التعلم الآلي في مجال النقل: دليل 2026

ملخص سريع: يُحدث التعلّم الآلي ثورةً في قطاع النقل من خلال أنظمة ذكية تتنبأ بأنماط حركة المرور، وتُحسّن مسارات الخدمات اللوجستية، وتُعزّز سلامة المركبات، وترفع الكفاءة العامة. فمن المركبات ذاتية القيادة إلى إدارة الازدحام المروري في الوقت الفعلي، تُعالج خوارزميات التعلّم الآلي كميات هائلة من البيانات لجعل النقل أكثر ذكاءً وأمانًا واستدامةً في أنظمة النقل العام والشحن والتنقل الحضري.

تواجه شبكات النقل في جميع أنحاء العالم ضغوطاً متزايدة. فنمو سكان المدن، وتزايد أعداد المركبات، والمخاوف البيئية تتطلب حلولاً لا تستطيع الهندسة التقليدية وحدها توفيرها.

وهنا يأتي دور التعلم الآلي.

تقوم خوارزميات التعلم الآلي بمعالجة مجموعات بيانات النقل الضخمة - من أجهزة استشعار المرور، وبيانات نظام تحديد المواقع العالمي (GPS)، وأنماط الطقس، وسجلات الحوادث - للكشف عن أنماط غير مرئية للمحللين البشريين. وتؤدي هذه الأنماط مباشرةً إلى طرق أكثر أمانًا، ورحلات تنقل أقصر، وتوصيل شحنات أكثر كفاءة.

لم تعد هذه التقنية مجرد تكهنات مستقبلية. تقوم المؤسسات البحثية وهيئات النقل في جميع أنحاء العالم بنشر أنظمة تعتمد على التعلم الآلي تتنبأ بالازدحام المروري قبل حدوثه، وتوجه مركبات التوصيل لتجنب التأخيرات الناشئة، وتحدد المواقع المعرضة للحوادث قبل وقوعها.

يتناول هذا الدليل كيفية عمل التعلم الآلي فعلياً داخل أنظمة النقل، والتطبيقات التي تقدم نتائج قابلة للقياس، والتحديات التي يواجهها المهندسون عند تطبيق هذه التقنيات.

فهم التعلم الآلي في سياق النقل

يمثل التعلم الآلي فرعاً من فروع الذكاء الاصطناعي يركز على التعرف على الأنماط والتنبؤ من البيانات. وعلى عكس نماذج النقل التقليدية التي تعتمد على قواعد ومعادلات محددة مسبقاً، تتعلم خوارزميات التعلم الآلي العلاقات مباشرة من البيانات المرصودة.

لكن الأمر المهم هو أن قطاع النقل يُولّد بيانات على نطاق غير مسبوق. فكل مركبة مزودة بنظام تتبع GPS، وكل كاميرا مراقبة مرورية، وكل عملية تمرير لبطاقة النقل العام، تُنتج نقاط بيانات. وقد تُولّد شبكة مرور حضرية واحدة ملايين الملاحظات يوميًا.

تواجه الأساليب الإحصائية التقليدية صعوبة في التعامل مع هذا الحجم والتعقيد. بينما يزدهر التعلم الآلي في ظل ذلك.

تقنيات التعلم الآلي الأساسية المستخدمة في النقل

تستخدم تطبيقات النقل عادةً العديد من مناهج التعلم الآلي، كل منها مناسب لأنواع مختلفة من المشكلات:

• تتفوق الشبكات العصبية العميقة في معالجة البيانات المتسلسلة، مثل أنماط تدفق حركة المرور. وتُظهر الأبحاث التي أجراها مختبر النقل التابع لمعهد ماساتشوستس للتكنولوجيا كيف يمكن للشبكات العصبية العميقة التنبؤ بقرارات الأفراد المتعلقة بالرحلات، ورصد التغيرات في أنماط سلوك السفر، بكفاءة أعلى من نماذج الاختيار المنفصل التقليدية.
• تجمع أساليب التجميع بين خوارزميات متعددة لتحسين دقة التنبؤ. تُظهر الدراسات المقارنة الحديثة أنه في حين أن آليات الانتباه وأطر عمل Transformer تلتقط بفعالية التبعيات طويلة المدى في تسلسلات حركة المرور، فإن أساليب التعلم الجماعي تصبح أكثر قيمة مع امتداد آفاق التنبؤ إلى ما هو أبعد من التنبؤات المباشرة.
• تُجيد الشبكات العصبية المتكررة التعامل مع بيانات السلاسل الزمنية بشكل خاص. وتشير أبحاث التنبؤ بحركة المرور إلى أن بنى الشبكات العصبية المتكررة البسيطة قد تتفوق على النماذج الأكثر تعقيدًا عند استخدام تضمين الوقت للتنبؤ بحركة المرور لمدة 30 يومًا قادمة، مما يُبرز كيف أن الأساليب الأبسط قد تُحقق نتائج أفضل في بعض الأحيان على المدى الزمني الأطول.
• تُقلل المشفرات التلقائية من أبعاد البيانات مع الحفاظ على المعلومات الأساسية. تُظهر الدراسات المتعلقة بالتنبؤ بحوادث المرور أن نماذج المشفرات التلقائية العميقة قادرة على تحقيق دقة واعدة في التنبؤ بمستويات شدة الحوادث، حتى عند معالجة مجموعات بيانات تحتوي على 49 خاصية.

