استنتاج هدف الرحلة الشخصية بناءً على مناطق وظيفية ديناميكية حسب الوقت والعمر

لماذا رحلاتك أهم مما تظن

يُسجل الملايين من الرحلات يوميًا بهدوء عبر الهواتف الذكية وأنظمة النقل، مبينةً أين يتحرك الناس لكن ليس لماذا. هل هم ذاهبون إلى العمل، متوجهون إلى المنزل، يلتقون أصدقاء، أم يتسوقون؟ تُظهر هذه الدراسة كيف يمكن استنتاج تلك «الأسباب» غير المرئية من أكوام كبيرة من بيانات الحركة المجهولة الهوية عن طريق قراءة التغير في طابع أحياء المدينة عبر الزمن وبين الفئات العمرية. والنتيجة هي أداة قوية يمكن أن تساعد المدن على تخطيط أنظمة نقل أكثر عدلاً وكفاءةً دون الحاجة إلى إجراء مسوحات مكلفة بصورة دائمة.

من نقاط على خريطة إلى أنشطة واقعية

تجمع المدن الحديثة كميات هائلة من بيانات المواقع من مصادر مثل الهواتف المحمولة وبطاقات النقل الذكية ومسارات GPS. هذه السجلات غنية بالتفاصيل حول نقاط الانطلاق والوجهات لكنها نادرًا ما تتضمن سبب الرحلة. اعتمد الباحثون تقليديًا على مسوحات سفر منزلية مفصلة — حيث يُبلغ الناس عن سبب تنقلهم — لبناء قواعد أو نماذج تعلم آلي يمكن تطبيقها على هذه المجموعات الأكبر من البيانات. ومع ذلك، اعتبر معظم العمل السابق استخدامات الأراضي عند كل وجهة كأمر ثابت: وُسمت الأماكن ببساطة كـ «سكنية» أو «عمل» أو «تسوق» بغض النظر عن وقت اليوم أو من الذي يزورها.

التقاط كيفية تغير الأحياء على مدار اليوم

يجادل المؤلفون بأن مناطق المدينة تتصرف بشكل مختلف جدًا عبر الساعات والفئات العمرية. قد تخدم منطقة قرب جامعة الطلاب صباحًا، وموظفي المكاتب في منتصف النهار، ومرتادي المطاعم والحفلات ليلًا. كما تجتذب الحدائق والمدارس والكنائس والمكاتب مجموعات عمرية مميزة في أوقات مختلفة. لالتقاط هذا، تبني الدراسة «مناطق وظيفية ديناميكية حسب الوقت والعمر» لكل مقاطعة إدارية صغيرة في سيول. يجمع الفريق أكثر من 770,000 سجل لأماكن ذات اهتمام — مثل المنازل وأماكن العمل والمدارس والمتاجر والمرافق الطبية ومواقع الترفيه — مع بيانات تسجيل الوصول من مجموعة بيانات Yelp المفتوحة وأنماط العمر من مسوحات السفر المنزلية والشخصية الوطنية في كوريا. يقسمون اليوم إلى ستة نطاقات زمنية والسكان إلى أربع فئات عمرية، ثم يخصصون أوزانًا مختلفة لكل نوع من الأماكن اعتمادًا على متى وبواسطة من يتم زيارتها عادةً. هذا يخلق ملفًا حساسًا للوقت والعمر يصف ما يُستخدم كل حي من أجله في ظروف مختلفة.

تعليم الآلات تخمين سبب تنقل الناس

باستخدام هذه المناطق الوظيفية الديناميكية كمؤشرات رئيسية، إلى جانب عمر المسافر وجنسه وتوقيت الرحلة والمسافة والوصول إلى وسائل النقل، يدرب الباحثون نوعين من النماذج لاستنتاج هدف الرحلة: نموذج تعزيز التدرج المتطرف (XGBoost) وشبكة عصبية ذاكرة طويلة قصيرة (LSTM). كلاهما دُرِّب على ما يقرب من 401,000 رحلة مسحية تتضمن أسبابًا معروفة، مجمعة في خمس فئات عامة: العودة إلى المنزل، الذهاب إلى العمل، التعليم، التسوق أو تناول الطعام، وأسباب أخرى. في الاختبارات، تفوق XGBoost قليلاً على LSTM، محددًا أسباب الرحلات بشكل صحيح حوالي 84% من الوقت مقابل 78% للشبكة العصبية. عندما يستبعد المؤلفون ديناميكيات الوقت والعمر ويستخدمون وظائف الحي الثابتة فقط، تنخفض الدقة بما يصل إلى ثلاث نقاط مئوية، مما يؤكد أن التغير في طابع الأماكن يساعد النماذج فعلاً على رؤية لماذا يتحرك الناس.

تطبيق الطريقة على بيانات هاتفية من العالم الحقيقي

ثم يطبق الفريق نماذجهم المدربة على مجموعة ضخمة من بيانات «حركة الحياة اليومية» في سيول، المبنية من إشارات الهواتف المحمولة المجهولة الهوية. تغطي هذه المجموعة ملايين الرحلات لكنها تضع تسميات تقريبية للنقاط الأصل والوجهة مثل المنزل أو العمل أو «مكان آخر»، دون أغراض صريحة. تستنتج النماذج أغراضًا لما يقرب من أربعة ملايين رحلة خلال شهر واحد. أكثر من نصفها مصنفة كمرتبطة بالمنزل وحوالي ثلثها مرتبطة بالعمل، مع حصص أصغر للتعليم والتسوق أو تناول الطعام. حيث تكون تسميات الحركة واضحة — مثل من المنزل إلى العمل أو من العمل إلى المنزل — تتفق الأغراض المستنتجة مع أنواع البيانات الهاتفية بنحو 68% و74% على التوالي. كما أن الأنماط عبر الزمن والعمر منطقية أيضًا: تميل الرحلات في وقت مبكر من الصباح وآخر الظهيرة إلى التنقل للذهاب إلى العمل، غالبًا ما تكون رحلات المراهقين للتعليم، وتميل الرحلات المسائية إلى العودة إلى المنزل.

ما يعنيه هذا للسفر اليومي

بعبارة مبسطة، تُظهر الدراسة أنه من خلال دمج خرائط مفصلة لما توفره الأحياء مع معلومات عن متى ومن يستخدم تلك الأماكن، يمكن للمدن تخمين أسباب معظم الرحلات بشكل موثوق حتى عندما لا يجيب الناس على سؤال مسح. هذا يفتح الباب أمام استخدام بيانات الهواتف ووسائل النقل الموجودة لفهم التنقل إلى العمل، والرحلات المدرسية، والتسوق، والسفر الترفيهي على مقاييس دقيقة. على سبيل المثال، يمكن للمخططين اكتشاف أماكن تستدعي المزيد من الحافلات في المساء من أحياء الأعمال إلى مناطق سكنية كثيفة، أو حيث تشير حركات متعلقة بالمدارس إلى الحاجة لمسارات آمنة للمشي وركوب الدراجة. وبينما لا تزال الطريقة تواجه صعوبة مع الرحلات النادرة أو المتعددة الأغراض، فإنها تُظهر مسارًا عمليًا لتحويل آثار الحركة المجهولة إلى روايات ذات معنى عن كيفية ولماذا يتحرك الناس في المدينة.

الاستشهاد: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

الكلمات المفتاحية: هدف الرحلة, التنقل الحضري, المناطق الوظيفية, تخطيط النقل, بيانات الهاتف المحمول