نظام توصية لمحطات شحن المركبات الكهربائية قائم على شبكات عصبية بيانية وتنقيح واعٍ بالسياق

لماذا تهم عملية الشحن الأكثر ذكاءً

مع ازدياد انتشار المركبات الكهربائية، أصبح العثور على مكان مناسب للتوصيل مصدر قلق يومي للعديد من السائقين. تتسارع المدن لتركيب مزيد من نقاط الشحن، لكن العديد من المحطات تبقى غير مستغلة بينما يشتكي السائقون من التحويلات الطويلة والشواحن البطيئة أو المعدات المعطلة. تتناول هذه الدراسة سؤالاً بسيطاً لكنه ملحّاً: كيف يمكننا اقتراح محطة الشحن "المناسبة" لكل سائق — قريبة، ومتوافقة مع سيارته وعاداته، ومتاحة فعلاً — باستخدام نوع البيانات التي تستطيع المدن جمعها اليوم؟

من مقابس متناثرة إلى شبكة أكثر ذكاءً

ينطلق المؤلفون من لغز موجود في العديد من الدول: حتى حيث يبدو أن عدد الشواحن كافٍ على الورق، لا يزال السائقون يواجهون صعوبة في إيجاد أماكن مناسبة. ليست المحطات دائماً في الأماكن التي تتواجد فيها السيارات، والكثير منها بطيء بدلاً من أن يكون سريعاً، وبعضها مقصور على فئات مستخدمين محددة. أشارت أبحاث سابقة إلى أماكن لبناء محطات جديدة أو كيفية توجيه السيارات باستخدام بيانات الوقت الفعلي المعقدة، لكن هذه الأساليب غالباً ما تعتمد على بنية تحتية متخصصة تفتقر إليها معظم المدن. تهدف هذه الدراسة بدلاً من ذلك إلى نظام توصية عملي يمكنه العمل بالاعتماد على معلومات متاحة على نطاق واسع ولا يزال يمنح اقتراحات شخصية لمحطات لكل سائق.

تعليم الحاسوب عادات السائق

في جوهر النظام يوجد محرك توصية قائم على الرسم البياني. في هذا الإطار، يُمثل كل سائق وكل محطة شحن نقطة في شبكة، وتُربط بينهما خطٌّ عندما يستخدم السائق تلك المحطة. تبحر فئة من النماذج المعروفة بالشبكات العصبية البيانية في هذا النسيج من الاتصالات للكشف عن أنماط — مثل أي مجموعات من السائقين تميل إلى تفضيل محطات مماثلة — وتستخدم تلك الأنماط لإنشاء قائمة مرتبة من المحطات الواعدة لكل سائق. وبما أن سجلات الشحن الحقيقية المرتبطة بالأفراد يصعب الحصول عليها لأسباب تتعلق بالخصوصية، قام الفريق ببناء محاكٍ مفصل يُحاكي سلوك السائقين في منطقة سيول الحضرية، باستخدام إحصاءات حقيقية عن تسجيلات المركبات، وأنماط السفر، ومواقع الشواحن، ومزيج الشواحن السريعة والبطيئة. تتيح هذه البيانات الاصطناعية لكنها المدققة بعناية اختبار الأفكار دون كشف تاريخ أي شخص الشخصي.

إضافة سياق بديهي: المسافة والسرعة

لوحده قد يقترح نموذج الرسم البياني محطات تبدو جيدة من الناحية الإحصائية لكنها غير عملية — بعيدة جداً عن منطقة السائق الحالية أو تقدّم سرعة شحن غير مناسبة. بدلاً من إعادة بناء النموذج في كل مرة تتغير فيها المدينة، يركّب المؤلفون خطوة منفصلة "للتنقيح الواعي بالسياق" تعيد تشكيل القائمة المرتبة بعد أن يقوم الرسم البياني بعمله. يفضّل هذا المكوّن الإضافي المحطات القريبة جغرافياً والتي تتطابق مع تفضيل السائق للشحن السريع أو البطيء. لالتقاط المسافة بطريقة واقعية، يجمع الفريق المحطات استناداً إلى خطوط العرض والطول، مجمِّعاً المواقع المتقاربة جغرافياً، حتى لو كانت تقع على جانبي حدود إدارية مختلفة. تُظهر الاختبارات أن هذا التجميع المبني على الجغرافيا يقدّم أداءً أفضل بكثير من الرموز البريدية البسيطة في إظهار المحطات القريبة حقاً.

اختبار المقاربة

باستخدام مئات الآلاف من تفاعلات السائق–المحطة المحاكاة وأكثر من ثلاثين ألف نقطة شحن حقيقية عبر منطقة سيول، قارن الباحثون عدداً من نماذج الرسوم البيانية المتقدمة ثم قاسوا مقدار التحسن الذي أضافه التنقيح الواعي بالسياق. وجدوا أن تضمين سرعة الشحن وحدها أثر تأثيراً متواضعاً فقط. وساعدت المعلومات المكانية وحدها أكثر، خاصة عندما استندت إلى التجمعات المكانية الجديدة. لكن أكبر المكاسب جاءت من الجمع بين كلا الجزئين من السياق — أين من المحتمل أن يكون السائق ونوع الشاحن الذي يميل إلى استخدامه. في بعض الإعدادات، تحسّن الاستدعاء للمحطة الصحيحة ضمن أفضل 20 اقتراحاً بأكثر من النصف مقارنة باستخدام نموذج الرسم البياني وحده، وكل ذلك مع إضافة حوالي 10–12 بالمئة فقط من زمن الحوسبة.

ما معنى ذلك للسائقين اليوميين

للغير متخصصين، الرسالة الأساسية هي أن الاستخدام الأذكى للبيانات المتاحة يمكن أن يجعل شحن المركبات الكهربائية أقل شبهاً بالمقامرة. من خلال تعلم أنماط استخدام المحطات على نطاق واسع ثم إعادة ترتيب الاقتراحات بسرعة استناداً إلى عوامل بسيطة مفهومة للبشر — المسافة وسرعة الشحن — يمكن لهذا الإطار أن يوجّه السائقين إلى خيارات عملية دون الحاجة إلى إعادة تدريب مستمرة أو تتبع مكثف في الوقت الحقيقي. على الرغم من أن الدراسة الحالية تركز على لقطة ثابتة للظروف وتستخدم سائقين محاكيين، يمكن للنسق نفسه أن يتصل بتغذيات في الوقت الفعلي عن الانقطاعات والطوابير أو الأسعار، مجدداً التوصيات باستمرار مع الحفاظ على الخصوصية. باختصار، يشير هذا العمل إلى تطبيقات شحن للمركبات الكهربائية تبدو أكثر كدليل عملي وأقل كخريطة من الدبابيس المتناثرة.

الاستشهاد: Seo, D., Moon, J. & Kwon, HY. Electric vehicle charging station recommendation system based on graph neural network and context-aware refinement. Sci Rep 16, 11284 (2026). https://doi.org/10.1038/s41598-026-41271-2

الكلمات المفتاحية: شحن المركبات الكهربائية, نظام توصية, الشبكات العصبية البيانية, خدمات قائمة على الموقع, بنية تحتية للمدن الذكية