كيف يختلف مجال النقل عن مجالات التعلم الآلي الأخرى؟

يمثل قطاع النقل تحديات فريدة تميزه عن تطبيقات التعلم الآلي الأخرى.

للعوامل الزمنية أهمية بالغة. فحالة المرور في الساعة الثامنة صباحاً تؤثر بشكل مباشر على حالة المرور في الساعة الثامنة والربع صباحاً. كما أن حالة الطقس في اليوم السابق تؤثر على حالة الطرق اليوم. لذا، يجب أن تراعي الخوارزميات هذه العلاقات الزمنية.

تُضيف العلاقات المكانية بُعدًا آخر. فالازدحام على الطريق السريع 101 يؤثر على الطرق الموازية. كما أن وقوع حادث في وسط المدينة يؤثر على أنماط حركة المرور على بُعد كيلومترات. وتُدمج النماذج الفعّالة الترابط الجغرافي.

تزيد أهمية السلامة من المخاطر. أخطاء توصيات الترفيه تزعج المستخدمين. أخطاء التنبؤ بوسائل النقل قد تعرض الأرواح للخطر. وهذا يتطلب معايير تحقق وحدود أمان مختلفة.

تتفاوت جودة البيانات بشكل كبير بين المصادر. توفر أجهزة استشعار حركة المرور الاحترافية قياسات موثوقة. أما بيانات نظام تحديد المواقع العالمي (GPS) التي يتم جمعها من مصادر متعددة، فتحتوي على فجوات وتشويش. يجب أن تتعامل النماذج مع هذا التباين بكفاءة.

أنشئ مسارات عمل التعلم الآلي في مجال النقل باستخدام الذكاء الاصطناعي المتفوق

غالباً ما تتضمن أنظمة النقل بيانات تشغيلية واسعة النطاق، ومعلومات التوجيه، ومدخلات أجهزة الاستشعار، وسير العمليات اللوجستية. متفوقة الذكاء الاصطناعي يمكن أن تساعد المؤسسات على تطبيق التعلم الآلي في مشاريع تحليل النقل وتحسينه ومراقبته.

بإمكان شركة AI Superior مساعدة مشاريع النقل من خلال:

• هيكلة مجموعات البيانات اللوجستية والتشغيلية
• تطوير نماذج التنبؤ والتحسين
• بناء نماذج أولية لسير عمل النقل
• اكتشاف الأنماط في بيانات حركة المرور والبيانات التشغيلية
• تقييم أداء النموذج في ظروف العالم الحقيقي
• دعم التكامل في أنظمة برامج النقل

تواصل مع شركة AI Superior لمناقشة سير العمل والمتطلبات التقنية.

تطبيقات التنبؤ بحركة المرور وإدارتها

يُعدّ التنبؤ بحركة المرور أحد أكثر تطبيقات التعلّم الآلي نضجًا في مجال النقل. ويبدو الهدف واضحًا: التنبؤ بعدد المركبات التي ستستخدم أجزاءً محددة من الطرق في فترات زمنية مستقبلية.

لكن التنفيذ ينطوي على تعقيد كبير.

توقعات تدفق حركة المرور

تُقدّر توقعات تدفق حركة المرور عدد المركبات التي تمر عبر أجزاء من الطرق خلال فترات زمنية مستقبلية محددة، تتراوح عادةً من 10 دقائق إلى عدة ساعات. تُمكّن هذه التوقعات من إدارة حركة المرور بشكل استباقي بدلاً من الاكتفاء بالاستجابة لحالات الازدحام المروري القائمة.

تتفوق أساليب التعلم الآلي بشكل ملحوظ على الأساليب الإحصائية التقليدية في هذه المهمة. إذ تستطيع الشبكات العصبية العميقة تحديد الأنماط غير الخطية في بيانات التدفق التي تغفلها نماذج الانحدار الخطي تمامًا.

تعتمد دقة التنبؤ بشكل كبير على أفق التنبؤ. فالتنبؤات قصيرة المدى (من 10 إلى 30 دقيقة) تحقق عمومًا دقة أعلى من التنبؤات طويلة المدى (عدة ساعات أو أيام). وتشير الأبحاث إلى ضرورة تغيير استراتيجيات التنبؤ مع امتداد الأفق الزمني؛ إذ يُعدّ نمذجة التبعية الزمنية فعّالة للتنبؤات الفورية، بينما تزداد أهمية أنماط الدورية في التنبؤات طويلة المدى.

