هل تريد معرفة كيف "يتنبأ الذكاء الاصطناعي بزحام ساعات الذروة"؟ دعنا نغوص أعمق في هذا المقال مع INVIAI لنجد الإجابة!

في المدن المزدحمة، تتحول الطرق السريعة والشوارع غالبًا إلى مواقف سيارات خلال ساعات الذروة – وهي مشكلة مزعجة ومكلفة. تشير الدراسات إلى أن الازدحام المروري يكلف العديد من الاقتصادات حوالي 2% من الناتج المحلي الإجمالي. في الولايات المتحدة، على سبيل المثال، يفقد السائق العادي حوالي 43 ساعة سنويًا عالقًا في الزحام.

هذا الوقت الضائع يعني أيضًا خسائر بمليارات الدولارات في الإنتاجية، واستهلاكًا إضافيًا للوقود، وزيادة التلوث والإجهاد على صحة الناس.

لمعالجة ذلك، يلجأ مخططو النقل إلى الذكاء الاصطناعي. من خلال التنبؤ بمكان وزمان حدوث الازدحامات، تهدف أنظمة الذكاء الاصطناعي إلى تسهيل تدفق المرور قبل أن يبدأ التباطؤ.

تعتمد توقعات حركة المرور الحديثة على البيانات الضخمة. فهي تجمع تدفقات هائلة من المعلومات عن الطرق: أعداد وسرعات من أجهزة الاستشعار والكاميرات، وتتبع نظام تحديد المواقع من الهواتف الذكية والمركبات، وحتى عوامل خارجية مثل الطقس أو الفعاليات الخاصة.

على سبيل المثال، تزود كاميرات المرور وأجهزة GPS بيانات حية يحللها الذكاء الاصطناعي جنبًا إلى جنب مع الأنماط التاريخية لنفس الطرق.

هذا يسمح للنموذج بـ"معرفة" أن جزءًا من الطريق السريع عادة ما يتباطأ في صباح أيام الأسبوع، أو أن حفلة موسيقية في وسط المدينة ستزيد من عدد السيارات على شوارع معينة. عمليًا، تجمع أنظمة مثل خرائط جوجل بين قراءات حركة المرور في الوقت الفعلي مع سنوات من الاتجاهات السابقة للتنبؤ بالظروف من 10 إلى 50 دقيقة مقدمًا.

فعليًا، يسأل الذكاء الاصطناعي: "بالنظر إلى ما يحدث الآن وما يحدث عادة في هذا الوقت، كيف سيكون شكل حركة المرور في المستقبل القريب؟"

تشمل المصادر الرئيسية للبيانات في نماذج الذكاء الاصطناعي لحركة المرور:

• بيانات حركة المرور التاريخية: السرعات والحجوم على كل طريق حسب الوقت من اليوم/الأسبوع.
• التغذيات الحية: أعداد وسرعات المركبات في الوقت الفعلي من أجهزة الاستشعار على الطرق، وكاميرات المرور، وأجهزة GPS.
• المعلومات الخارجية: تقارير الطقس، وتنبيهات الحوادث أو الإنشاءات، وجداول الفعاليات الخاصة.
• خوارزميات التعلم الآلي: نماذج (مثل الشبكات العصبية) تتعلم الأنماط المعقدة من جميع المدخلات السابقة.

تعالج نماذج الذكاء الاصطناعي هذه المدخلات باستخدام تقنيات متقدمة. تواجه الطرق الإحصائية التقليدية صعوبة في التعامل مع حجم وتنوع حركة المرور الحضرية، لذلك يستخدم الباحثون الآن التعلم العميق.

على سبيل المثال، يمكن للشبكات العصبية المتكررة (RNNs) أو الشبكات الالتفافية التقاط تغيرات حركة المرور مع مرور الوقت، وتستخدم الشبكات العصبية البيانية (GNNs) بنية شبكة الطرق بشكل صريح.

