Learning to Learn the Macroscopic Fundamental Diagram using Physics-Informed and meta Machine Learning techniques
تقترح هذه الورقة إطار عمل للتعلم التلوي (Meta-Learning) متكاملاً مع شبكة عصبية متعددة المهام مستوحاة من الفيزياء (Multi-Task Physics-Informed Neural Network) لتقدير المخطط الأساسي العياني (Macroscopic Fundamental Diagram) بدقة في سيناريوهات ندرة البيانات من خلال نقل الأنماط من المدن الغنية بالبيانات، محققةً تحسناً بنسبة 50% في دقة التنبؤ بالتدفق مقارنة بالطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل نظام حركة المرور في مدينة ما كآلة ضخمة ومعقدة. لفهم كيفية عمل هذه الآلة، يستخدم مهندسو المرور مخططاً بيانياً خاصاً يسمى المخطط الأساسي الماكروسكوبي (MFD). فكر في الـ MFD على أنه "مخطط صحي" لطرق المدينة؛ فهو يوضح العلاقة بين عدد السيارات على الطريق (الكثافة) وسرعة حركتها (التدفق).
مثالياً، يبدو هذا المخطط مثل تلة ناعمة: فكلما دخلت المزيد من السيارات، تزداد سرعة الحركة لتصل إلى ذروتها، ولكن بمج simply بمجرد أن تصبح الطرق مزدحمة للغاية، تبدأ السيارات في التباطؤ وتتشكل الاختناقات المرورية.
المشكلة: قطع مفقودة من اللغز
لرسم هذا "المخطط الصحي" بدقة، تحتاج إلى بيانات من آلاف المستشعرات (أجهزة الكشف الحلقية) المدفونة في طرق المدينة بأكملها. ومع ذلك، فإن معظم المدن لا تمتلك عدداً كافياً من هذه المستشعرات. الأمر يشبه محاولة التنبؤ بالطقس لدولة بأكملة من خلال النظر فقط إلى ميزان الحرارة الموجود في غرفة معيشتك؛ قد يحالفك الحظ، لكن من المرجح أن تكون مخطئاً لأنك تفتقد الصورة الكبيرة.
الحل: "تعلم كيف تتعلم"
يقترح مؤلفو هذه الورقة البحثية حلاً ذكياً باستخدام نوع من الذكاء الاصطناعي يسمى "التعلم التلوي" (Meta-Learning).
فكر في "التعلم التلوي" ليس كطالب يحفظ الحقائق، بل كطالب يتعلم كيفية الدراسة.
- الذكاء الاصطناعي التقليدي يشبه طالباً يدرس لمدينة واحدة محددة فقط (مثل باريس). إذا سألته عن لندن، فسيكون تائهاً لأنه لم يدرس لندن أبداً.
- التعلم التلوي يشبه طالباً درس أنماط المرور في باريس، وطوكيو، ونيويورك، وبرلين. لقد تعلم "القواعد العالمية" لكيفية سلوك حركة المرور. وعندما يُطلب منه فجأة التنبؤ بحركة المرور لبلدة صغيرة جديدة بها عدد قليل جداً من المستشعرات، فإنه لا يصاب بالذعر، بل يقول: "لقد رأيت هذا النمط من قبل في مدن أخرى؛ أنا أعرف كيف أطوع معرفتي لهذا الموقف الجديد".
كيف فعلوا ذلك؟
بنى الباحثون نموذجاً حاسوبياً ذكياً (يسمى MTPINN) يعمل كهذا "الطالب المتفوق".
- التدريب: قاموا بتغذية النموذج ببيانات من 20 مدينة مختلفة حول العالم. بعض هذه المدن كان لديها آلاف المستشعرات، والبعض الآخر كان لديه عدد قليل جداً.
- الفيزياء: لم يتركوا الكمبيوتر يخمن فحسب، بل أعطوه مجموعة من "قواعد الفيزياء" (مثل معرفة أن حركة المرور يجب أن تتباطأ عندما تصبح مزدحمة للغاية). هذا يمنع الكمبيوتر من ارتكاب أخطاء سخيفة، مثل التنبؤ بأن حركة المرور تتسارع عندما يكون الطريق مكتظاً.
- الاختبار: ثم أخذوا النموذج وسألوه عن التنبؤ بحركة المرور لمدينة لم يعطوهم فيها سوى بيانات من حفنة صغيرة جداً من المستشعات (10 مستشعرات فقط).
النتائج
كانت النتائج أشبه بخدعة سحرية.
- بدون التعلم التلوي: إذا حاولت تخمين المخطط المروري باستخدام 10 مستشعرات فقط، فإن توقعك سيكون مشتتاً وغير دقيق تماماً.
- مع التعلم التلوي: استخدم النموذج ما تعلمه من المدن الكبيرة لملء الفجوات في المدينة الصغيرة. وقد تنبأ بتدفق حركة المرور بنسبة خطأ أقل بنحو 50% مقارنة بالطريقة التقليدية.
حتى أنهم اختبروا هذا على مدينة حقيقية تدعى "إيسن" (Essen)، والتي تمتلك 36 مستشعراً فقط (وهو عدد قليل جداً بالنسبة للطرق التقليدية). ومن خلال استخدام نموذج "الطالب المتفوق" المدرب على مدن أخرى، تمكنوا من رسم مخطط صحي مروري موثوق لمدينة إيسن باستخدام تلك المستشعرات المحدودة فقط.
الخلاصة
تثبت هذه الورقة البحثية أنك لست بحاجة إلى شبكة مثالية من المستشعرات لفهم حركة المرور في مدينة ما. فباستخدام نهج "تعلم كيف تتعلم"، يمكننا أخذ المعرفة من المدن الغنية بالبيانات وتطبيقها على المدن الفقيرة بالبيانات. الأمر يشبه امتلاك خبير أرصاد جوية يمكنه التنبؤ بدقة بعاصفة في بلدة لا يوجد بها محطة أرصاد جوية، ببساطة لأنه يعرف كيف تسلك العواصف في البلدات التي توجد بها محطات أرصاد.
يسمح هذا للمدن بتوفير المال (من خلال تقليل الحاجة للمستشعرات) أو حتى إدارة حركة المرور بفعالية حتى عندما تتعطل المستشعات أو يتم إيقاف تشغيلها لأعمال الصيانة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.