TSMini: A Simple Yet Highly Effective Trajectory Similarity Learning Model

في الأرشيفات الرقمية الشاسعة لعالمنا المعاصر، تُكتب سجلات صامتة في كل مرة تتحرك فيها مركبة. فتعمل أجهزة نظام تحديد المواقع العالمي (GPS) في السيارات، وسيارات الأجرة، وشاحنات التوصيل على التقاط تدفق مستمر من نقاط الموقع، مما يرسم مسارات الحركة البشرية عبر المدن والمناظر الطبيعية. هذه المسارات، المعروفة باسم "المسارات الحركية" (trajectories)، هي أكثر من مجرد خطوط على خريطة؛ فهي مصادر بيانات غنية تكشف كيف يتنقل الناس، وأين يتجمعون، وكيف يوجهون مساراتهم في بيئاتهم. وبالنسبة للعلماء ومحللي البيانات، يعد فهم هذه المسارات أمراً بالغ الأهمية؛ فهم بحاجة لمعرفة ما إذا كان مساران متشابهان لجمعهما معاً، أو لرصد سلوك غير عادي قد يشير إلى حادث أو سرقة، أو لإيجاد الرحلة الماضية الأكثر صلة لمساعدة مسافر جديد. ومع ذلك، فإن مقارنة هذه المسارات أمر صعب للغاية؛ فالطرق التقليدية تعامل الرحلة كمجرد قائمة بسيطة من النقاط وتحاول مطابقتها نقطة بنقطة. هذا النهج مجهد حاسوبياً وبطيء، خاصة عند التعامل مع مسارات طويلة ومعقدة تلتوي وتنعطف عبر المناطق الحضرية المكتظة. الأمر يشبه محاولة مقارنة روايتين عبر قراءة كل كلمة من كلتيهما ومطابقتها حرفاً بحرف؛ الطريقة تعمل، لكنها تستغرق وقتاً طويلاً جداً ليكون عملياً مع مجموعات البيانات الضخمة.

ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، حيث قاموا بتدريب نماذج حاسوبية لتعلم كيفية الحكم على تشابه المسارات بسرعة. الفكرة تكمن في تعليم الآلة كيفية النظر إلى المسار وإنشاء ملخص رقمي مدمج، أو "بصمة"، تلخص جوهره. وبمجرد إنشاء هذه البصمات، تصبح مقارنة مسارين ببساطة كقياس المسافة بين رقمين. وبينما أصبح هذا الأسلوب أسرع، إلا أنه عانى من نقص في الدقة. فغالباً ما تفشل النماذج الحالية في رؤية الصورة الكاملة لأنها تنظر إلى الرحلة إما كتسلسل من النقاط الفردية أو كسلسلة من المربعات الشبكية الكبيرة والكتلية. النهج الأول يفتقر إلى رؤية تدفق وأنماط الحركة بين النقاط، بينما الثاني يطمس التفاصيل الدقيقة، مما يجعل من الصعب التمييز بين طريق متعرج وطريق مستقيم. علاوة على ذلك، تم تدريب هذه النماذج ببساطة لتخمين درجة تشابه واحدة، مما يفقدها السياق الأوسع لكيفية مقارنة مسار واحد بالعديد من المسارات الأخرى في آن واحد.

لقد قدم فريق من الباحثين من جامعة ملبورن، والجامعة الوطنية بسنغافورة، وجامعة آلبورج نهجاً جديداً يسمى "TSMini" لمعالجة هذه أوجه القصور. يركز عملهم على تعليم الكمبيوتر رؤية الرحلة بطرق متعددة في وقت واحد، تماماً مثل المصور الذي يلتقط لقطة واسعة للمشهد ثم يقرب العدسة (zoom in) على تفاصيل محددة لالتقاط القصة كاملة. بدلاً من إجبار النموذج على الاختيار بين النظر إلى النقاط الفردية أو الكتل الكبيرة، يقوم TSMini بتفكيك المسار الحركي إلى أجزاء متداخلة ذات أطوال متفاوتة. فهو يحلل التحركات القصيرة والمباشرة لالتقاط الأنماط المحلية، مثل الانعطاف الحاد أو التوقف السريع، بينما ينظر في الوقت نفسه إلى مسافات أطول لفهم الاتجاه العام وهيكل الرحلة. هذه الرؤية متعددة الطبقات تسمح للنموذج بالاحتفاظ بالتفاصيل الدقيقة للمسار دون فقدان الصورة الكبيرة، مما يخلق تمثيلاً أغنى وأكثر دقة للحركة.