في نظام جوجل، تُجمع مقاطع الطرق القريبة في "مقاطع فائقة" ويتم تدريب شبكة عصبية بيانية على بيانات المرور للتنبؤ بأوقات السفر لكل منها. تُستخدم أوقات السفر المتوقعة (ETAs) بعد ذلك لترتيب الطرق الممكنة. يوضح الرسم البياني أدناه هذه العملية:

خط أنابيب توقع حركة المرور في جوجل: تُجمع بيانات الطرق والسرعات المجهولة المصدر في مقاطع فائقة، تُعالج بواسطة شبكة عصبية بيانية للتنبؤ بأوقات السفر، ثم تُستخدم لترتيب الطرق حسب وقت الوصول المتوقع.

التطبيقات العملية

يُستخدم التنبؤ بحركة المرور المدعوم بالذكاء الاصطناعي بالفعل من قبل شركات التكنولوجيا والمدن حول العالم. على سبيل المثال، يدمج خرائط جوجل بيانات المستخدمين الحية ونماذج الذكاء الاصطناعي لتوقع الازدحام.

إنه "يتذكر" أن طريقًا سريعًا معينًا يتباطأ عادةً من الساعة 6 إلى 7 صباحًا، ثم يجمع هذه البيانات التاريخية مع السرعات الحية للتنبؤ بالظروف المستقبلية.

تُفيد مختبرات الذكاء الاصطناعي في DeepMind (تابعة لجوجل) أن نماذج التعلم الآلي المحسنة (باستخدام الشبكات العصبية البيانية) حسّنت دقة أوقات الوصول المتوقعة بنسبة تصل إلى 50% في مدن مثل تايتشونغ وسيدني. بعد هذا التحديث، كانت أكثر من 97% من أوقات الوصول المتوقعة دقيقة للغاية.

بعبارة أخرى، إذا تنبأ الذكاء الاصطناعي بأن رحلتك ستستغرق 30 دقيقة، فمن المرجح أن يكون ذلك صحيحًا.

تستخدم منصات تجارية أخرى أفكارًا مماثلة. تقول شركة تحليلات المرور INRIX إن ذكاءها الاصطناعي يمكنه "التنبؤ بسرعات المرور في الوقت الفعلي على جميع الطرق" من خلال تحليل عقود من البيانات.

تستفيد Inrix من التقدم في الذكاء الاصطناعي والحوسبة السحابية لتغطية حتى الشوارع الصغيرة التي تفوتها أجهزة الاستشعار التقليدية.

تستخدم تطبيقات الملاحة مثل Waze (من جوجل) وApple Maps أيضًا بيانات GPS المجمعة من المستخدمين والذكاء الاصطناعي لتنبيه السائقين حول التباطؤات القادمة، وأحيانًا تقترح طرقًا بديلة قبل تشكل الازدحام.

تقوم المدن ووكالات النقل أيضًا بنشر الذكاء الاصطناعي. في بلفيو، واشنطن، على سبيل المثال، تغذي الكاميرات في 40 تقاطعًا فيديو مباشرًا إلى ذكاء اصطناعي يكتشف نقاط الازدحام في الوقت الحقيقي.

في الدنمارك، تستخدم أنظمة المدينة الذكاء الاصطناعي لمعالجة حجم المرور وتعديل توقيت الإشارات الضوئية (الأضواء الخضراء) تلقائيًا بناءً على التدفق الحالي.

حتى إشارات المرور التقليدية أصبحت أكثر ذكاءً: في بيتسبرغ ولوس أنجلوس، توجد الآن إشارات متكيفة بالذكاء الاصطناعي تعدل نفسها تلقائيًا، مما يقلل وقت التوقف ويحافظ على حركة السيارات. كما تجري مشاريع بحثية في جميع أنحاء العالم.

تجري شراكة بين أوروبا واليابان اختبار نظام تعلم عميق يسمى TRALICO يتنبأ بالازدحام ويتحكم في الإشارات في إسطنبول.

تهدف كل هذه التطبيقات الواقعية إلى التنبؤ بالازدحام مسبقًا حتى يتمكن المخططون من اتخاذ إجراءات قبل ظهور الاختناقات.

الفوائد للسائقين والمدن

العائد من التنبؤات الدقيقة لحركة المرور ضخم. بالنسبة للمسافرين الأفراد، يعني الذكاء الاصطناعي أوقات سفر أكثر موثوقية ووقتًا أقل ضائعًا في الزحام.

