מסגרת למידת חיזוק רב‑מודלית ורב‑סוכנית לחיזוי זרימת תנועה עירונית ואופטימיזציה של בקרה על אותות

מדוע רמזורים חכמים חשובים

כל מי שהתמהמה מול שרשרת של אור אדום או זחלה ברחוב ראשי מפוצץ הרגיש עד כמה התנועה העירונית יכולה להיות לא יעילה. מעבר למרמור, רכבים שעומדים בזבזים דלק ומשחררים גזי חממה ומזהמים לאוויר. מאמר זה מציג גישה חדשה לניהול תנועה עירונית המטפלת באותות כרשת מתואמת ולומדת במקום כזמזמים קבועים, במטרה להניע אנשים מהר יותר תוך צמצום שומע וגזים מזהמים.

עיר שמרגישה ומבינה את התנועה שלה

החוקרים מציעים מערכת בשם MM-STMAP שנותנת לעיר סוג של מערכת עצבית דיגיטלית. במקום להסתמך רק על מינויי כלי רכב פשוטים, היא אוספת במקביל סוגי נתונים רבים: זרימת תנועה, מהירויות, תנאי מזג אוויר כמו גשם או ערפל, וימים מיוחדים כגון חגים. השדרים המגוונים הללו מנוקים, משולבים והופכים לתיאור מאוחד של מה שקורה בכבישים. בהבחנה, למשל, ששעת שיא גשומה בחג תפעל אחרת מאשר יום עבודה רגיל, המערכת יכולה לצפות טוב יותר כיצד התנועה תתפתח בדקות הקרובות.

לראות תבניות במרחב ובזמן

בעיות תנועה נדירות נשארות בצומת בודד; הן מתפשטות ברשת כבישים שלמה. MM-STMAP לוכדת זאת על ידי הצגת הכבישים והצמתים כאתר של נקודות מקושרות, ואז לומדת כיצד תנאים מתפשטים לאורך הרשת הזו בזמן. היא משתמשת בחישובים רב‑שכבתיים שבתחילה בוחנים כיצד רחובות שכנים משפיעים זה על זה ואחר כך כיצד השפעות אלה משתנות מצעד זמן לצעד זמן. מנגנון "תשומת לב" שתוכנן במיוחד מאפשר למודל למקד את יכולת החישוב שלו בקטעים ההיסטוריים הרלוונטיים ביותר—כגון שעת שיא אתמול באותו זמן—מבלי להילכד עם גידול נפחי הנתונים. זה הופך את העיבוד של זרמי חיישנים ארוכי טווח מהרשתות העירוניות הגדולות לפרקטי.

רמזורים שלומדים ביחד

על גבי מנוע החיזוי הזה בונים הכותבים מערכת בקרה מבוססת למידה לאותות התנועה. כל צומת מתייחס כאל סוכן אינטליגנטי היכול לבחור כמה זמן להחזיק ירוק או אדום בכיוונים שונים. סוכנים אלה אינם פועלים בבדידות: הם משתפים מידע על המצב התעבורתי הרחב ומתאמנים יחד כך שההחלטות הפרטניות שלהם תומכות בזרימה חלקה בכל הרשת. תהליך הלמידה נותן פרס לדפוסים שמגדילים את מספר כלי הרכב העובר, מקצרים זמני המתנה ממוצעים ומצמצמים התנהגות עצירה‑התחלה המבזבזת דלק, תוך שהוא מעניש תצורות שיוצרות תורים ארוכים ועיכובים.

בחינת המערכת במבחן

כדי לבדוק האם MM-STMAP מביא יתרונות ממשיים, הצוות בחן אותה על מערכי נתונים גדולים מהעיר לוס אנג'לס. נתונים אלה כוללים עשרות אלפי דגימות מחיישני כביש ותחבורה בין‑עירונית ועירונית, לצד בעיות מציאותיות כגון קריאות חסרות, מדידות רועשות ותבניות תנועה לא סדירות. בהשוואה לכמה ממודלי החיזוי המתקדמים ביותר ולסכמות בקרה מסורתיות—לוחות זמנים קבועים ונורות ריאקטיביות מקומיות—הגישה החדשה הניבה חיזויי תנועה לטווח הקצר מדויקים יותר ותזמוני אותות יעילים יותר. היא הקטינה מדדי שגיאה נפוצים בחיזוי בכשליש בערך ביחס למערכות הקבועות והמופעלות הטובות ביותר היום, ובדמולציות קיצרה ממוצעי עיכוב ומספר העצירות תוך כדי שאיבה של יותר כלי רכב דרך הרשת בשעה.

המשמעות לנהגים ביום‑יום

פשוטו כמשמעו, MM-STMAP מתארת עתיד שבו רמזורים משתפים פעולה ולומדים ללא הפסקה מניסיון, במקום לפעול בעיוורון לפי מחזורים קשיחים. על‑ידי ניבוי מקומות שבהם עומסים עומדים להיווצר והתאמת תזמוני האותות על פני כמה צמתים, המערכת יכולה לקצר זמני נסיעה, להחליק את תנועה העצירה‑ההתחלה ולהפחית המתנות מיותרות. בעוד שהשיטה עדיין מתמודדת עם אתגרים—כמו הצורך בנתונים אמינים וכוח חישוב משמעותי בהיקף עירוני—היא מצביעה על מוביליות עירונית חכמה ונקייה יותר שבה הנסיעות היומיומיות שלנו אינן רק מהירות יותר אלא גם עדינות יותר לסביבה.

ציטוט: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

מילות מפתח: תנועה עירונית, חיזוי תנועה, למידת חיזוק, רמזורים חכמים, תחבורה אינטליגנטית