تعلم تفاعل المعاملات فوق النموذجية الواعي بعدم التجانس الزماني المكاني لتنبؤ تدفق المرور

لماذا تهم التنبؤات المرورية الأذكى

أي شخص تعرّض لهبّة مفاجئة من الازدحام المروري يعرف أن الطرق لا تتصرف بطريقة بسيطة أو متوقعة. يمكن أن يتغير الازدحام من كتلة إلى أخرى ومن دقيقة إلى أخرى، وحتى الطريق نفسه قد يظهر بصورة مختلفة تمامًا في صباح يوم عمل مقارنة بليلة عطلة. تقدم هذه الدراسة إطارًا جديدًا للذكاء الاصطناعي، يُسمى SHAMPIL، مصممًا لفهم هذه الأنماط المتغيرة بدقة أكبر، مما يساعد تطبيقات المرور المستقبلية ومخططي المدن وحتى المركبات ذاتية القيادة على اتخاذ قرارات أفضل في الوقت الفعلي.

طرق مختلفة، إيقاعات مختلفة

تفترض النماذج المرورية التقليدية كثيرًا أن جميع أجزاء شبكة الطرق تتبع أنماطًا مماثلة عبر الزمن. في الواقع، كل حساس أو مقطع طريق له إيقاعه الخاص. قد يشهد مخرج طريق سريع ارتفاعات حادة في ساعات الذروة، بينما يتدفق مقطع ضاحي قريب بسلاسة مع قمم لطيفة في أوقات مختلفة. يسمي المؤلفون هذا الاختلاف عبر المكان والزمان «التغايرية الزمكانية». باستخدام بيانات فعلية من نظام حسّاسات الطرق السريعة في كاليفورنيا، يبيّنون كيف يمكن لحساسين قريبين أن يسجلا منحنيات مرور مختلفة للغاية، ذات متوسطات حجم مختلفة وتقلبات وساعات ذروة مميزة. تجاهل هذه الاختلافات يؤدي إلى توقعات خشنَة لا تلتقط الارتفاعات أو الانخفاضات المحلية التي يواجهها السائقون فعليًا.

تعليم النموذج تمييز السياق

يتعامل SHAMPIL مع هذه المشكلة أولًا بتعليم النموذج تمييز السياق دون الاعتماد على معلومات خارجية مثل الخرائط أو تصنيفات استخدام الأراضي. يتعلم «بصمة زمنية» تُشفّر متى خلال اليوم وأي يوم من أيام الأسبوع تُجرى التنبؤات، وتلتقط الدورات المنتظمة مثل ذروة الصباح والمساء أو تباطؤ عطلات نهاية الأسبوع. وفي الوقت نفسه، يتعلم «بصمة مكانية» لكل حساس في الشبكة، تعكس كيف يتصرف ذلك الموقع عادةً مقارنةً بالآخرين. تتيح هذه البصمات المتعلمة للنظام أن يجمع الزمن والأماكن المتشابهة بصمت ويفرق، على سبيل المثال، بين مفترق مزدحم في وسط المدينة وطريق حلقي هادئ خارجي، حتى لو كانا على مسافة قصيرة من بعضهما البعض.

تكييف قواعده الداخلية أثناء العمل

تستخدم معظم أنظمة التنبؤ مجموعة واحدة ثابتة من المعاملات الداخلية لجميع المواقع والأوقات. بدلاً من ذلك، يحافظ SHAMPIL على مجموعة مدمجة من أنماط المعاملات القابلة لإعادة الاستخدام ويستخدم البصمات الزمنية والمكانية المتعلمة لمزجها بطرق مختلفة لكل حالة. في الواقع، النموذج لا يتعلّم أنماط المرور فقط؛ بل يتعلّم أيضًا كيف يعيد تكوين نفسه لصباحات الاثنين مقابل ليالي الأحد، أو للمراكز المزدحمة مقابل المقاطع المستقرة. تمنح آلية المعاملات الفوق-نموذجية هذه SHAMPIL مرونة تشبه وجود العديد من النماذج المتخصصة مع إبقاء تكاليف الذاكرة والحساب قابلة للإدارة لشبكات طرق واسعة النطاق.