التنبؤ بالازدحام والوقاية منه

يُتيح التنبؤ بمواقع الازدحام المروري قبل حدوثه لهيئات النقل تطبيق إجراءات وقائية. ويمكن لحدود السرعة المتغيرة، وأنظمة التحكم في مداخل الطرق السريعة، وتوجيه حركة المرور، أن تُحوّل مسار حركة المرور بعيدًا عن الاختناقات المرورية الناشئة.

تعتمد نماذج التعلم الآلي المستخدمة في التنبؤ بالازدحام المروري عادةً على تصنيف مقاطع الطرق إلى مستويات ازدحام بدلاً من التنبؤ بأعداد المركبات بدقة. ويُعدّ هذا النهج التصنيفي أكثر فعالية في كثير من الأحيان بالنسبة لمشغلي إدارة المرور الذين يحتاجون إلى اتخاذ قرارات ثنائية بشأن التدخلات.

تجمع التطبيقات العملية بين نماذج التنبؤ وأنظمة الاستجابة الآلية. فعندما تتوقع النماذج احتمالية عالية للازدحام، تقوم الأنظمة تلقائيًا بتعديل إشارات المرور، وتحديث لوحات الطرق السريعة الرقمية، أو إرسال تنبيهات إلى تطبيقات الملاحة.

توقع السرعة

يُتيح التنبؤ الدقيق بالسرعة تقديرات أفضل لأوقات السفر لتخطيط المسارات. وتعتمد تطبيقات الملاحة بشكل كبير على هذه التنبؤات لاقتراح المسارات المثلى وتقديم تقديرات لأوقات الوصول.

يواجه التنبؤ بالسرعة تحديات لا يواجهها التنبؤ بتدفق حركة المرور. إذ يمكن أن تتفاوت السرعة بشكل كبير ضمن مقطع الطريق الواحد، حيث تتحرك مقدمة طابور السيارات ببطء بينما تسير المركبات القادمة من الخلف بسرعات انسيابية. لذا، يصبح تحديد التفاصيل المكانية أمراً بالغ الأهمية.

تُظهر أساليب التنبؤ المحسّنة بالخرائط والتي تتضمن هندسة الطريق وخصائص التقاطع وأنماط السرعة التاريخية لقطاعات محددة أداءً متفوقًا مقارنة بالنماذج التي تعامل جميع قطاعات الطريق على أنها متساوية.

تعزيز السلامة من خلال التعلم الآلي

تستفيد تطبيقات السلامة في النقل من تقنيات التعلم الآلي للتنبؤ بالحوادث، وتحديد المواقع الخطرة، وتقييم شدة التصادم. وتساهم هذه التطبيقات بشكل مباشر في إنقاذ الأرواح عند تطبيقها بفعالية.

التنبؤ بالحوادث والوقاية منها

تحلل نماذج التنبؤ بالحوادث بيانات الحوادث التاريخية، وخصائص الطرق، والظروف الجوية، وأنماط حركة المرور لتحديد السيناريوهات عالية الخطورة. والهدف ليس التنبؤ بالحوادث الفردية - فهذا يبقى غير عملي - بل تحديد الظروف والمواقع التي تزداد فيها احتمالية وقوع الحوادث بشكل ملحوظ.

كشفت الأبحاث المتعلقة بالتنبؤ بشدة حوادث المرور عن أنماط مثيرة للاهتمام في توزيع بيانات الحوادث. ففي مجموعة بيانات شاملة تضم 49 خاصية، أظهرت مستويات الشدة توزيعًا غير متوازن بشكل كبير: 0.3% للحوادث من المستوى الأول، و71.0% للحوادث من المستوى الثاني، و27.2% للحوادث من المستوى الثالث، و1.4% للحوادث من المستوى الرابع.

يُشكّل هذا الخلل تحديات في عملية النمذجة. تميل الخوارزميات القياسية إلى المبالغة في تقدير مستويات الخطورة الشائعة، بينما تغفل الحوادث الخطيرة النادرة ولكنها بالغة الأهمية. وتساعد تقنيات مثل أخذ عينات زائدة اصطناعية من الأقليات ووظائف الخسارة الموزونة في معالجة هذا الخلل.

لقد أظهرت أساليب التشفير التلقائي العميق دقة واعدة في مهام التنبؤ بالشدة عند معالجة بيانات شدة الحوادث غير المتوازنة.

تحديد المواقع الخطرة

بدلاً من انتظار وقوع حوادث متعددة لتحديد موقع ما على أنه خطير، يمكن لنماذج التعلم الآلي تحديد أجزاء الطرق الخطرة بشكل استباقي بناءً على الخصائص الهندسية، ومحدودية مسافة الرؤية، وأنماط حجم حركة المرور، وحوادث الاقتراب من الاصطدام التاريخية.

