نظام إدارة حركة مرورية مثالي قائم على الشبكات العصبية العميقة لبيئة المدن الذكية المبنية على إنترنت الأشياء

لماذا تهم حركة المرور الأذكى حياة المدينة

الاختناقات المرورية في ساعات الذروة ليست مجرد إزعاج: فهي تهدر الوقود، وتلوّث الهواء، وتبطئ مركبات الطوارئ، وتستنزف وقت الناس مع عائلاتهم. مع نمو المدن وزيادة عدد السيارات على الطرق، تكافح إشارات المرور التقليدية الثابتة ومراكز التحكم اليدوية لمواكبة الوضع. تستكشف هذه الدراسة كيف يمكن لشبكات المستشعرات ونوع متقدّم من الذكاء الاصطناعي أن يتعاونا في الوقت الحقيقي لرصد الازدحامات، وتوقُّع المشكلات، وضبط الإشارات قبل أن تتوقّف الحركة تمامًا.

من الشوارع المتصلة إلى دماغ للحركة المرورية

تناقش الورقة مدنًا تُربَط فيها الطرق وإشارات المرور والمركبات عبر «إنترنت الأشياء»، بمعنى أنها ترسل تحديثات رقمية مستمرة عن ما يحدث في الشوارع. تتتبع المستشعرات والكاميرات عدد المركبات التي تمر بنقطة تقاطع، وسرعاتها، ونوعها، وحتى حالة الطقس والحوادث وحالة الإشارات الحالية. بدلًا من أن يقوم المشغلون البشريون بفرز كل هذه المعلومات، يقترح المؤلفون نظام دعم قرار آلي قادر على فهم هذه الأنماط واقتراح كيفية إدارة الإشارات والمسارات بذكاء أكبر.

تنقية البيانات واختيار الأدلة المناسبة

بيانات المرور الواقعية فوضوية: تفشل المستشعرات، تختفي قيّم، وقد تكون القياسات المختلفة على مقاييس متفاوتة للغاية. لذلك يبدأ النظام بمرحلة تنقية دقيقة، تملأ القراءات المفقودة النادرة وتعيد تحجيم جميع القياسات ليتم مقارنتها بشكل عادل. يلي ذلك خطوة حاسمة: تحديد أي أجزاء من المعلومات تساعد فعلاً على تمييز حالات المرور المختلفة. يدمج النموذج ثلاث عائلات من تقنيات الاختيار، تنظر كل منها إلى البيانات بطريقة مختلفة قليلاً. معًا، تصفي هذه التقنيات التفاصيل غير المفيدة أو المكررة وتحتفظ فقط بالميزات التي تدل فعليًا على ما إذا كان الازدحام حرجًا أو كثيفًا أو معتدلًا أو منخفضًا، ما يسرّع أيضًا المعالجة اللاحقة.

كيف يتعلّم النموذج أنماط المرور عبر الزمن

المرور ليس مجرد ما يحدث في لحظة واحدة؛ بل يتغير عبر دقائق وساعات مع تتابع إشارات المرور وتبدّل سلوك السائقين. لالتقاط هذه الأنماط المتطوّرة، يستخدم المؤلفون شبكة عصبية عميقة مصممة للبيانات الزمنية. تنزلق هذه الشبكة عبر تسلسلات من قراءات المرور، مستخدمة طبقات التفاف مكدّسة لاستشعار النوبات القصيرة والبُنى الأطول أمداً لتكوّن الازدحام. ثم يركّز آلية الانتباه اختياريًا على أكثر اللحظات دلالة في كل تسلسل، مما يسمح للنظام بإعطاء وزن أكبر لازدحامات أو انخفاضات حديثة عند تقرير مدى ازدحام طريق ما. النتيجة هي تصنيف واضح لكل حالة إلى واحد من أربعة مستويات ازدحام، مترابطة في الدراسة بإجراءات محددة مثل تمديد زمن الإشارة الخضراء أو تفعيل مسارات بديلة.

اختبار النظام

درّب الباحثون ونهجهم وقَيّموه على مجموعة بيانات مرورية مفتوحة تمثل شبكة حضرية ذكية. يتضمن كل سجل أعداد المركبات، والسرعات، وظروف الطقس، والطوابع الزمنية، والمواقع، واستراتيجيات الإشارة. لتجنّب التحيز الناتج عن كون الازدحام الشديد أكثر شيوعًا بكثير من المرور الخفيف في البيانات، استخدموا تقنيات موازنة وتحققًا دقيقًا. عبر عدة تقسيمات تدريب–اختبار، صنف نظامهم حالات المرور بشكل صحيح بنسبة تقارب 99 بالمئة، متفوقًا على مجموعة من الطرق الحديثة الأخرى. وحقق ذلك بينما كان خفيفًا نسبيًا من حيث متطلبات الحوسبة والذاكرة، وهي ميزة عملية لعمليات المدينة في الوقت الحقيقي.

ما يعنيه هذا لرواد التنقّل اليومي

من الناحية العملية، تُظهر الدراسة أن نظامًا ذكياً مصممًا بعناية يمكن أن يعمل كمستشار سريع مدفوع بالبيانات لمراكز حركة المدينة، يحوّل تدفقات المستشعرات الخام إلى إجراءات تحكم ملموسة وفي الوقت المناسب. بينما يعتمد العمل الحالي على مجموعة بيانات واحدة ولا يأخذ بعد بالاعتبار بالكامل اضطرابات مثل أعمال الطرق أو الفعاليات الكبرى، فإنه يشير إلى مستقبل تتكيف فيه إشارات المرور واقتراحات التوجيه باستمرار مع الظروف المتغيرة. بالنسبة للمسافر العادي، قد يتحول ذلك إلى رحلات أقصر، وتدفقات أكثر سلاسة، وشوارع أكثر أمانًا مع تحسّن قدرة المدن على الاستماع إلى النبض الرقمي لطرقها والتصرف بناءً عليه.

الاستشهاد: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

الكلمات المفتاحية: إدارة حركة مرورية ذكية, إنترنت الأشياء, التعلّم العميق, المدن الذكية, توقُّع الازدحام