نمذجة مكانيّة-زمنية متكاملة باستخدام طيات بيانية هجينة والمشغل العصبي فورييه البياني لتوقُّع حركة المرور

لماذا يهم التنبؤ بحركة المرور على المدى البعيد

أي شخص جلس في ازدحام مروري مفاجئ يعرف أن تطبيقات الملاحة الحالية لا تزال في الغالب تفاعلية: تُنبهك عندما يتكوّن الازدحام بالفعل. تستكشف هذه الورقة كيف يمكن النظر إلى المستقبل لفترات أطول — عشرات الدقائق إلى ساعات — بحيث يمكن للمدن والسائقين تفادي الشلل المروري قبل أن يبدأ. يقدم المؤلفون إطار عمل ذكاء اصطناعي جديدًا يتعلّم كيف تنتشر تموجات الحركة المرورية عبر شبكات الطرق بأكملها مع مرور الزمن، ويفعل ذلك بدقة وكفاءة أكثر من العديد من أساليب التعلم العميق الحالية.

رؤية الطرق كشبكة حية

بدلاً من اعتبار كل مستشعر طريق عدّادًا معزولًا، تتعامل الدراسة مع المدينة بأكملها كشبكة من النقاط المترابطة، مثل شبكة أصدقاء على منصة اجتماعية. تتأثر قراءات كل مستشعر ليس فقط بالطرق القريبة بل أيضًا بأنماط متغيرة أبعد امتدادًا مثل تدفقات التنقّل، والفعاليات، والطقس. تفترض الأساليب التقليدية إما علاقات بسيطة وثابتة أو تركز فقط على فترات قصيرة من التاريخ، ما يجعل التنبؤ على المدى الطويل غير موثوق. بالمقابل، صُمّم النموذج الجديد ليتعلّم كيف تسافر الحركة عبر الخريطة وكيف تتطور على فترات ممتدة، ملتقطًا ساعات الذروة اليومية وكذلك الاضطرابات النادرة.

دمج الخرائط الثابتة مع الأنماط المتغيرة

اللبنة الأولى في النظام المقترح تركز على البعد المكاني: أين تقع الطرق والمستشعرات وكيف تؤثر على بعضها البعض. يبدأ النموذج من التخطيط الفيزيائي لشبكة الطرق، الذي يوفر هيكلًا ثابتًا لمن يرتبط بمن. فوق ذلك، يتعلّم طبقة إضافية مرنة من الاتصالات التي يمكن أن تتغير مع البيانات نفسها، كاشفًا عن علاقات خفيّة مثل طرق تتصرف بشكل مشابه حتى لو لم تكن متجاورة ماديًا. حيلة ذكية لمشاركة المعاملات تسمح لكل مستشعر بتطوير نمط سلوكي خاص به دون زيادة مفرطة في عدد معلمات النموذج، فتظل المنظومة مضغوطة بما يكفي للنشر في العالم الحقيقي.

تحويل الزمن إلى إشارات مدمجة

التحدي التالي هو الزمن: تصل قياسات الحركة كل دقائق معدودة، ما يخلق تسلسلات طويلة لكل مستشعر. تتعامل العديد من نماذج التعلم العميق الشائعة، مثل الشبكات التكرارية والمحولات، مع ذلك عبر المرور على كل نقطة زمنية أو مقارنة كل النقاط مع بعضها. يصبح هذا الأسلوب بطيئًا ويستهلك ذاكرة كبيرة مع ازدياد طول التسلسلات. هنا يستخدم المؤلفون فكرة مختلفة. لكل مستشعر، يضغطون تاريخه الأخير بأكمله إلى «رمز» مكتنز واحد، ملخص عددي يحفظ الاتجاه العام والتباينات. تغذي هذه الرموز قلب النموذج، حيث يتعاملان البعدان المكاني والزماني معًا.

الاستماع لحركة المرور في عالم الترددات

في جوهر الإطار هناك مكوّن يُدعى المشغل العصبي فورييه البياني. بدلًا من فحص قيم المرور الخام مباشرة، يحوّل إشارات الشبكة كاملة إلى نوع من فضاء الترددات، شبيهًا بفصل قطعة موسيقية إلى مكوّنات الباس والمتوسط والطبقات العليا. في هذه الرؤية المحوَّلة، تصبح أنماط الذروة المتكررة والتغيّرات الخلفية الأبطأ أسهل للعزل والمعالجة. يتعلم النموذج أي الترددات يجب إبرازها أو تخفيفها ثم يعيد تحويل الإشارات إلى شبكة الطرق، مجمِّعًا هذه النظرة العالمية مع مسار محلي أبسط. هذا التصميم يلتقط الاعتماديات على نطاق واسع عبر المدينة مع الحفاظ على تكلفة حسابية تقريبًا متناسبة مع طول التاريخ المدخل، بدلًا من أن تنمو بشكل متفجّر معه.

إثبات الدقة والكفاءة ببيانات حقيقية

لاختبار نهجهم، قيّم الباحثون النموذج على أربعة مجموعات بيانات معيارية للطرق السريعة من نظام مراقبة المرور في كاليفورنيا. قارَنوا إطارهم بمجموعة واسعة من المنافسين الأقوياء، بما في ذلك بنى المحولات الحديثة، ونماذج الفضاء الحالى مثل Mamba، ومؤشرات توقع المرور القائمة على الرسوم البيانية الأخرى. عبر آفاق توقع مختلفة — من المدى القصير (حوالي ساعة) إلى نوافذ أطول بكثير — أنتج النموذج الجديد أخطاء أقل بشكل متسق. كما استخدم عددًا أقل من المعلمات وذاكرة أقل، وتدرّب أسرع من النُهج الثقيلة بالانتباه أو المتسلسلة صارمة. أظهرت دراسات الإزالة والحساسية المتأنية أن كل جزء من التصميم — الوحدة البيانية الهجينة، خطوة تسلسل-كـ-رمز، والمشغل الطيفي — يساهم بشكل ملموس في هذا الأداء.

ماذا يعني ذلك للسفر اليومي

عمليًا، تُظهر الدراسة أنه من الممكن بناء أنظمة توقع حركة مرور ترى أبعد دون أن تتطلب موارد حوسبة هائلة. من خلال نسج معرفة خريطة الطرق، وأنماط البيانات المرصودة، ونظرة زمنية قائمة على الترددات، يقدم الإطار المقترح تنبؤات طويلة الأمد أكثر استقرارًا ودقة من العديد من البدائل المتطورة. لمخططي المدن وأنظمة النقل الذكية، قد يترجم هذا إلى توقيت أفضل للإشارات، وتوجيه أذكى، واستجابات أكثر مرونة للحوادث والفعاليات الخاصة — مقربةًنا نحو مدن تُدار فيها الحركة استباقيًا بدلًا من رد الفعل.

الاستشهاد: Hosseini, SM., Rahmatinia, S.M. & Hosseini-Seno, SA. Integrated spatio-temporal modeling with hybrid graph convolutions and the graph fourier neural operator for traffic prediction. Sci Rep 16, 12945 (2026). https://doi.org/10.1038/s41598-026-38563-y

الكلمات المفتاحية: تنبؤ حركة المرور, الشبكات العصبية البيانية, المدن الذكية, النمذجة المكانية-الزمنية, المشغل العصبي فورييه