מערכת ניהול תנועה אורבנית מבוססת רשת עצבית עמוקה מיטבית לסביבת עיר חכמה מבוססת האינטרנט של הדברים

מדוע תנועה חכמה חשובה לחיי העיר

פקקים בשעות העומס הם יותר מסה טורדנית: הם מבזבזים דלק, מזהמים את האוויר, מאטים את הגעת כלי רכב חירום ופוגעים בזמן שאנשים מבלים עם משפחותיהם. ככל שהערים מתרחבות וככל שמספר הרכבים גדל, רמזורים קבועים ומרכזי שליטה ידניים מתקשים לעמוד בקצב. מחקר זה בוחן כיצד רשתות חיישנים וסוג מתקדם של בינה מלאכותית יכולות לפעול יחד בזמן אמת כדי לזהות פקקי תנועה, לחזות בעיות ולהתאים אותות לפני שהתנועה נעצרת.

מהרחובות המחוברים למוח התנועה

המאמר מתמקד בערים שבהן כבישים, רמזורים ורכבים מחוברים באמצעות "האינטרנט של הדברים", כלומר הם משדרים באופן רציף עדכונים דיגיטליים על מה שמתרחש ברחובות. חיישנים ומצלמות עוקבים אחרי מספר כלי הרכב החולפים בצומת, מהירותם, סוגם ואפילו מצב מזג האוויר, תאונות ומצב האות הנוכחי. במקום שמפעילים אנושיים ימיינו את כל המידע הזה, המחברים מציעים מערכת סיוע בהחלטה אוטומטית שיודעת להבין את הדפוסים הללו ולהציע דרכים לנהל את האותות והנתיבים באופן חכם יותר.

ניקוי ובחירת הרמזים הנכונים

נתוני תנועה מהעולם האמיתי מלוכלכים: חיישנים נכשלות, ערכים חסרים וקולות מדידה שונים נמצאים בקנה מידה שונה לחלוטין. לכן המערכת מתחילה בשלב ניקוי זהיר, ממלאת קריאות חסרות נדירות ומדרגת את כל המדידות כך שיהיה ניתן להשוות ביניהן באופן הוגן. אחריה מגיע שלב קריטי: החלטה אילו פרטי מידע באמת מסייעים להבחין בין מצבי תנועה שונים. המודל משלב שלוש משפחות של טכניקות בחירה, שכל אחת מהן מסתכלת על הנתונים בזווית מעט שונה. ביחד הן מסננות פרטים שאינם מועילים או כפולים ושומרות רק על התכונות שמסמנות באמת האם הגודש קריטי, כבד, בינוני או קל, מה שמאיץ גם את העיבוד בהמשך.

כיצד המודל לומד דפוסי תנועה לאורך זמן

תנועה אינה עניין של רגע אחד בלבד; היא משתנה לאורך דקות ושעות כאשר הרמזורים מתחלפים והתנהגות הנהגים משתנה. כדי ללכוד דפוסים מתפתחים אלה, המחברים משתמשים ברשת עצבית עמוקה המעוצבת לנתונים סדרתיים וייחוס זמן. רשת זו מחליקה על רצפי קריאות התנועה, משתמשת בשכבות קונבולוציה מוערמות כדי לזהות גם ביציאות קצרות וגם הצברות גודש בטווח הארוך. מנגנון תשומת לב לאחר מכן מתמקד באופן סלקטיבי ברגעים המסגירים ביותר בכל רצף, מה שמאפשר למערכת לשקלל יותר בחומרה קפיצות או ירידות אחרונות כשמחליטים עד כמה כביש עומס. התוצאה היא שיוך ברור של כל מצב לאחד מארבע רמות גודש, המקושרות במחקר לפעולות ספציפיות כגון הארכת זמן ירוק או הפעלת מסלולים חלופיים.

הערכת המערכת

החוקרים אילפו והעריכו את הגישה שלהם על סט נתוני תנועה פתוח שמייצג רשת עירונית חכמה. כל רשומה כוללת ספירת כלי רכב, מהירויות, תנאי מזג אוויר, חותמות זמן, מיקומים ואסטרטגיות איתות. כדי להימנע מהטיה הנובעת מעצם העובדה שגודש חמור נפוץ הרבה יותר מנתב קל בנתונים, הם השתמשו בטכניקות איזון ובאימות זהיר. לאורך מספר חלוקות אימון–מבחן, המערכת שלהם סיווגה נכון את מצבי התנועה כמעט ב-99 אחוז מהמקרים, והציגה ביצועים טובים יותר ממגוון שיטות מודרניות אחרות. היא השיגה זאת תוך דרישות חישוב וזיכרון יחסית נמוכות, יתרון מעשי לתפעול בזמן אמת בעיר.

מה זה אומר לנהגים היומיומיים

מעשית, המחקר מראה שמערכת בינה מלאכותית מעוצבת בקפידה יכולה לשמש כיועץ מהיר ומונע-נתונים למרכזי תנועה עירוניים, ולהפוך זרמי חיישנים גולמיים לפעולות בקרה קונקרטיות ובזמן. בעוד שהעבודה הנוכחית מסתמכת על סט נתונים יחיד ועדיין אינה מתחשבת במלואה בתרחישים מפריעים כגון עבודות בכביש או אירועים גדולים, היא מצביעה אל עתיד שבו רמזורים והצעות תוואי יתאימו באופן רציף לתנאים המשתנים. עבור הנהג הממוצע, זה עלול להתבטא בנסיעות קצרות יותר, זרימה חלקה יותר וכבישים בטוחים יותר ככל שהערים משתפרות בהקשבה—ובתגובה—לדופק הדיגיטלי של רחובותיהן.

ציטוט: 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

מילות מפתח: ניהול תנועה חכם, האינטרנט של הדברים, למידה עמוקה, ערים חכמות, חיזוי גודש