التعلّم التفاعلي مفصول الزمكان لتوقّع تدفق المرور

لماذا تهم توقعات المرور الأذكى

كل رحلة يومية تتأثر بقرارات لا حصر لها ومتغيرة باستمرار: متى تتغير الإشارات الضوئية، كيف يختار السائقون طرقهم، وأين تتشكل الاختناقات فجأة. في الخلفية، تعتمد المدن بشكل متزايد على نماذج حاسوبية تتنبأ بالمرور من بضع دقائق إلى ساعة قادمة لضبط الإشارات، وإدارة الحوادث، وتوجيه تطبيقات الملاحة. يقدم هذا البحث نهجًا جديدًا لجعل تلك التوقعات قصيرة الأجل أكثر دقة وموثوقية، لا سيما في الشبكات الحضرية المعقّدة حيث تختلف أنماط المرور من حي لآخر وتتغير عبر أيام وأسابيع ومواسم.

أنماط المرور ليست واحدة تناسب الجميع

المرور الحضري هو قصة مكان وقصة زمن معًا. يختلف سلوك شارع هادئ في الضواحي عن شريان مزدحم في وسط المدينة، وتموجات ساعة الذروة تمر عبر المدينة وفق دورات يومية وأسبوعية. أدوات التنبؤ التقليدية غالبًا ما تمحو هذه الفروقات أو تفترض أن العلاقات بين الطرق ثابتة. في الواقع، قد تتحرك مقاطع طرق بعيدة عن بعضها فجأة بتزامن عندما ينتهي حدث رياضي، بينما قد يعتمد قياس حساس على ما كان الحال قبل ساعة أكثر من اعتماده على آخر خمس دقائق. يجادل المؤلفون أن التقاط هذا المزيج الغني من الخصائص المحلية والروابط بعيدة المدى والإيقاعات متعددة الأيام ضروري لتوقعات موثوقة — وأن النماذج الحالية، حتى العديد من أنظمة التعلم العميق، لا تزال قاصرة.

فصل المكان عن الزمان لرؤية أدق

لمعالجة ذلك، صمّم الباحثون إطارًا يسمونه التعلّم التفاعلي مفصول الزمكان (STDIL). الفكرة المركزية هي تفكيك جانبَي «أين» و«متى» في بيانات المرور بحيث يمكن دراسة كل منهما بعمق ثم جمعهما مجددًا. يغذّون تاريخًا طويلًا من قراءات الحساسات — يمتد من يوم إلى سبعة أيام — في مهمتين لإعادة الإعمار. الأولى تُخفي عمدًا مقاطع طرق كاملة في البيانات وتجبر النموذج على تخمين تواريخه المفقودة من طرق أخرى. والثانية تُخفي قطعًا زمنية وتطلب من النموذج ملء الفجوات باستخدام اللحظات المحيطة. بممارسة هذين اللعبتين من الاختفاء والبحث، يتعلم النظام توقيعات أغنى لكيفية تصرّف المواقع المختلفة وكيف يتطور المرور عبر دقائق وساعات وأيام.

ترك شبكة الطرق تعيد توصيل نفسها

بعيدًا عن فهم المكان والزمان بشكل منفصل، يتعلّم STDIL كيف تؤثر الطرق على بعضها البعض بطريقة مرنة قائمة على البيانات. بدلًا من تثبيت شبكة الطرق كخريطة ثابتة لمن يتصل بمن، يقوم النموذج بضبط «الرسم البياني» الداخلي للعلاقات باستمرار مع وصول بيانات جديدة. يبدأ من التخطيط الفيزيائي للطرق السريعة، ثم يضيف روابط متعلّمة قد تربط حسّاسات بعيدة ترتفع وتهبط معًا بشكل متكرر. طبقات خاصة لمعالجة الرسوم تنقل المعلومات عبر هذه الروابط المتطورة، فتلتقط تأثيرات الحي — مثل تراكم الطوابير التي تمتد عبر ممر — وتأثيرات واسعة النطاق، مثل تباطؤ المدينة بأكملها الناتج عن عاصفة. يُنَظّم هذا الهيكل التعلّمي التفاعلي على نحوٍ شجري بحيث تعزّز الموجات قصيرة الأجل والاتجاهات بعيدة المدى بعضها البعض بدلاً من التنافس.

التدريب على طرق سريعة حقيقية واختبار الجدوى

اختبر المؤلفون STDIL على أربع مجموعات بيانات كبيرة من نظام قياس الأداء في كاليفورنيا، الذي يسجّل حالة المرور باستمرار عبر مئات الحساسات. قارنوا أسلوبهم بمجموعة واسعة من الأساليب الأساسية، من الأدوات الإحصائية الكلاسيكية إلى الشبكات العصبية الحديثة التي تستخدم الرسوم والآليات الانتباهية. عبر كل مجموعات البيانات وجميع نوافذ التنبؤ حتى ساعة مقدمة، قدّم STDIL أخطاء أقل من الطرق المنافسة. ولاحظوا أن دقته تتدهور بشكل أكثر اعتدالًا مع زيادة نافذة التنبؤ، مما يشير إلى أن تصميمه يساعد فعلاً على الاحتفاظ بمعلومات بعيدة المدى مفيدة. تُظهر تجارب إضافية أن إزالة أي من مكوناته الرئيسة — الإخفاء المكاني، الإخفاء الزمني، أو التفاعل الديناميكي للرسم البياني — يُضعف الأداء، مما يؤكد أن كل جزء يساهم في المكاسب الكلية.

ماذا يعني هذا للسفر اليومي

عمليًا، يُظهر STDIL أن توقعات المرور تتحسّن عندما يُسمح للنماذج بمعاملة كل مقطع طريق وكل مقياس زمني بشروطه الخاصة، وعندما يستطيع نسيج التفاعلات بين الطرق التكيّف مع تغير الظروف. للمسافرين، قد يترجم ذلك إلى اقتراحات توجيهية تتنبأ بشكل أفضل بالتباطؤات والانتعاشات المفاجئة، بدلًا من مجرد الاستقراء من آخر بضع دقائق. وللوكالات المدينة، تعني التوقعات الأكثر صلابة خطط إشارات واستراتيجيات تحكم تصمد أمام الأحداث غير الاعتيادية، وليس فقط أيام الأسبوع النموذجية. ومع أن المؤلفين ركزوا على بيانات الطرق السريعة، يمكن تمديد نفس الأفكار إلى شوارع المدينة وإلى أنظمة أخرى حيث يلعب المكان والزمان والتفاعل دورًا — من النقل العام إلى شبكات الطاقة — موفرةً مسارًا نحو بنية تحتية حضرية أذكى وأكثر استجابة.

الاستشهاد: Chen, L., Wu, Q. Spatiotemporal-decoupled interactive learning for traffic flow prediction. Sci Rep 16, 9050 (2026). https://doi.org/10.1038/s41598-026-38244-w

الكلمات المفتاحية: تنبؤ المرور, شبكات الرسوم العصبية, التنقل الحضري, تنبؤ السلاسل الزمنية, أنظمة النقل الذكية