تُمكّن هذه النماذج التنبؤية لنقاط الخطر الجهات المعنية من تحديد أولويات تحسينات السلامة في المواقع التي تُحقق فيها أقصى قدر من التأثير. ويمكن لإعادة تصميم التقاطعات، وتحسين الرؤية، وإضافة لافتات مرورية أن تمنع الحوادث بدلاً من مجرد الاستجابة لها بعد وقوعها.

تقييم المخاطر في الوقت الفعلي

تقوم الأنظمة المتقدمة بتقييم مخاطر الحوادث في الوقت الفعلي بناءً على الظروف الحالية. فعندما يقلل هطول الأمطار الغزيرة من الرؤية بينما يظل حجم حركة المرور مرتفعًا على منعطف شهد حوادث سابقة، ترتفع درجات المخاطر. ويمكن للجهات المعنية الاستجابة بتخفيض حدود السرعة، أو تحسين لافتات التحذير، أو زيادة التواجد الأمني.

غالباً ما تؤكد المناقشات المجتمعية حول سلامة النقل على قيمة هذه الأساليب الاستباقية مقارنة ببرامج السلامة التفاعلية التقليدية التي لا تعالج سوى المواقع بعد ظهور أنماط الحوادث.

المركبات ذاتية القيادة وأنظمة مساعدة السائق المتقدمة

ربما تمثل المركبات ذاتية القيادة أبرز تطبيقات التعلم الآلي في مجال النقل. يجب على هذه الأنظمة إدراك بيئتها، والتنبؤ بسلوك مستخدمي الطريق الآخرين، واتخاذ قرارات قيادة آمنة - وكلها مهام يلعب فيها التعلم الآلي أدوارًا محورية.

الإدراك وفهم البيئة

تعتمد المركبات ذاتية القيادة على التعلم الآلي لتحليل بيانات المستشعرات من الكاميرات، وأجهزة الليدار، والرادار، والمستشعرات فوق الصوتية. وتحدد نماذج التعلم العميق المشاة، والمركبات، وراكبي الدراجات، وإشارات المرور، وعلامات المسارات، والعوائق من مدخلات المستشعرات الخام.

يختلف هذا التحدي الإدراكي اختلافًا جوهريًا عن مهام رؤية الحاسوب التقليدية. يجب أن تحقق المركبات ذاتية القيادة دقة شبه مثالية لأن أي خلل في الإدراك يؤدي مباشرةً إلى حوادث تتعلق بالسلامة. على سبيل المثال، قد يفشل كاشف المشاة 95% - وهو ممتاز وفقًا للعديد من معايير التعلم الآلي - في رصد واحد من كل عشرين مشاة، مما يشكل خطرًا غير مقبول على السلامة.

تتجاوز صعوبة اختبار البرمجيات الحيوية في الأنظمة ذاتية التشغيل التحديات في مجالات البرمجيات التقليدية بشكل كبير. ويتطلب اختبار تغطية الحالة/القرار المعدل (MCDC)، وهو الأسلوب الرئيسي لاختبار البرمجيات الحيوية في مجال الطيران وبعض المجالات الأخرى، أن يأخذ كل قرار ضمن الكود جميع النتائج المحتملة، وأن يأخذ كل شرط ضمن كل قرار جميع النتائج المحتملة، وأن يؤثر كل شرط بشكل مستقل على نتائج القرار.

بحسب الأبحاث المتعلقة بالأساليب التوافقية لتعزيز الثقة والضمان في الأنظمة ذاتية التشغيل، يُمثل اختبار MCDC نهجًا بالغ الأهمية، ولكنه يتطلب موارد ضخمة، للتحقق من صحة البرمجيات الحيوية. وبالنسبة للمركبات ذاتية التشغيل التي تحتوي على ملايين الأسطر البرمجية وعدد لا يُحصى من الحالات الاستثنائية، يُشكل الاختبار الشامل تحديًا كبيرًا.

يمكن لأساليب اختبار الأنظمة المستقلة أن تولد سيناريوهات اختبار حرجة أكثر تميزًا بشكل كبير مقارنة بالأساليب الأساسية، مما يساعد في تحديد الحالات الشاذة التي تغفلها استراتيجيات الاختبار الأبسط.

التنبؤ بالسلوك

يجب على المركبات ذاتية القيادة التنبؤ بسلوك مستخدمي الطريق الآخرين. هل سيعبر المشاة ممر المشاة؟ هل ستندمج المركبة في المسار المجاور؟ تقوم نماذج التعلم الآلي بمعالجة أنماط السلوك المرصودة لتوليد هذه التنبؤات.

تُضفي طبيعة حركة المرور متعددة العوامل تعقيدًا على النظام. إذ يؤثر سلوك كل مركبة على المركبات الأخرى، مما يُنشئ ترابطات يجب على النماذج استيعابها. وتتناول الأبحاث في مجال التعلم الآلي في الأنظمة متعددة العوامل هذه التحديات من خلال مناهج مثل التعلم المعزز العكسي ونمذجة نظرية الألعاب.