يمكن للتطبيقات تحذيرك قبل الانطلاق إذا كان الطريق سيزدحم قريبًا، أو إعادة توجيهك لتجنب التباطؤات.

تشير الدراسات إلى أن هذا يمكن أن يوفر للسائقين ساعات أسبوعيًا. كما يقلل التوجيه الذكي من استهلاك الوقود – لا مزيد من التوقف الطويل عند الإشارات أو الزحف في الطرق المزدحمة يعني حرقًا أقل للوقود.

في الواقع، أفاد مشروع ذكاء اصطناعي لجوجل بتقليل توقف المركبات بنسبة 30% وانبعاثات الوقود بنسبة 10% عند التقاطعات المزدحمة.

على مستوى المدينة، يؤدي تدفق المرور السلس إلى تقليل التلوث وتحقيق مكاسب اقتصادية. وقت أقل في الزحام يعني إنتاجية أعلى، وضغط أقل أثناء التنقل، وهواء أنظف.

باختصار، تساعد التنبؤات المدعومة بالذكاء الاصطناعي الناس على اتخاذ قرارات توجيه أفضل وتساعد المدن على تصميم شبكات طرق أكثر كفاءة.

التحديات وآفاق المستقبل

إن بناء توقعات حركة المرور بالذكاء الاصطناعي ليس خاليًا من التحديات. جمع ومعالجة هذه الكمية الكبيرة من البيانات يمكن أن يكون مكلفًا – قد تحتاج المدن إلى الاستثمار في أجهزة الاستشعار والكاميرات والبنية التحتية الحاسوبية.

دمج الذكاء الاصطناعي في أنظمة المرور القديمة معقد، ويجب تدريب الموظفين على استخدام الأدوات الجديدة.

هناك أيضًا مخاوف بشأن خصوصية البيانات والتحيز. يجب التعامل مع مجموعات البيانات الضخمة للمواقع بأمان، وقد تخطئ النماذج إذا كانت بيانات التدريب تحتوي على نقاط عمياء (على سبيل المثال، نقص البيانات عن الطرق الريفية هو فجوة معروفة).

الأمن السيبراني يمثل قضية أخرى: يمكن أن تكون أنظمة المرور المتصلة أهدافًا للاختراق، لذا هناك حاجة إلى تدابير حماية قوية.

رغم هذه التحديات، يظل الخبراء متفائلين. لا يزال الذكاء الاصطناعي في إدارة المرور في مراحله الأولى، وهناك مجال كبير للنمو. يرى الباحثون مسارات واضحة للمستقبل – مثل تطوير نماذج تتكيف في الوقت الحقيقي مع الأحداث المفاجئة (كإنهاء مباراة رياضية) وتوسيع الحلول لتشمل المناطق الريفية.

فكرة متقدمة هي استخدام نماذج اللغة الكبيرة (مثل تلك التي تدعم ChatGPT) لإضافة سياق للتنبؤات. على سبيل المثال، تسمح طريقة جديدة للذكاء الاصطناعي بـ"فهم" المعلومات المكتوبة عن إغلاق الطرق أو الفعاليات وأخذها في الحسبان في توقعاته.

في المستقبل القريب، قد تدمج أنظمة الذكاء الاصطناعي تقارير المرور من وسائل التواصل الاجتماعي أو الأخبار الحية، مما يجعل التنبؤات أكثر ذكاءً.

>>> اضغط لمعرفة كيف: الذكاء الاصطناعي يُحسّن مسارات الحافلات لتقليل أوقات الانتظار 

باختصار، يُحدث الذكاء الاصطناعي تحولًا في كيفية تعاملنا مع زحام ساعات الذروة. من خلال التعلم من الاتجاهات التاريخية الضخمة وظروف الطرق الحية، يمكن لأنظمة الذكاء الاصطناعي التطلع إلى المستقبل وتقدير مكان حدوث الازدحام.

هذا يمنح السائقين والمدن بداية قيمة: تعديل الإشارات، إعادة توجيه المركبات، أو تغيير الجداول الزمنية قبل ظهور الاختناقات.

مع التقدم المستمر والتنفيذ الدقيق، يعد التنبؤ بحركة المرور المدعوم بالذكاء الاصطناعي بجعل تنقلاتنا أقصر وأنظف وأقل إجهادًا.