تعزيز الاتصالات والسلامة المرورية الحضرية عبر HMM-OCR

لماذا تهم المحادثات الأذكى بين السيارات

مع تزايد أعداد السيارات في شوارع المدن، أصبح جعلها «تتحدث» مع بعضها مهمًا بقدر أهمية بناء طرق جديدة. يمكن للمركبات الحديثة تبادل تحذيرات حول الفرملة المفاجئة أو الإطارات الزلقة أو الاختناقات المرورية، لكن هذا الهمس المستمر يمكن أن يملأ طيف الترددات، مهدراً الطاقة ومبطئًا الإشعارات نفسها التي تهدف إلى حمايتنا. تستكشف هذه الورقة طريقة جديدة لتنظيم هذه المحادثات بحيث تنتقل الرسائل بسرعة أكبر وبموثوقية أعلى في الحركة المرورية الحضرية المكتظة، بهدف نهائي يتمثل في تنقلات أكثر سلاسة وحوادث أقل.

كيف تشكل السيارات أحياءً على الطريق

تركز الدراسة على شبكات المركبات المخصصة المؤقتة، أو VANETs—وهي شبكات مؤقتة ذاتية التنظيم تتكون من السيارات المتحركة وأجهزة حافة الطريق. في بيئات المدينة المزدحمة، تتحرك السيارات بسرعة، وتُحجب الإشارات بالمباني، وقد تحاول مئات المركبات إرسال بيانات في وقت واحد. غالبًا ما تتعامل الطرق التقليدية مع كل سيارة كمتحدث مستقل، ما يؤدي إلى مسارات رسائل طويلة، وفقدان حزم، وإهدار طاقة البطارية. يقترح المؤلفون نهجًا مختلفًا: على السيارات تشكيل «أحياء» صغيرة ومؤقتة على الطريق بحيث يتولى عدد قليل من المركبات المختارة جيدًا معظم الحديث نيابة عن المجموعة.

تحويل المرور إلى تجمعات ذكية

لبناء هذه الأحياء الطرقية، تقدم الورقة تقنية اسمها HMM-OCR، اختصارًا لِـ Hybrid Meta-Heuristic and Machine Learning-based Optimised Cluster-Based Routing. أولاً، يقوم خطوة التجميع بجمع المركبات القريبة معًا بناءً على قربها وقوة إشاراتها اللاسلكية الظاهرة. تُدار هذه العملية بواسطة خوارزمية مستوحاة من سلوك صيد النسر الذهبي، التي تبحث في شبكة الطرق عن أشكال تجمع تحافظ على قرب السيارات بما يكفي للتواصل بسهولة مع تقليل المسافات التي يجب أن تقطعها الرسائل. من خلال تقصير تلك المسافات، تقلل الطريقة من الطاقة التي تستخدمها كل سيارة للإرسال والاستقبال وتقلل من تواتر الحاجة لإعادة بناء هيكل المجموعة مع تحرك المركبات.

اختيار سيارات المتحدثين وتوجيه الرسائل

بعد تكوين التجمعات، يكمن التحدي التالي في اختيار سيارة واحدة في كل حي لتعمل كرئيس للتجمع أو «سيارة المتحدث». تستخدم الورقة طريقة بحث أخرى مستوحاة من الطبيعة، هذه المرة مستنسخة من سلوك ابن آوى عند اصطياد الفريسة، لموازنة عدة عوامل في آن واحد: الطاقة المتبقية، والازدحام المحلي، واستقرار الروابط، ومدى قدرة سيارة مرشحة على الوصول إلى الأخريات. بعد اختيار هؤلاء القادة، يتدخل شبكة عصبية لتقرير كيف ينبغي للرسائل أن تنتقل من تجمع إلى آخر ومن خلال وحدات الحافة المثبتة على طول الشوارع. تتعلم هذه الشبكة من أنماط الحركة المرورية المحاكاة وقوى الإشارة والمواقع بحيث يمكنها اختيار خطوات فعالة لكل رسالة، موجهة البيانات حول العقبات ونحو وجهتها.

تجريب النظام

اختبر المؤلفون HMM-OCR في محاكاة حاسوبية مفصلة لشبكة مدينة، ومقارنته بعدة طرق توجيه شائعة تتجاهل التجميع أو تعتمد استراتيجيات تعلم أبسط. غيّروا كلًا من عدد السيارات وطول مدة المحاكاة لتقليد تغير ظروف المرور. عبر جميع السيناريوهات، قدمت الطريقة الجديدة رسائل أكثر نجاحًا، وفقدت حزمًا أقل، واستهلكت طاقة أقل بكثير. كما قلصت الوقت الذي تستغرقه التحذيرات للانتقال من سيارة إلى أخرى، وقللت العبء الإضافي للتوجيه—تلك الرسائل الإدارية التي تحافظ على تشغيل الشبكات لكنها لا تحمل معلومات سلامة مفيدة.

ماذا يعني هذا للسائقين اليوميين

للغير متخصصين، الخلاصة واضحة: من خلال تنظيم المركبات في أحياء مؤقتة وذكية واختيار بعناية أي السيارات تتحدث نيابة عن المجموعة، يمكن لشبكات المرور الحضرية أن تصبح أسرع وأكثر اقتصادية. يحافظ نظام HMM-OCR المقترح على وصول مزيد من رسائل السلامة إلى وجهتها، ويستهلك طاقة أقل لكل مركبة، ويظل مستقرًا حتى مع ازدحام الطرق. عمليًا، قد يعني ذلك تحذيرات مبكرة حول المخاطر، وتداخل راديوي أقل، وبنية اتصال أفضل للسيارات ذاتية القيادة والمتصلة في المستقبل. ومع أن الاختبارات الواقعية وتعزيز الحماية الأمنية ما زالت مطلوبة، تشير هذه الدراسة إلى طرق طرق حضرية يتعاون فيها رقمياً سائقو المركبات لتقليل الازدحام والحوادث بهدوء.

الاستشهاد: Juvvalapalem, S., Kanagaraj, V. Enhancing urban vehicular communication and safety through HMM-OCR. Sci Rep 16, 13503 (2026). https://doi.org/10.1038/s41598-026-42007-y

الكلمات المفتاحية: شبكات المركبات, النقل الذكي, حركة المرور الحضرية, الاتصالات اللاسلكية, خوارزميات التوجيه