صنع القرار والتحكم

بمجرد أن تستشعر المركبة ذاتية القيادة بيئتها وتتنبأ بسلوك المستخدمين الآخرين، يجب عليها أن تقرر كيفية التصرف. يساهم التعلم الآلي في هذه القرارات، على الرغم من أن العديد من الأنظمة تجمع بين النماذج المُتعلمة وقيود السلامة القائمة على القواعد لضمان سلوك يمكن التنبؤ به في المواقف الحرجة.

لا يزال الطريق من البحث إلى التطبيق طويلاً. وتستمر متطلبات الاختبار والأطر التنظيمية ومسائل المسؤولية في التطور. لكن قدرات التعلم الآلي الأساسية تتقدم بثبات.

تحسين الخدمات اللوجستية والشحن

تُسبب العمليات اللوجستية تكاليف باهظة وآثاراً بيئية جسيمة. ويمكن لتحسين التعلم الآلي أن يقلل من كليهما بشكل كبير من خلال تحسين التوجيه والتنبؤ بالطلب وتخصيص الموارد.

تحسين الطريق

تستخدم طرق تحسين المسارات التقليدية خوارزميات مثل خوارزمية ديكسترا لأقصر مسار أو خوارزميات حل مشكلات توجيه المركبات. تعمل هذه الطرق بشكل جيد عندما تظل أوقات السفر ثابتة، ولكن النقل في العالم الحقيقي ينطوي على ظروف متغيرة.

يُحسّن التعلّم الآلي من كفاءة المسارات من خلال التنبؤ بأوقات السفر المتغيرة حسب الوقت. فالمسار الأمثل في الساعة السادسة صباحًا قد يكون أداؤه ضعيفًا في الساعة الثامنة صباحًا بسبب ازدحام ساعات الذروة. تستطيع نماذج التعلّم الآلي، المُدرّبة على بيانات نظام تحديد المواقع العالمي (GPS) التاريخية، التنبؤ بهذه التغيرات واقتراح مسارات تُقلّل من إجمالي وقت السفر المتوقع.

تُظهر الأبحاث المتعلقة بعمليات التوصيل في المرحلة الأخيرة أن أساليب التعلم الآلي يمكن أن تتفوق بشكل كبير على الأساليب التقليدية القائمة على التحسين وغيرها من بنى التعلم الآلي لتخطيط مسار التوصيل.

توقعات الطلب

يتعين على شركات الخدمات اللوجستية توفير المركبات والسائقين بما يتناسب مع الطلب المتوقع. فقلة الموارد تعني تأخر التسليم وعدم رضا العملاء، بينما كثرة الموارد تعني تكاليف غير ضرورية.

تتنبأ نماذج التعلم الآلي بأنماط الطلب بناءً على بيانات التسليم التاريخية، والاتجاهات الموسمية، وتوقعات الطقس، والأحداث المحلية، والمؤشرات الاقتصادية. وتُمكّن هذه التنبؤات من اتخاذ قرارات أفضل بشأن تخصيص الموارد.

تُصبح التنبؤات بالطلب ذات أهمية بالغة لخدمات النقل المشترك، حيث يتذبذب الطلب بشكل كبير عبر الزمان والمكان. ويُسهم وضع المركبات في المناطق ذات الطلب المرتفع قبل وصول الطلبات في تقليل أوقات الانتظار وتحسين جودة الخدمة.

إدارة المخزون والأسطول

تساعد تقنيات التعلم الآلي في اتخاذ قرارات تحديد مواقع المخزون، وتحديد مراكز التوزيع التي يجب أن تخزن أي المنتجات وبأي كميات. وتتنبأ النماذج بأنماط الطلب الإقليمي، وتحسن مواقع المخزون لتقليل تكاليف النقل مع الحفاظ على مستويات الخدمة.

تتنبأ تطبيقات إدارة الأساطيل باحتياجات الصيانة قبل حدوث الأعطال، وتجدول خدمة المركبات لتقليل الاضطراب التشغيلي، وتحسن تكوين الأسطول بناءً على أنماط الطلب.

تطبيقات النقل العام

تواجه أنظمة النقل العام تحديات فريدة حيث يقدم التعلم الآلي قيمة كبيرة. على عكس المركبات الخاصة، تعمل أنظمة النقل العام وفق جداول زمنية ثابتة يجب أن تستوعب الطلب المتغير مع الحفاظ على الكفاءة.

توقعات عدد الركاب

يُمكّن التنبؤ الدقيق بأعداد الركاب هيئات النقل من تعديل مستويات الخدمة بشكل مناسب. كما أن تشغيل حافلات إضافية خلال فترات ذروة الطلب المتوقعة يُحسّن تجربة الركاب، بينما يُساهم تجنب الخدمة غير الضرورية خلال فترات انخفاض الطلب في ضبط التكاليف.

