوقت الحقيقي. يوضّح الشكل

اختبار النظام على رحلات حقيقية في مدينة نيويورك

اختبر الباحثون DualG-MARL على بيانات رحلات واسعة النطاق من لجنة سيارات الأجرة والليموزين في نيويورك، مع التركيز على مانهاتن وكوينز. قارنوا طريقتهم مع مجموعة من الأساليب القائمة، بما في ذلك قواعد مصممة يدويًا، تحسينات رياضية، وأنظمة توجيه متقدمة قائمة على التعلم مثل CoopRide. على مستوى المنطقتين، حقق النظام الجديد معايير جديدة في أربعة مقاييس رئيسية: خفض متوسط زمن انتظار الركاب لالتقاطهم، زيادة نسبة الطلبات التي تم تلبيتها بنجاح، رفع حصة الوقت التي تقضيها المركبات وهي تقل ركابًا، وتقليل المسافة الإضافية الناتجة عن مشاركة الرحلات بشكل طفيف. والأهم من ذلك، جاءت هذه التحسينات دون تفجير تكاليف الحوسبة: من خلال تقييد الانتباه إلى مجموعة مُنقّحة من المطابقات الواعدة، ظلّت الطريقة سريعة بما فيه الكفاية للاستخدام في الوقت الحقيقي.

ما الذي يعنيه هذا للركاب والمدن في الحياة اليومية

بعبارات بسيطة، تُظهر الدراسة أن تمثيل نظام طلب الرحلات في المدينة على شكل شبكتين منظمتين — واحدة للمركبات وواحدة للركاب — وتركهما يتفاعلان عبر عملية تعلّم مصممة بعناية يمكن أن يجعل التجميع (pooling) أكثر ذكاءً واستجابة. بالنسبة للركاب، يعني ذلك أوقات انتظار أقصر والتقاطات أكثر موثوقية؛ بالنسبة للسائقين والمنصات، يعني ذلك استخدامًا أفضل للمركبات وتقليل القيادة الفارغة؛ وبالنسبة للمدن، يلمّح ذلك إلى مستقبل يمكن خلاله للطرق القائمة أن تنقل أشخاصًا أكثر بعدد مركبات أقل وبتكدس مروري أقل. يقترح المؤلفون أن أفكارًا مماثلة قائمة على الرسوم البيانية ومتعددة الوكلاء قد تمتد في النهاية إلى خدمات أخرى، من أساطيل سيارات أجرة ذاتية القيادة إلى الاستجابة لحالات الطوارئ، موفرةً طريقة أكثر انتظامًا لإدارة التدفقات المعقّدة والمتغيرة للحياة الحضرية الحديثة.

الاستشهاد: Sha, J., Song, M., Sui, G. et al. A multi-agent reinforcement learning scheduling algorithm integrating state graph and task graph structural modeling for ride-sharing dispatching. Sci Rep 16, 5461 (2026). https://doi.org/10.1038/s41598-026-35004-8

الكلمات المفتاحية: توجيه مشاركة الرحلات, التعلّم التعزيزي متعدد الوكلاء, شبكات العصبونات الرسومية, التنقّل الحضري, المطابقة الديناميكية