التنبؤ المكاني-الزمني الموزع لحركة المرور مع الانتباه البياني المعزز بـ VMD وLSTM

لماذا تهم توقعات حركة المدينة حقًا

أي شخص علق في اختناقات مرورية يعلم مدى شعور الحركة في المدينة بعدم التنبؤ. ومع ذلك خلف المشهد، يعتمد المخططون ومشغلو النقل وتطبيقات الملاحة على أنظمة حاسوبية تحاول التنبؤ بعدد الدراجات أو سيارات الأجرة أو السيارات في كل شارع خلال الدقائق أو الساعات القادمة. تستعرض هذه الورقة طريقة جديدة لجعل تلك التنبؤات أكثر دقة مع الحفاظ على خصوصية بيانات السفر الحساسة، باستخدام مزيج من تنقية الإشارة الذكية، ونمذجة الشبكات، والتعلّم المشترك عبر المدن.

تحدي البيانات الفوضوية والخاصة لحركة المرور

نماذج حركة المرور في المدن غير متساوية إلى حد كبير. ساعة الذروة الصباحية، العواصف المفاجئة، الحوادث، أعمال الطرق، والفعاليات الكبيرة كلها ترفع الطلب أو تخفضه بطرق تختلف من مكان لآخر ويومًا بعد يوم. أدوات التنبؤ التقليدية تفترض سلوكًا منتظمًا إلى حد ما عبر الزمن، وهو ما لا ينطبق على حركة المرور. في الوقت نفسه، تجمع جهات عدة الآن بيانات تنقّل مفصّلة — من أنظمة مشاركة الدراجات إلى أساطيل سيارات الأجرة — وغالبًا ما تكون غير قادرة أو غير راغبة في تجميع البيانات الخام بسبب قواعد الخصوصية والتنافس التجاري ومخاوف الأمن. لذلك فإن طريقة تنبؤ تتعامل مع هذه الفوضى، وتتعلم من شركاء متعددين، وتبقي البيانات الخام محليًا ستكون مرغوبة للغاية.

تفكيك الإشارات المعقدة إلى مقاطع أوضح

المكون الأول في النظام المقترح هو خطوة لتنقية الإشارة تُسمى التحلل التبايني للوضع (variational mode decomposition)، والتي يمكن فهمها كمرشح ذكي يكسر منحنى حركة المرور المزعج إلى عدة موجات أبسط بالإضافة إلى الباقي. قد تلتقط موجة واحدة دورات يومية بطيئة، وأخرى إيقاعات أسبوعية، وأخرى الاندفاعات السريعة والمتقطعة للطلب. بالسماح للنموذج بملاحظة كل من هذه الخيوط بشكل منفصل، تقلل الطريقة التداخل بين الاتجاهات الطويلة الأمد وذروات قصيرة العمر، مما يجعل الأنماط أسهل في التعرف. يحدث هذا التفكيك بشكل مستقل على جهاز كل شريك، لذلك لا تغادر السجلات الأصلية مؤسساتهما المنزلية.

تعليم النموذج تتبع الأنماط في الزمن والمكان

بمجرد تقسيم إشارة المرور إلى قطع أنقى، تُغذى إلى عمود فقري للتعلّم العميق مصمم لتتبع كل من كيفية تطور الطلب عبر الزمن وكيفية انتشاره عبر خريطة المدينة. يعمل مكون الذاكرة طويلة القصيرة الأمد (LSTM) كنوع من الذاكرة الانتقائية، يقرر أي الحركات السابقة تَجدر تذكرها وأيها يجب أن تتلاشى. ثم تركز طبقة الانتباه متعددة الرؤوس النموذج على اللحظات الأكثر معلوماتية في الماضي القريب، مثل الارتفاعات الحادة قبل ساعة الذروة أو الانخفاضات المفاجئة بعد انتهاء عاصفة. بالتوازي، يعالج مكوّن قائم على الرسم البياني كل محطة أو منطقة كنقطة في شبكة ويتعلم كيف تؤثر التغيرات في منطقة ما على الأخرى، من دون الاعتماد على خريطة طرق ثابتة. معًا تشكّل هذه المكونات محركًا مرنًا قادرًا على التقاط العلاقات المتغيرة في كل من الزمان والمكان.

