بحث في توقع تدفق المرور باستخدام شبكات الالتفاف الرسومية التقدمية المعتمدة على آلية الانتباه الزمكاني الذاتي

لماذا تهم توقعات المرور الأذكى

يمكن أن يبدو ازدحام ساعة الذروة متقلبًا، مع أن المدن تعتمد على توقعه لإدارة الاختناقات، وضبط توقيت الإشارات، وإرشاد السائقين. يقدم هذا البحث نهجًا جديدًا لتوقع حركة المرور يتكيف في الوقت الحقيقي مع تغير الظروف، ويهدف إلى جعل التنبؤات أكثر دقة لمدد تتراوح من دقائق إلى ساعة مقبلة. من خلال تعلّم كيفية تأثير أجزاء مختلفة من شبكة الطرق على بعضها البعض عبر الزمن، يعدّ هذا الأسلوب بتسهيل التنقل، وتحقيق استخدام أفضل للطرق القائمة، وتخطيط سفر أكثر موثوقية.

تغيّرات أنماط المرور عبر المدينة

الحركة المرورية بعيدة عن العشوائية. تظهر إيقاعات يومية وأسبوعية متكررة — مثل ذروة الصباح والمساء — مضافًا إليها مفاجآت ناجمة عن الطقس والحوادث وجداول المدارس والفعاليات الخاصة. تميل أدوات التنبؤ التقليدية إلى افتراض أن هذه الأنماط بسيطة ومستقرة إلى حد ما، مما يجعلها تعاني أمام واقع المدينة المعقّد. قد تلتقط أبعادًا زمنية (كيف يتغير المرور في نقطة معينة) أو مكانية (كيف تؤثر الطرق القريبة على بعضها)، لكنها نادرًا ما تجمع بينهما مع مرونة كافية. ونتيجة لذلك، تنخفض دقتها بسرعة عند محاولة التنبؤ لأكثر من بضع دقائق مُقدمة.

من خرائط ثابتة إلى شبكات طرق حية

تستفيد التطورات الحديثة في الذكاء الاصطناعي من فكرة تمثيل شبكة الطرق كرسوم بيانية: كل مستشعر على الطريق هو نقطة، والطرق التي تربط بينها تشكّل الروابط. كانت الأنظمة السابقة تتعلّم مدى تأثير كل طريق على جيرانه أثناء التدريب، ثم تثبت تلك العلاقات عند الاستخدام. يجادل المؤلفون بأن هذا يمثل قيودًا جادة. في الحياة الواقعية، قد يتصرف طريقان بشكل متشابه أثناء ذروة ذهاب الطلبة وينفصلان مساءً، أو قد تتحرك مسارات بعيدة معًا عندما يحول حادث كبير المرور. خرائط التأثير الثابتة لا تواكب هذه الأنماط المتغيرة، مما يؤدي إلى عدم تطابق بين ما تعلّمه النموذج في الماضي وما يواجهه اليوم.

نموذج يتكيف مع حركة المرور

يتعامل نموذج PGCN-STSA المقترح مع شبكة الطرق كنظام حي يمكن أن تتغير روابطه الداخلية مع الزمن. بدلًا من الاعتماد فقط على المسافة الفيزيائية أو خريطة ثابتة، يقيس النموذج باستمرار مدى تشابه السلوك الحديث لكل زوج من المستشعرات. إذا أظهرت موقعان تقلبات متطابقة في السرعة، يقوّي النموذج الصلة بينهما؛ وإذا تفرّقت أنماطهما، تضعف تلك الصلة. يتم تحديث هذا الرسم البياني "التقدمي" باستخدام بيانات حديثة، بحيث يتطوّر تصور النموذج للشبكة مع حركة المرور الحقيقية. بالإضافة إلى ذلك، تساعد آلية انتباه خاصة النظام على التركيز على الأوقات والأماكن الأكثر صلة، بينما تتيح خطوة التفاف مصممة بعناية رؤية أعمق في الماضي القريب دون أن تصبح بطيئة أو معقدة للغاية.

الاختبار على طرق سريعة حقيقية

لاختبار ما إذا كان هذا النهج التكيفي مفيدًا فعلاً، اختبر الباحثون النموذج على مجموعتي بيانات شهيرتين لطرق سريعة من لوس أنجلوس ومنطقة خليج سان فرانسيسكو. في كلتا الحالتين، سجّلت مئات المستشعرات على جانبي الطريق سرعات المركبات كل خمس دقائق على مدى عدة أشهر. طُلِب من النموذج الجديد توقع الحركة بعد 15 و30 و60 دقيقة قادمة وقورِن بمجموعة واسعة من الأساليب القائمة — من الإحصاءات الكلاسيكية إلى بعض أحدث أنظمة التعلّم العميق. عبر معظم الإعدادات، أنتج النموذج التكيفي أخطاء أصغر. ورغم أن نسب التحسّن قد تبدو متواضعة، فإنها في سياق مؤشرات أداء قوية مسبقًا تشير إلى مكسب ذي معنى في الدقة والاستقرار، وخاصة لآفاق التنبؤ الطويلة حيث عادةً ما تتزايد الأخطاء بسرعة.

ما الذي يعنيه هذا للسفر اليومي

بالنسبة للمسافر اليومي، تُترجم التفاصيل التقنية إلى فائدة بسيطة: توقعات أفضل حول كيفية تطور حركة المرور خلال الساعة المقبلة. يمكن لنظام مبني على هذا النوع من النماذج أن يتكيف بسرعة أكبر مع إغلاق حارات، أو تغيّر جداول المدارس، أو تحوّل عادات التنقل، مما يحسّن تطبيقات الملاحة، والتحكم في إشارات المرور، وأدوات التخطيط. كما يسلّط العمل الضوء على فكرة أوسع في علم البيانات: بدلًا من افتراض أن العلاقات في نظام معقّد ثابتة، قد يكون من الأقوى السماح للنموذج بإعادة تعلّم كيفية تأثير الأجزاء المختلفة على بعضها بعضًا باستمرار. مع ازدياد الاتصال وتوفر البيانات في المدن، قد تصبح أدوات التنبؤ القابلة للتكيّف هذه جوهرية للحفاظ على حركة الناس والبضائع بكفاءة.

الاستشهاد: Liu, C., Kou, Y., Wang, S. et al. Research on traffic flow prediction of progressive graph convolutional networks based on spatio-temporal self-attention mechanism. Sci Rep 16, 14112 (2026). https://doi.org/10.1038/s41598-026-44004-7

الكلمات المفتاحية: تنبؤ حركة المرور, النقل الذكي, الشبكات العصبية الرسومية, التعلّم العميق, البيانات الزمكانية