PGSFormer: توقع تدفق المرور بناءً على التحسين المشترك لشبكات التجمّع البيانية التقدمية مع محول التقسّم الفرعي

لماذا تهم التنبؤات المرورية الأذكى

تواجه المدن في كل مكان اختناقات مرورية تضيع الوقت والوقود والمال. ومع تغطية المزيد من الطرق بأجهزة الاستشعار، نجمع اليوم كميات هائلة من البيانات اللحظية حول حركة السيارات. التحدي هو تحويل تلك البيانات إلى تنبؤات موثوقة قصيرة وطويلة الأجل بحيث يمكن ضبط إشارات المرور، واقتراح مسارات، وتقليل الازدحام قبل تشكّله. تقدّم هذه الورقة PGSFormer، طريقة تنبؤ جديدة تهدف إلى توقع حركة المرور بدقة أعلى من خلال تعلّم كيفية تفاعل البُعدين المكاني (مكان الطرق) والزماني (كيفية تغير الأنماط) في العالم الحقيقي.

من المتوسطات البسيطة إلى الأنماط المعقّدة

اعتمدت أدوات التنبؤ المروري المبكرة أساسًا على إحصاءات بسيطة، مثل المتوسط التاريخي أو نماذج تفترض أن الأنماط منتظمة ومتكررة. تعمل هذه الأساليب فقط عندما تتصرف البيانات بثبات وبشكلٍ قريب من الخطية — وهو ما نادرًا ما ينطبق على حركة المرور الحقيقية. قد يظهر الازدحام فجأة، ينتشر بشكلٍ غير متوقع عبر المدينة، ويتأثر بعوامل كثيرة مثل وقت اليوم، يوم الأسبوع، أو حوادث مجاورة. فيما بعد، بدأت طرق التعلم العميق في استخدام شبكات الطرق كرسوم بيانية، حيث يمثل كل مستشعر عقدة وكل وصلة طريق حافة. حسّنت هذه النماذج المعتمدة على الرسوم البيانية الدقة عن طريق إدراك أن ما يحدث في طريق واحد يؤثر بقوة على جيرانه. ومع ذلك، فإن معظمها ما زال يتعامل مع وصلات الطرق كثابتة، متجاهلاً أن العلاقات بين الطرق يمكن أن تتغير بمرور الزمن.

التقاط شبكة طرق حية ومتغيرة

تستند فكرة PGSFormer إلى أن شبكة المرور في المدينة ليست ثابتة؛ بل تتصرف أشبه بنظام حي تتبدّل وصلاته الداخلية من لحظة لأخرى. بدلًا من الاعتماد فقط على التخطيط الفيزيائي للطرق، يبني الأسلوب ما يسميه المؤلفون الرسم البياني التقدمي. في هذا الرسم، تعتمد قوة الاتصال بين أي مستشعرين على مدى تشابه اتجاهات الحركة المرورية الأخيرة لديهما، وليس فقط على قربهما على الخريطة. على سبيل المثال، قد يتشابه حي مدرسة ومنطقة مكاتب مجاورة في سلوكياتهما خلال ذروة الصباح لكن يختلفان كثيرًا في فترة ما بعد الظهر. يقوم PGSFormer بتحديث هذه الوصلات باستمرار أثناء التدريب والاختبار، بحيث يمكن للنموذج الاستجابة للبيانات الجديدة بدلاً من أن يظل مقيدًا بأنماط تعلمها منذ زمن طويل.

النظر بعمق عبر الزمن دون الضياع

عقبة أخرى في التنبؤ المروري هي التعامل مع سلاسل زمنية طويلة. غالبًا ما تظهر بيانات المرور دورات متداخلة — ذروات يومية، أنماط عمل أسبوعية، وحتى تغيّرات موسمية. قد تركز الطرق التقليدية بشكل مفرط على الماضي القريب وتفشل في التقاط الاتجاهات الأبطأ، مما يضر بالتنبؤات بعيدة المدى. يتعامل PGSFormer مع هذا بدمج فكرتين. أولاً، يستخدم نوعًا خاصًا من الالتفاف الزمني يمكنه الرجوع بعيدًا في الزمن دون الحاجة إلى شبكة عميقة للغاية، مما يساعد على التقاط التقلبات السريعة والاتجاهات الأوسع معًا. ثانيًا، يقسم السجلات الطويلة إلى تسلسلات فرعية أقصر ويغذيها في محول — بنية قوية صُممت أصلاً للغة — مع إخفاء جزء من هذه التسلسلات الفرعية ومطالبة النموذج بإعادة بنائها. تعلّم مهمة "التسلسل الفرعي المقنّع" هذا النظام فهم السياق الأوسع بدلاً من حفظ نقاط بيانات فردية.

الاختبار مقابل بيانات مرورية حقيقية

للتأكد من فعالية PGSFormer عمليًا، اختبره المؤلفون على أربع مجموعات بيانات كبيرة من العالم الحقيقي من كاليفورنيا، تغطي مئات مستشعرات الطرق في لوس أنجلوس ومنطقة خليج سان فرانسيسكو، بالإضافة إلى شبكتي طرق سريعتين أخريين. قارنوا طريقتهم بمجموعة واسعة من المنافسين، من نماذج كلاسيكية مثل ARIMA إلى أنظمة التعلم العميق الحديثة التي تستخدم الشبكات البيانية، والشبكات المتكررة، وتصاميم قائمة على المحول. عبر جميع المجموعات الزمنية ولآفاق التنبؤ المختلفة — 15 و30 و60 دقيقة قُدمًا — قدم PGSFormer أخطاء أقل بشكل متكرر. كان أداءه متميزًا بشكل خاص على الآفاق الأطول، حيث تميل العديد من النماذج إلى الانحراف عن الواقع. أظهرت تجارب إضافية أُزيلت فيها أجزاء فردية من النظام أن كلًا من الرسم البياني التقدمي ومحوّل التسلسل الفرعي المقنّع أساسيان لنجاحه.

ماذا يعني هذا للسفر اليومي

لغير المتخصصين، الخلاصة هي أن PGSFormer يمثل طريقة أكثر واقعية لفهم حركة مرور المدن. بدلاً من افتراض أن الطرق تؤثر دائمًا فقط على جيرانها المباشرين، أو أن الأنماط لا تتغير أبدًا، يتعلم باستمرار المناطق التي تتصرف بشكل متشابه الآن ويستخدم تلك المعرفة للنظر أبعد في المستقبل. في اختبارات ببيانات الطرق السريعة الحقيقية، قدم هذا النهج تنبؤات أكثر دقة واستقرارًا من العديد من الطرق الموجودة. إذا تم دمجه في مراكز التحكم المروري، أو تطبيقات الملاحة، أو أدوات تخطيط النقل العام، فقد تساعد مثل هذه النماذج في تقليل الازدحام، وتقليل أوقات التنقل، وتحسين استخدام البنية التحتية للطرق القائمة دون الحاجة إلى بناء أي ميل جديد من الإسفلت.

الاستشهاد: Chen, L. PGSFormer: traffic flow prediction based on joint optimization of progressive graph convolutional networks with subseries transformer. Sci Rep 16, 7200 (2026). https://doi.org/10.1038/s41598-026-35643-x

الكلمات المفتاحية: توقع تدفق المرور, الشبكات العصبية البيانية, نماذج المحول, النقل الذكي, البيانات المكانية والزمانية