تحسين سلامة الطرق في المدن الذكية باستخدام تقنيات تعلّم الآلة

لماذا تهم الشوارع الأكثر أمانًا الجميع

في كل مرة ننزل عن رصيف أو نركب دراجة أو نقود عبر تقاطع، ندخل منظومة يمكن أن تكون فيها أخطاء صغيرة لها عواقب تغيّر حياة الناس. يطرح هذا البحث سؤالًا بسيطًا لكنه جوهري: هل يمكننا استخدام أدوات البيانات الحديثة للتنبؤ بأي مواقف على الطريق من المرجح أن تؤدي إلى أذى شديد، ثم إصلاحها قبل وقوع الحوادث؟ بمقارنة سجلات حقيقية للحوادث من تورونتو في كندا وراولبندي في باكستان، يوضح المؤلفون كيف يمكن لأفكار المدن الذكية وتعلّم الآلة تحويل الأرقام الخام إلى تغييرات عملية تنقذ الأرواح.

فحص الحوادث الحقيقية عن كثب

جمع الباحثون مجموعتين كبيرتين من سجلات الشرطة والطوارئ. الأولى، من تورونتو، تتبّع آلاف الاصطدامات التي أسفرت عن وفيات أو إصابات خطيرة على مدى أكثر من عقد. أما الثانية، من راولبندي، فتغطي عشرات الآلاف من الحوادث المبلغ عنها إلى خدمة الإنقاذ في المدينة خلال فترة كوفيد‑19. تتضمن كل سجل تفاصيل مثل وقت اليوم، يوم الأسبوع، نوع الطريق، الإضاءة والطقس، أعمار الأشخاص وأدوارهم (سائق، راكب دراجة، مشاة)، وما كان يحدث قبل الاصطدام مثل السرعة أو القيادة العدوانية. قبل أي نمذجة، قام الفريق بتنظيف البيانات، ومعالجة القيم المفقودة، وتحويل العديد من الحقول النصية إلى شكل رقمي يمكن للحواسيب فهمه.

تعليم الحواسيب تقييم شدة الحوادث

كان الهدف الأول هو التنبؤ بمدى إصابة الأشخاص في كل تصادم. لتحقيق ذلك، اختبر المؤلفون مجموعة واسعة من أساليب تعلّم الآلة، من أدوات كلاسيكية مثل «غابات» أشجار القرار إلى شبكات تعلم عميق أكثر تعقيدًا تُستخدم عادة في التعرف على الكلام أو الصور. درّبوا هذه النماذج على جزء من البيانات وقيّموا مهارتها على الجزء المتبقي، طالبين من كل نموذج تصنيف الحوادث إلى فئات مثل لا إصابة، إصابة طفيفة، إصابة كبيرة، أو وفاة. من بين جميع النهج، برزا نموذجان: XGBoost وRandom Forest، اللذان يجمعان العديد من أشجار القرار البسيطة لتكوين «لجنة» أقوى. حتى دون ضبط دقيق مكثف، صنفت هذه النماذج مستويات الإصابة بشكل صحيح لحوالي ثلاثة أرباع حالات تورونتو؛ وبعد ضبط متأنٍ، أصبح Random Forest دقيقًا للغاية على بيانات التدريب.

اكتشاف أنماط خفية وراء الأذى الشديد

التنبؤ وحده لا يخبر المسؤولين بما يجب تغييره ميدانيًا، لذا كان الهدف الثاني الكشف عن تراكيب من الظروف التي تتكرر في الحوادث الخطيرة. لذلك استخدم الفريق تعدين قواعد الترابط، وهي تقنية تبحث في البيانات عن أنماط «إذا‑حدث‑ف‑فإن». في كلتا المدينتين، ظهرت مكونات معينة مرارًا حيث أصيب الناس بشدة: السرعة، القيادة العدوانية أو المتهورة، فقدان السائق للسيطرة، غياب التركيز، والحوادث التي تشمل المشاة أو راكبي الدراجات النارية. كما برز غياب ضوابط المرور على الطرق الرئيسية وفي التقاطعات المزدحمة كعامل خطر رئيسي. في بيانات راولبندي، ارتبطت القيادة الليلية، والطقس الممطر، وكثرة استخدام الدراجات النارية في عطلات نهاية الأسبوع ارتباطًا خاصًا بكَسورٍ مفردة وإصابات أخرى؛ أما في تورونتو فغالبًا ما تركزت الحالات الخطرة حول أحياء وأوقات أسبوعية معينة.

مدن مختلفة، دروس مشتركة

من خلال مقارنة مدينة أمريكية شمالية ذات دخل مرتفع مع مدينة جنوب آسيوية سريعة النمو، يظهر البحث خصائص محلية ومشكلات عالمية على حد سواء. تكشف سجلات باكستان عن العديد من الحوادث العنيفة بين راكبين صغار يستخدمون الدراجات النارية كوسيلة نقل يومية، غالبًا بدون خوذات وعلى طرق ضعيفة الإضاءة. بالمقابل، تُشير بيانات كندا بقوة أكبر إلى التهديدات التي يواجهها المشاة وراكبو الدراجات في الأحياء الحضرية، حيث تُعد المركبات المنعطفة والقيادة العدوانية في التقاطعات شائعة. رغم هذه الاختلافات، تُظهر كلتا الدولتين فوائد واضحة من التركيز على سلوك السائقين، والسرعات الأكثر أمانًا، وتصميم معابر أفضل للمشاة وراكبي الدراجات.

تحويل الرؤى إلى رحلات أكثر أمانًا

بعبارات بسيطة، يوضّح هذا العمل أن الحواسيب يمكن أن تتعلم من الحوادث الماضية لتحدد متى وأين من المرجح أن تقع الإصابة الخطيرة التالية، وأي العادات السيئة أو نقاط الضعف في شبكة الطرق هي المسؤولة. يمكن دمج نماذج تعلّم الآلة مثل XGBoost وRandom Forest في أنظمة المدن الذكية التي تراقب المرور في الزمن الحقيقي، وتساعد خدمات الطوارئ على إعطاء الأولوية للحوادث الأكثر خطورة، وتوجّه المخططين نحو إصلاحات مستهدفة مثل إشارات المرور، وتطبيق حدود السرعة، والإضاءة، والتوعية للسائقين الشباب. بينما يقتصر البحث على مدينتين ويواجه تحديات مثل عدم توازن البيانات، يقدم مخططًا عمليًا: اجمع سجلات حوادث كبيرة وواقعية مع تحليل بيانات حديث، واستخدم النتائج لتصميم طرق وقواعد تحمينا جميعًا بهدوء في كل رحلة.

الاستشهاد: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

الكلمات المفتاحية: سلامة الطرق, حوادث المرور, المدن الذكية, تعلّم الآلة, تنبؤ الإصابات