كما قام الباحثون بتغيير كيفية تعلم النموذج من أخطائه. فبدلاً من مجرد مطالبة الكمبيوتر بالتنبؤ برقم واحد يوضح مدى تشابه مسارين، علموه فهم الترتيب النسبي للعديد من المسارات في وقت واحد. تخيل معلماً لا يطلب من الطالب تقييم مقال واحد فحسب، بل يطلب منه تصنيف مجموعة من المقالات من الأفضل إلى الأسوأ. ومن خلال التركيز على هذا الترتيب، يتعلم النموذج الفروق الدقيقة بين مسار مشابه جداً ومسار آخر أقل تشابهاً بقليل، مما يصقل فهمه لما يجعل الرحلتين متشابهتين حقاً. هذا الأسلوب، المعروف باسم "خسارة توجيه الجار الأقرب" (k-nearest neighbor guided loss)، يضمن أن النموذج يولي اهتماماً للمقارنات الأكثر أهمية، ويتعلم وضع المسارات الأكثر تشابهاً في أعلى قائمته.

وعند اختباره على ثلاث مجموعات بيانات ضخمة من الواقع تحتوي على ملايين رحلات سيارات الأجرة وخدمات النقل التشاركي من بورتو، وشيان، وألمانيا، أظهر النموذج الجديد قفزة نوعية في الأداء. فقد حسن دقة مطابقة التشابه بنسبة 15 بالمئة في المتوسط مقارنة بأفضل الأساليب الحالية. وكان هذا التحسن ثابتاً عبر أنواع مختلفة من المسارات وطرق متنوعة لقياس المسافة. وأثبت النموذج فعالية خاصة في التعامل مع المسارات الطويلة والمعقدة التي غالباً ما كانت تتسبب في فشل الأنظمة القديمة أو استنفاد ذاكرتها. كما أظهر مرونة ملحوظة عندما كانت البيانات غير مكتملة؛ فحتى عندما قام الباحثون عمداً بإزالة أجزاء كبيرة من نقاط الموقع أو إزاحتها قليلاً لمحاكاة جودة الإشارة الضعيفة، حافظ TSMini على قدرته على إيجاد المطابقات الصحيحة. تشير هذه المتانة إلى أن النموذج قد تعلم الأنماط الحقيقية الكامنة وراء الحركة بدلاً من مجرد حفظ نقاط بيانات محددة.

إن نجاح TSMini يكمن في بساطته وقدرته على رؤية الصورة الكاملة. فمن خلال الجمع بين رؤية متعددة المستويات للرحلة وطريقة تدريب تؤكد على الترتيب النسبي، ابتكر الباحثون أداة تتسم بالدقة والكفاءة العاليتين. وهي لا تتطلب قدرة حاسوبية هائلة للتشغيل، مما يجعلها عملية للتطبيقات في الوقت الفعلي، مثل العثور على المسار الأكثر تشابهاً لسائق توصيل أو تجميع أنماط حركة المرور المتشابهة لأغراض التخطيط الحضري. ويؤكد هذا العمل أنه من خلال تغيير كيفية طلبنا من الكمبيوتر للنظر في مشكلة ما — عبر الانتقال من رؤية واحدة جامدة إلى منظور مرن متعدد الطبقات — يمكننا فتح آفاق لفهم أعمق للحركات المعقدة التي تحدد تفاصيل حياتنا اليومية.