تتضمن نماذج التعلم الآلي المستخدمة للتنبؤ بأعداد ركاب وسائل النقل العام عوامل مثل يوم الأسبوع، ووقت اليوم، والظروف الجوية، والفعاليات المحلية، والتقويم الدراسي، وأنماط الركوب التاريخية. وتستطيع أساليب التعلم العميق رصد تأثيرات التفاعل المعقدة بين هذه المتغيرات التي تغفلها النماذج الأبسط.

تقدير وقت السفر

تختلف أوقات رحلات الحافلات اختلافًا كبيرًا بناءً على حالة المرور، وعدد الركاب، وتوقيت الإشارات الضوئية. إن تزويد الركاب بتوقعات دقيقة لمواعيد الوصول يُحسّن تجربة المستخدم بشكل كبير مقارنةً بمعلومات الجداول الزمنية الثابتة.

أظهرت تقنية التنبؤ بوقت السفر عبر الطرق باستخدام الشبكات العصبية العميقة والمعززة بالخرائط أداءً متميزًا في هذا التطبيق. تتضمن هذه النماذج معلومات عن بنية شبكة الطرق، وأنماط السرعة التاريخية، والظروف الحالية، مما يُتيح توليد تنبؤات دقيقة حتى بالنسبة للطرق والأوقات التي تتوفر عنها بيانات تاريخية محدودة.

توليد أنماط النشاط

يعتمد نمذجة الطلب على النقل على فهم أنماط النشاط البشري - متى يسافر الناس، وإلى أين يذهبون، وما هي وسائل النقل التي يختارونها. تستخدم النماذج التقليدية القائمة على النشاط مناهج قائمة على القواعد لإنشاء مجموعات سكانية اصطناعية ذات أنماط نشاط واقعية.

تُبشّر الأساليب الجديدة التي تُدمج التعلّم العميق في نماذج الطلب على النقل بإمكانية توليد أنماط نشاط أكثر واقعية. تستطيع هذه النماذج تعلّم أنماط معقدة من بيانات مسح السفر المرصودة، وإنشاء مجموعات سكانية اصطناعية تُحاكي تنوّع السلوك في العالم الحقيقي بشكل أفضل.

تكامل النقل متعدد الوسائط

تشمل وسائل النقل الحديثة أنماطاً متعددة، كالمشي وركوب الدراجات والحافلات والقطارات وخدمات مشاركة الركوب والمركبات الشخصية. ويتطلب تحقيق الاستخدام الأمثل لهذه الأنماط فهم كيفية اختيار الأفراد بين الخيارات المتاحة وكيفية تنسيق الأنظمة المختلفة.

توقع اختيار وسيلة النقل

يساعد فهم وسيلة النقل التي سيختارها الأفراد لرحلات محددة الجهات المعنية على تخطيط استثمارات البنية التحتية ومستويات الخدمة. ويمكن لنماذج التعلم الآلي التنبؤ باختيار وسيلة النقل بناءً على خصائص الرحلة، والخيارات المتاحة، والتفضيلات الفردية، والعوامل السياقية.

تُظهر أساليب اختيار وسيلة النقل الهجينة التي تجمع بين التعلم الآلي وأساليب اتخاذ القرارات متعددة المعايير (MCDM) إمكانات واعدة. تستفيد هذه الأساليب من قدرات التعلم الآلي في التعرف على الأنماط، مع دمج أطر اتخاذ القرارات المنظمة التي توفرها أساليب اتخاذ القرارات متعددة المعايير.

تكامل خدمات التنقل

تدمج منصات التنقل كخدمة (MaaS) وسائل النقل المتعددة في خدمات موحدة. ويمكن للمستخدمين التخطيط والحجز والدفع مقابل الرحلات متعددة الوسائط من خلال تطبيقات واحدة.

تعتمد محركات التوصيات في هذه المنصات على تقنيات التعلم الآلي، حيث تتنبأ بأفضل توليفات وسائل النقل التي تلبي احتياجات المستخدمين بناءً على تفضيلاتهم وسياقهم وظروفهم الآنية. ويتعين على هذه الخوارزميات تحقيق التوازن بين عدة أهداف، منها تقليل وقت السفر، وخفض التكاليف، وتحسين الموثوقية، والحد من الأثر البيئي.

تحديات واعتبارات التنفيذ

على الرغم من الإمكانيات الواعدة، فإن تطبيق التعلم الآلي في أنظمة النقل يطرح تحديات كبيرة يجب على المؤسسات التعامل معها بحذر.

جودة البيانات وتوافرها

تتطلب نماذج التعلم الآلي كميات كبيرة من بيانات التدريب عالية الجودة. غالبًا ما تعاني بيانات النقل من ثغرات وتناقضات وأخطاء. تتسبب أعطال المستشعرات في فقدان بعض البيانات، بينما يؤدي تشويش نظام تحديد المواقع العالمي (GPS) إلى عدم دقة تحديد المواقع. كما أن جمع البيانات يدويًا يُدخل احتمالية الخطأ البشري.