متابعة المرور كشبكة حية

لا يتحرك المرور منعزلًا: يمكن للاحتقان في طريق سريع أن يمتد عبر المخارج والشوارع القريبة. لعكس ذلك، يتضمن SHAMPIL وحدة تفاعلية تُعامل نظام الطرق كشبكة حية يمكن أن تتغير روابطها بمرور الوقت. يتناوب بين النظر على طول البعد الزمني، باستخدام طيفيات للالتقاط الاتجاهات القصيرة والطويلة الأجل، والنظر عبر المكان، باستخدام رسم بياني ديناميكي يربط الحساسات التي تبدو سلوكياتها مرتبطة في تلك اللحظة. تساعد «مكتبة أنماط المرور» المتعلمة هذا الرسم البياني على التركيز على العلاقات المستمرة، بينما يلتقط مكوّن آخر أوجه الشبه الفورية والقصيرة الأجل. من خلال السماح مرارًا لوجهات النظر الزمنية والمكانية بإثراء بعضها البعض، يبني SHAMPIL صورة أغنى عن كيفية نمو الازدحام وانتقاله وتلاشيه عبر الشبكة.

ما أظهرته الاختبارات على الطرق السريعة الحقيقية

قيّم الباحثون SHAMPIL على أربعة مجموعات بيانات معيارية من الطرق السريعة في كاليفورنيا، تحتوي كل منها على أشهر من القياسات من مئات الحساسات مأخوذة كل خمس دقائق. قارنوا طريقتهم بما يقرب من 30 تقنية معروفة، من الأدوات الإحصائية الكلاسيكية إلى أحدث نماذج التعلم العميق القائمة على الرسوم البيانية. عبر جميع مجموعات البيانات وجميع آفاق التنبؤ حتى ساعة مقدمة، حقق SHAMPIL أدنى أخطاء باستمرار. كان قويًا بشكل خاص في الشبكات الأكثر تعقيدًا، حيث تختلف ظروف المرور اختلافًا حادًا عبر المكان والزمان. تُظهر المقارنات البصرية أن منحنياته المتوقعة تتبع المرور الحقيقي عن كثب، حتى أثناء قمم الذروة المتقلبة، وتكشف التحليلات الإحصائية ليس فقط دقة أعلى بل أداءً أكثر استقرارًا مع عدد أقل من الأخطاء المتطرفة.

ماذا يعني هذا للسفر اليومي

بعبارة بسيطة، يُظهر SHAMPIL أن التنبؤات المرورية يمكن تحسينها بالاعتراف بأن كل مكان وكل لحظة مختلفة — وبجعل نظام التنبؤ يعيد تنظيم نفسه حول تلك الاختلافات. من خلال الجمع بين ضبط داخلي واعٍ بالسياق ورؤية ديناميكية لكيفية تأثير الطرق على بعضها، يقدم الأسلوب تنبؤات أكثر دقة ومتانة على بيانات الطرق السريعة الحقيقية. ومع صقل هذه التقنيات ونشرها، يمكنها تشغيل أدوات ملاحة تتوقع البطء المفاجئ بشكل أفضل، ودعم تحكمات إشارات مرورية أذكى، ومساعدة مخططي المدن على تصميم شبكات طرق تستجيب بشكل أكثر مرونة للحياة اليومية والأحداث غير المتوقعة.

الاستشهاد: Liu, C., Xue, X., Wang, S. et al. Spatiotemporal heterogeneity-aware meta-parameter interaction learning for traffic flow forecasting. Sci Rep 16, 6997 (2026). https://doi.org/10.1038/s41598-026-36350-3

الكلمات المفتاحية: تنبؤ المرور, شبكات عصبية بيانية, أنماط زمانية مكانية, نقل ذكي, التعلّم العميق