مجموعات بيانات افتراضية موجهة بخبرة الخبراء للقيادة الآلية التكيفية في قطارات المترو

لماذا تهم قيادة المترو الأكثر ذكاءً

قطارات المترو مؤتمتة بالفعل في مدن عديدة، لكن تعليمها كيف تقود بسلاسة وتوفر الطاقة وفي الوقت نفسه تصل في المواعيد غالباً ما يتطلب كميات هائلة من بيانات العالم الحقيقي التي تكون مكلفة لجمعها. توضح هذه الدراسة كيف يمكن تحويل معرفة الخبراء البشرية لمشغلي القطارات إلى بيانات افتراضية غنية، مما يسمح لأجهزة الحاسوب بتعلم القيادة التكيفية لقطارات المترو دون الاعتماد على سنوات من التجربة والخطأ أثناء الخدمة اليومية.

من خبرة السائق إلى الرحلات الافتراضية

يبدأ الباحثون بالعمل مع متخصصي المترو لالتقاط قواعد عملية مستخلصة من الخبرة: مدى سرعة التسارع أو التباطؤ التي يمكن أن تتحملها الركاب دون إزعاج، المسافات المعتادة بين المحطات، ومدى دقة توقف القطارات على الرصيف. باستخدام هذه القواعد، ينتجون ملايين "منحنيات القيادة" الافتراضية التي تصف كيف يجب أن يتغير سرعان القطار عبر المسافة والوقت بين المحطات. تغطي هذه المنحنيات أنواعاً مختلفة من الخطوط، من مراكز المدن المزدحمة إلى المسارات الضواحي ذات حدود السرعة المتنوعة، مع الالتزام دائماً بمعايير السلامة والراحة.

فرز أفضل الرحلات من الباقي

ليست كل رحلة افتراضية ذات جودة متساوية. فبعضها يستهلك كهرباء أكثر من اللازم، وبعضها يصل مبكراً أو متأخراً قليلاً، وبعضها قد يكون أقل راحة للركاب. لاختيار الخيارات الأفضل، يطبق الفريق نظام قرار مستوحى من المنطق الضبابي، طريقة للتعامل مع المقايضات بدلاً من قواعد صارمة بنعم أو لا. يتم تقييم كل منحنى مرشح على أربعة جوانب: استهلاك الطاقة، راحة الركاب، مدى قرب وقت الوصول الفعلي من الجدول المستهدف، ودقة توقف القطار على الرصيف. ترتفع المنحنيات التي توازن بين هذه الأهداف إلى القمة، مما يوفر مكتبة من أنماط القيادة عالية الجودة لمختلف أزمنة الرحلات بين المحطات.

تعليم نموذج للقيادة كخبير

بمجرد اختيار المنحنيات ذات الجودة العالية، تُحوّل إلى مجموعة بيانات منظمة يمكن لنموذج التعلم الآلي فهمها. يسجل كل لحظة من الرحلة الافتراضية معلومات مثل السرعة الحالية، الموقع، المسافة والوقت المتبقيين إلى المحطة التالية، وأي جزء من المسار يكون القطار فيه. الهدف الذي يجب على النموذج تعلمه هو اختيار التسارع التالي الذي يحافظ على سير الرحلة كما ينبغي. يختبر الباحثون عدة طرق تعلم ويجدون أن نموذج الغابة العشوائية، المبني من العديد من أشجار القرار البسيطة، قادر بدقة على إعادة بناء منحنيات القيادة الكاملة من هذه المدخلات، مع المحافظة على أوقات الوصول ومواقع التوقف ضمن حدود ضيقة.

توفير الطاقة وتحسين الرحلة

باستخدام هذه البيانات الافتراضية الموجهة بخبرة الخبراء، يحقق الإطار مكاسب ملحوظة عند تطبيقه على سيناريوهات مترو واقعية. تقلل المنحنيات المختارة استهلاك الطاقة بحوالي اثني عشر في المئة مع الحفاظ على مستوى عالٍ من راحة الركاب. في الوقت نفسه، تحافظ على أوقات الوصول ومواقع التوقف ضمن بضعة أعشار من الثانية وبضعة أعشار من المتر من أهدافها، وهو أمر حاسم للخدمة الموثوقة والصعود الآمن إلى القطارات. وبما أن معظم عملية التعلم تحدث على رحلات افتراضية بدلاً من المسارات الحقيقية، فإن النهج يقلل أيضاً من تكلفة وتعقيد جمع البيانات مقارنة بالطرق التقليدية.

ما يعنيه هذا لسفر المدن في المستقبل

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن قطارات المترو يمكن تعليمها لتقود بطريقة أقرب إلى مشغلي القطارات ذوي الخبرة، لكن على نطاق واسع وبدون سنوات من الضبط اليدوي. عن طريق ترميز قواعد الخبراء إلى مجموعات بيانات افتراضية هائلة ثم السماح للتعلم الآلي بتحسين كيف يتسارع القطار ويتزحلق ويقوم بالكبح، يدعم النظام رحلات أكثر سلاسة، وفواتير طاقة أقل، وتوقفات دقيقة عند المحطات، كل ذلك مع الاندماج في أنظمة التشغيل الآلي الحالية للقطارات. هذا يسهل على المدن، بما في ذلك تلك ذات البنية التحتية التقنية المحدودة، ترقية شبكات متروها إلى قيادة آلية أكثر ذكاءً وتكيفية.

الاستشهاد: Huang, Y., Zhao, W., Chen, D. et al. Expert experience-guided virtual datasets for adaptive automatic driving in metro trains. Sci Rep 16, 15044 (2026). https://doi.org/10.1038/s41598-026-47220-3

الكلمات المفتاحية: أتمتة المترو, القيادة الآلية التكيفية, مجموعات بيانات افتراضية, كفاءة طاقة القطارات, راحة الركاب