يتعين على المؤسسات الاستثمار في عمليات تنظيف البيانات والتحقق من صحتها وضمان جودتها قبل البدء في تطوير النماذج. غالباً ما يستهلك هذا العمل التحضيري وقتاً وموارد أكثر من عملية النمذجة نفسها.

يتباين توافر البيانات بشكل كبير بين المواقع. توفر المناطق الحضرية الكبرى ذات شبكات الاستشعار الواسعة مجموعات بيانات غنية. أما المدن الصغيرة والمناطق الريفية فغالباً ما تفتقر إلى البنية التحتية اللازمة لتوليد بيانات مماثلة، مما يحد من جدوى تطبيقات التعلم الآلي.

متطلبات قابلية تفسير النموذج

غالباً ما تتطلب قرارات النقل تبريراً وشفافية. يجب على أي جهة تُنفذ تغييراً في توقيت إشارات المرور بناءً على تنبؤات التعلم الآلي أن تُوضح أسباب هذا التغيير لأصحاب المصلحة والجمهور.

غالباً ما تعمل نماذج التعلم العميق التي تحقق أداءً تنبؤياً قوياً كصناديق سوداء، مما يجعل تفسيرها أمراً صعباً. وهذا يخلق توتراً بين متطلبات دقة النموذج وقابليته للتفسير.

تساعد الأساليب التي تعزز قابلية التفسير - تحليل أهمية الميزات، وتصور الانتباه، وشرح النموذج البديل - في سد هذه الفجوة ولكنها لا تحل بشكل كامل المفاضلة الأساسية بين تعقيد النموذج وشفافيته.

المتطلبات الحسابية

يتطلب تدريب نماذج التعلم الآلي المتطورة موارد حاسوبية ضخمة. وتتطلب شبكات المرور الكبيرة التي تحتوي على ملايين نقاط البيانات أجهزة قوية وفترات تدريب طويلة.

تواجه التطبيقات التي تعمل في الوقت الفعلي قيودًا حسابية صارمة للغاية. فنموذج التنبؤ بحركة المرور الذي يستغرق خمس دقائق لتوليد توقعات لمدة عشر دقائق لا يُقدم قيمة تُذكر. ويتطلب النشر تحسينًا دقيقًا لضمان تشغيل النماذج بسرعة كافية للاستخدام العملي.

التكامل مع الأنظمة الحالية

تعتمد هيئات النقل على أنظمة قديمة تم بناؤها على مدى عقود. ويمثل دمج إمكانيات التعلم الآلي الجديدة مع أنظمة إدارة المرور الحالية، ومنصات عمليات النقل، والبنية التحتية للبيانات تحديات تقنية.

تتطلب مشاريع التكامل هذه خبرة تشمل التعلم الآلي وهندسة النقل وتكامل الأنظمة - وهو مزيج نادرًا ما يوجد في الأفراد أو حتى المنظمات الفردية.

الاتجاهات الناشئة والتوجهات المستقبلية

يستمر التعلم الآلي في مجال النقل بالتطور بوتيرة متسارعة. وتَعِد العديد من الاتجاهات الناشئة بإعادة تشكيل كيفية تطبيق هذه التقنيات خلال السنوات القادمة.

الحوسبة الطرفية والتعلم الموزع

تعتمد أساليب التعلم الآلي التقليدية على معالجة البيانات في خوادم سحابية مركزية. أما الحوسبة الطرفية فتقرب المعالجة من مصادر البيانات - كاميرات المرور المزودة بمعالجة مدمجة، والمركبات ذات القدرات الحاسوبية المحلية، وأجهزة التحكم في التقاطعات المزودة بنماذج تعلم آلي مدمجة.

يُقلل هذا النهج الموزع من زمن الاستجابة، ويُحسّن الخصوصية، ويُمكّن من العمل أثناء انقطاع الاتصال. تسمح تقنيات التعلم الموحد بتدريب النماذج عبر أجهزة موزعة دون الحاجة إلى مركزة البيانات الحساسة.

التعلم الانتقالي بين المدن

يتطلب تدريب نماذج التعلم الآلي من الصفر بيانات محلية واسعة النطاق. أما التعلم بالنقل فيُمكّن النماذج المدربة في مدينة ما من توفير نقاط انطلاق لمواقع أخرى، مما يقلل الحاجة إلى البيانات المحلية لتحقيق أداء جيد.

قد يُطبَّق نموذج تنبؤ حركة المرور المُدرَّب على بيانات نيويورك بنجاح في فيلادلفيا مع تعديلات محلية بسيطة نسبيًا. هذه الإمكانية من شأنها أن تُسهِّل الوصول إلى تقنيات التعلّم الآلي للمدن الصغيرة التي لا تستطيع توليد مجموعات بيانات تدريبية تُضاهي تلك الموجودة في المدن الكبرى.

