الذكاء الاصطناعي يتنبأ بزحام ساعات الذروة

أزمة الازدحام المروري

في المدن المزدحمة، تتحول الطرق السريعة والشوارع غالبًا إلى مواقف سيارات خلال ساعات الذروة – 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 مليارات الدولارات من الإنتاجية المفقودة، وحرق وقود إضافي، وزيادة التلوث والضغط على صحة الناس.

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

كيف يعالج الذكاء الاصطناعي بيانات المرور

تعتمد توقعات المرور الحديثة على البيانات الضخمة. 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.

بالنظر إلى ما يحدث الآن وما يحدث عادة في هذا الوقت، كيف سيكون شكل المرور في المستقبل القريب؟

— منطق التنبؤ الأساسي للذكاء الاصطناعي في المرور

هذا يسمح للنموذج "بمعرفة" أن جزءًا من الطريق عادة ما يبطئ 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 المرور الحية مع سنوات من الاتجاهات الماضية لتوقع الظروف من 10 إلى 50 دقيقة مقدمًا.

مصادر البيانات الرئيسية لنماذج الذكاء الاصطناعي المرورية

• بيانات المرور التاريخية: السرعات والحجوم على كل طريق حسب الوقت من اليوم/الأسبوع
• التغذيات الحية: أعداد وسرعات المركبات في الوقت الحقيقي من أجهزة الاستشعار، كاميرات المرور، وأجهزة GPS
• المعلومات الخارجية: تقارير الطقس، تنبيهات الحوادث أو الإنشاءات، وجداول الفعاليات الخاصة
• خوارزميات تعلم الآلة: نماذج (مثل الشبكات العصبية) تتعلم الأنماط المعقدة من كل هذه المدخلات

تقنيات الذكاء الاصطناعي المتقدمة في التنبؤ بالمرور

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

على سبيل المثال، يمكن للشبكات العصبية المتكررة أو الشبكات الالتفافية التقاط تغيرات المرور عبر الزمن، وتستخدم الشبكات العصبية البيانية بنية شبكة الطرق بشكل صريح.

الذكاء الاصطناعي يحلل بيانات المرور الحضرية عبر شبكات عصبية متقدمة

التطبيقات العملية

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

تتذكر أن طريقًا سريعًا معينًا يبطئ عادةً من 6 إلى 7 صباحًا، ثم تجمع هذه البيانات التاريخية مع السرعات الحية لتوقع الظروف المستقبلية.

تُبلغ ديب مايند (مختبر الذكاء الاصطناعي في جوجل) أن نماذج تعلم الآلة المحسنة (باستخدام الشبكات العصبية البيانية) حسنت دقة ETA بنسبة تصل إلى 50% في مدن مثل تايتشونغ وسيدني. بعد هذا التحديث، كانت أكثر من 97% من أوقات الوصول المتوقعة دقيقة للغاية.

التطبيقات التجارية والبلدية

تهدف كل هذه التطبيقات العملية إلى التنبؤ بالازدحام مسبقًا ليتمكن المخططون من اتخاذ الإجراءات قبل ظهور الاختناقات.

لوحة إدارة المرور المدعومة بالذكاء الاصطناعي أثناء التشغيل

الفوائد للسائقين والمدن

العائد من التوقعات الدقيقة للمرور هائل. بالنسبة للمسافرين الأفراد، يعني الذكاء الاصطناعي أوقات سفر أكثر موثوقية ووقتًا أقل ضائعًا في الزحام.

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

نتائج التأثير القابلة للقياس

تشير الدراسات إلى أن هذا يمكن أن يوفر للسائقين ساعات أسبوعيًا. كما يقلل توجيه الذكاء الاصطناعي من استهلاك الوقود – فلا مزيد من التوقف عند الإشارات أو التقدم البطيء على الطرق السريعة، مما يعني حرقًا أقل للوقود.

في الواقع، أفاد مشروع ذكاء اصطناعي من جوجل بتقليل توقفات المركبات بنسبة 30% وانبعاثات الوقود بنسبة 10% عند التقاطعات المزدحمة.

على مستوى المدينة، يعني تدفق المرور السلس انخفاض التلوث وزيادة الإنتاجية. وقت أقل في الزحام يعني ضغطًا 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.

تصور تدفق المرور الحضري المحسن بالذكاء الاصطناعي

التحديات وآفاق المستقبل

إن بناء توقعات مرور بالذكاء الاصطناعي ليس خاليًا من العقبات. جمع ومعالجة هذه الكمية الكبيرة من البيانات يمكن أن يكون مكلفًا – قد تحتاج المدن إلى الاستثمار في أجهزة الاستشعار والكاميرات وبنية الحوسبة.

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

التحديات الرئيسية في التنفيذ

الابتكارات والفرص المستقبلية

على الرغم من هذه التحديات، فإن الخبراء متفائلون. لا يزال الذكاء الاصطناعي في إدارة المرور في مراحله الأولى، مع مجال كبير للنمو. يرى الباحثون مسارات واضحة للمستقبل – مثل جعل النماذج تتكيف في الوقت الحقيقي مع الأحداث المفاجئة (مثل انتهاء مباراة رياضية) وتوسيع الحلول إلى المناطق الريفية.

فكرة متقدمة هي استخدام نماذج اللغة الكبيرة (مثل تلك التي تدعم ChatGPT) لإضافة سياق للتوقعات. على سبيل المثال، طريقة جديدة تسمح 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 التوقعات أكثر ذكاءً.

التحديات وآفاق المستقبل لتنبؤ الذكاء الاصطناعي بزحام ساعات الذروة

الخلاصة: الطريق إلى الأمام

باختصار، يُغير الذكاء الاصطناعي الطريقة التي نتعامل بها مع زحام ساعات الذروة. من خلال التعلم من الاتجاهات التاريخية الضخمة وظروف الطرق الحية، يمكن لأنظمة الذكاء الاصطناعي التطلع إلى الأمام وتقدير مكان حدوث الازدحام.

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