مشاركة المعرفة عبر المدن دون مشاركة الرحلات

الفكرة الكبرى الثانية هي السماح لمالكي البيانات المختلفين بتدريب نموذج تنبؤ مشترك دون إرسال سجلاتهم الخام إلى خادم مركزي. بدلاً من ذلك، يقوم كل عميل — مثل نظام مشاركة دراجات في حي واحد أو أسطول تاكسي في آخر — بتدريب النموذج محليًا ويرسل فقط إعدادات النموذج المحدثة إلى منسق مركزي. يقوم الخادم بدمج هذه التحديثات في نموذج عالمي جديد ويعيده. ثم يتحقق خطوة التحقق على جانب العميل، وحدة بوحدة، مما إذا كانت التغييرات العالمية تساعد فعلاً على بيانات ذلك العميل. إن لم تكن كذلك، يحتفظ العميل بنسخته المحلية لتلك الجزئية من النموذج. هذا التبني الانتقائي يعني أن كل مشارك يستفيد من خبرة المجموعة بينما لا يزال يكيّف النظام مع أنماطه الفريدة.

ماذا تُظهر التجارب في العالم الحقيقي

لاختبار مدى فعالية هذا النهج، جرب المؤلفون النظام على مجموعتي بيانات حقيقيتين كبيرتين: رحلات مشاركة الدراجات في مدينة نيويورك وركوب سيارات الأجرة في شيكاغو، كلاهما مجمّع حسب الساعة والموقع. قارنوا نظامهم بمجموعة واسعة من نماذج التعلم العميق والبيانية القائمة، سواء في التدريب المركزي التقليدي أو في إعدادات فدرالية تحافظ على الخصوصية. على الصعيد العام، قلّل النموذج الفدرالي المعزّز بتقسيم VMD متوسط أخطاء التنبؤ بشكل ملحوظ — تقريبًا بنسبة تتراوح من ربع إلى ثلثي الخطأ مقارنة بخط أساس قوي — كما تقارب بثبات حتى عندما كان لدى العملاء نماذج حركة مختلفة جدًا. تشير النتائج إلى أن تنظيف الإشارات إلى نطاقات ترددية متعددة والسماح لكل عميل باتخاذ قرار دقيق بشأن أي التحديثات المشتركة يقبلها كلاهما أمران حاسمان لتحقيق دقة مستقرة.

الخلاصة: توقعات مرورية أذكى وأكثر خصوصية

بعبارات يومية، تُظهر هذه الدراسة أن توقعات المرور يمكن أن تصبح أكثر حدة وأكثر احترامًا للخصوصية من خلال جمع ثلاث أفكار: تقسيم منحنيات الطلب إلى موجات بسيطة، ونمذجة كيفية انتشار الحركة عبر شبكة المدينة عبر الزمن، والسماح لكثير من مالكي البيانات بالتعاون دون كشف سجلات رحلاتهم الخام. يتفوّق الإطار المقترح باستمرار على الطرق السابقة من حيث الدقة والمتانة، مما يشير إلى مستقبل يمكن لوكالات المدينة ومشغّلي التنقّل وحتى المركبات المتّصلة أن تتدرب بشكل مشترك على أدوات تنبؤ قوية مع إبقاء تفاصيل الرحلات الحسّاسة قريبة من مصادرها.

الاستشهاد: Mundada, T., Ramdhave, S., Jain, S. et al. Federated spatial-temporal traffic forecasting with VMD-enhanced graph attention and LSTM. Sci Rep 16, 8852 (2026). https://doi.org/10.1038/s41598-026-37917-w

الكلمات المفتاحية: التنبؤ بحركة المرور, التعلم الفدرالي, التنقّل الحضري, شبكات عصبية بيانية, السلاسل الزمنية