التعلم المعزز للتحكم

تركز معظم تطبيقات التعلم الآلي الحالية في مجال النقل على التنبؤ. يُمكّن التعلم المعزز الأنظمة من تعلم سياسات التحكم المثلى من خلال التجربة والخطأ - كيفية ضبط توقيت إشارات المرور، ومتى يتم إرسال مركبات النقل العام، وكيفية تسعير خدمات مشاركة الركوب لتحقيق التوازن بين العرض والطلب.

تتيح بيئات المحاكاة لوكلاء التعلم المعزز التدريب على ملايين السيناريوهات الافتراضية قبل النشر في الأنظمة الحقيقية، مما يعالج مخاوف السلامة التي تجعل التعلم القائم على التجربة والخطأ غير عملي في شبكات النقل الحية.

التنسيق بين عدة جهات

ينطوي النقل بطبيعته على تفاعل العديد من العناصر المختلفة - المركبات، والمشاة، وأنظمة النقل العام، وأساطيل النقل اللوجستي. ويمكن لأساليب التعلم المعزز متعدد العناصر ونظرية الألعاب أن تُحسّن نتائج النظام ككل بدلاً من التركيز على أهداف العناصر الفردية فقط.

لا تزال هذه الأساليب في مراحل البحث إلى حد كبير، لكنها تُظهر وعدًا في معالجة تحديات التنسيق التي لا يمكن لتقنية التحسين أحادي العامل حلها بفعالية.

أفضل الممارسات للمنظمات

ينبغي على المنظمات التي تطبق التعلم الآلي في مجال النقل أن تتبع ممارسات تزيد من احتمالية النجاح مع إدارة المخاطر.

ابدأ بمشاكل محددة جيدًا

تُحقق تقنيات التعلّم الآلي أفضل النتائج عند تطبيقها على مشاكل محددة وواضحة المعالم، مع وجود معايير نجاح محددة. فعبارة "تحسين انسيابية حركة المرور" مبهمة للغاية. بينما عبارة "تقليل متوسط وقت السفر على الطريق 50 خلال ساعات الذروة المسائية بمقدار 10%" توفر توجيهًا واضحًا ونتائج قابلة للقياس.

ينبغي للمؤسسات تحديد المشكلات ذات القيمة العالية التي تتوافق فيها توافر البيانات ودعم أصحاب المصلحة والجدوى التقنية. وتُعدّ هذه المشكلات نقاط انطلاق مثالية لمشاريع التعلم الآلي الأولية.

قم ببناء بنية تحتية للبيانات أولاً

إن محاولة تطبيق التعلم الآلي دون بنية تحتية متينة للبيانات تؤدي إلى الإحباط. لذا، ينبغي على المؤسسات الاستثمار في قدرات جمع البيانات وتخزينها وتنظيفها وإدارتها قبل الشروع في تطوير النماذج.

تُحقق هذه البنية التحتية فوائد تتجاوز تطبيقات التعلم الآلي - فالبيانات الأفضل تُحسّن التحليل التقليدي وإعداد التقارير واتخاذ القرارات في جميع أنحاء المؤسسات.

متابعة المشاريع التجريبية

تنطوي عمليات نشر التعلم الآلي على نطاق واسع في جميع أنحاء النظام على مخاطر كبيرة. تسمح المشاريع التجريبية ذات النطاق المحدود للمؤسسات بالتعلم والتحقق من القدرات وإثبات القيمة قبل الالتزامات الكبيرة.

تساهم التجارب الناجحة في بناء ثقة المؤسسة ودعم أصحاب المصلحة لتطبيقها على نطاق أوسع. أما التجارب الفاشلة فتتيح فرصاً للتعلم بتكلفة محدودة.

استثمر في المواهب والتدريب

يتطلب التعلم الآلي خبرة غالباً ما تفتقر إليها هيئات النقل التقليدية داخلياً. يجب على المؤسسات إما توظيف علماء بيانات ذوي معرفة بمجال النقل أو تدريب متخصصي النقل على تقنيات التعلم الآلي - والأفضل الجمع بين الأمرين.

يمكن للشراكات مع الجامعات وشركات الاستشارات وشركات التكنولوجيا أن تكمل القدرات الداخلية، ولكن برامج التعلم الآلي الناجحة على المدى الطويل تتطلب خبرة داخلية للحفاظ على الأنظمة وتطويرها.

الحفاظ على الرقابة البشرية

ينبغي أن يُعزز التعلم الآلي عملية اتخاذ القرار البشري، لا أن يحل محلها تمامًا، لا سيما في التطبيقات بالغة الأهمية للسلامة. يجب أن تُقدم الأنظمة تنبؤات وتوصيات التعلم الآلي للمشغلين البشريين الذين يحتفظون بسلطة اتخاذ القرار النهائي.

يحافظ هذا النهج الذي يشرك العنصر البشري على المساءلة مع الاستفادة من قدرات التعلم الآلي في التعرف على الأنماط لتحسين جودة القرار.

الأسئلة الشائعة