تنبؤ بيئي محسن في المباني الذكية باستخدام خوارزمية الإوز الرمادي الديناميكية والتعلّم العميق

مباني أذكى لراحة يومية

تخيّل أن تعيش أو تعمل في مبنى يضبط نفسه بهدوء — يحافظ على هواء نقي، ودرجة حرارة مريحة، وإضاءة مناسبة — دون هدر في الطاقة. مع تزويد المزيد من المباني بمستشعرات متصلة بالإنترنت، تتولد كميات هائلة من البيانات حول ظروف الداخل. تبحث هذه الورقة في كيفية تحويل هذا السيل من المعلومات إلى تنبؤات دقيقة عما سيكون عليه المناخ الداخلي خلال الدقائق أو الساعات القادمة، حتى تتمكن أنظمة التدفئة والتبريد والإضاءة والتهوية من التصرف استباقياً بدلاً من الاستجابة متأخرة.

لماذا يصعب التنبؤ بالظروف الداخلية

تستخدم المباني الذكية الحديثة العديد من المستشعرات لمراقبة درجة الحرارة والرطوبة والإضاءة وجودة الهواء والضوضاء على مدار الساعة. تتغير هذه الإشارات بمرور الوقت بطرق معقدة: تختلف الصباحات عن الأمسيات، وأيام الأسبوع عن عطلات نهاية الأسبوع، ويمكن للأحداث المفاجئة — مثل فتح نافذة أو دخول حشد إلى غرفة — أن تتسبب في قفزات حادة. وبما أن هناك الكثير من المستشعرات، تكون البيانات عالية البُعد وغالباً ما تكون مشوشة. تكافح النماذج البسيطة لالتقاط هذه الأنماط، مما يؤدي إلى تنبؤات غير دقيقة وتحكم غير كفء في أنظمة التدفئة والتهوية والتكييف. التحدي هو تنقية هذه البيانات المعقدة، والاحتفاظ بالإشارات الأكثر إفادة، وتعلم كيفية تطورها مع الزمن.

نظام تعلّم مستوحى من أسراب الطيور

يقترح المؤلفون إطار توقع ذكي يجمع فكرتين: نموذج تعلّم عميق يُدعى الذاكرة طويلة المدى القصيرة (LSTM)، ومُحسّن مُستلهم من الطبيعة نمذَج على سلوك الإوز الرمادي. شبكات LSTM جيدة بشكل خاص في التعلم من التسلسلات، مما يجعلها مناسبة لبيانات المستشعرات المؤقتة. تحاكي خوارزمية التحسين الديناميكية للإوز الرمادي (DGGO) كيف تستكشف الأسراب مناطق واسعة ثم تتجه تدريجياً نحو مسارات مواتية. في الإطار المقترح، تستكشف «طيور» افتراضية خيارات مختلفة لاختيار ميزات المستشعر التي ينبغي الاحتفاظ بها وكيفية ضبط إعدادات LSTM الداخلية. مع الزمن، ينتقل نمط بحثها من استكشاف واسع إلى تعديل دقيق، مما يساعد النظام على تجنّب الوقوع في حلول ضعيفة.

اختيار الإشارات الصحيحة وضبط الشبكة

خطوة أساسية هي انتقاء الميزات — أي تحديد أي قطع من معلومات المستشعر تفيد بالفعل في التنبؤ. يحوّل الباحثون كل مجموعة ممكنة من الميزات إلى نمط تشغيل/إيقاف بسيط ويتركون نسخة ثنائية من DGGO للتنقيب عبر تلك الأنماط. تميل الخوارزمية إلى اختيار تركيبات تلخّص كل من المستوى والاتجاه الأخير للمتغيرات الداخلية، وكذلك كيفية ارتباطها ببعضها — مثل نسبة درجة الحرارة إلى الرطوبة أو المتوسطات المتحركة التي تُسَكّن القفزات اللحظية. بعد هذه خطوة التقليم، تُستخدم DGGO مرة أخرى لضبط هيكلة LSTM وإعدادات التدريب، مثل عدد الوحدات في كل طبقة وسرعة تعلم النموذج. تهدف هذه العملية المكونة من مرحلتين إلى إنتاج نموذج مدمج وسريع ودقيق مُخصّص لبيانات المبنى.

مدى أداء النظام

اختبر الفريق منهجهم على مجموعة بيانات عامة جُمعت من مبنى ذكي مجهّز بمستشعرات لدرجة الحرارة والرطوبة والإضاءة وجودة الهواء والصوت. قارنوا نموذج LSTM المحسن بواسطة DGGO بعدة بدائل، بما في ذلك طرق تحسين أخرى تحاكي الذئاب أو الحيتان أو استراتيجية إوز أبسط. حقق تركيب DGGO-LSTM أدنى خطأ في التنبؤ وأعلى درجة كفاءة بين جميع التكوينات المختبرة. خفّض المقياس الرئيسي للخطأ بنحو 17–37 بالمئة مقارنة بالأساليب التالية الأفضل، وعمل بسرعة أعلى بنحو 42 بالمئة مقارنةً بأحد المحسّنات المنافسة. تشير فحوصات متبادلة مثل تقسيمات تدريب–اختبار متكررة، وتحليل الفروق بين أداء التدريب والتحقق، واختبارات على مجموعة بيانات صناعية مختلفة تماماً لإنترنت الأشياء إلى أن التحسينات حقيقية وليست نتيجة للتكيّف المفرط مع حالة واحدة.

ماذا يعني هذا للحياة اليومية

لغير المتخصصين، الخلاصة بسيطة: من خلال اختيار قراءات المستشعر المهمة بعناية واستخدام استراتيجية تحسين مستوحاة من أسراب الطيور لضبط نموذج تعلّم عميق، يمكن للمباني أن «ترى إلى المستقبل القريب» لبيئتها الداخلية. يسمح ذلك لأنظمة التحكم بتعديل التدفئة والتبريد والتهوية قبل أن تخرج الظروف عن نطاق الراحة، مع تجنب استهلاك الطاقة غير الضروري. النتيجة مسار نحو مباني أكثر ذكاءً وخضرة تحافظ بصمت على راحة وصحة السكان، مدعومة بمحرك تنبؤي يظل دقيقاً وفعّالاً وقابلاً للتكيّف مع اتساع شبكات المستشعرات وزيادة أحجام البيانات.

الاستشهاد: Kenawy, S., Alhussan, A.A., Khafaga, D.S. et al. Optimized environmental prediction in smart buildings using Dynamic Greylag Goose algorithm and deep learning. Sci Rep 16, 10769 (2026). https://doi.org/10.1038/s41598-026-41343-3

الكلمات المفتاحية: المباني الذكية, التنبؤ البيئي, بيانات مستشعرات إنترنت الأشياء, التعلّم العميق, خوارزميات التحسين