FI-TW: An Open Train-Weather Dataset for Railway Delay Analysis in Finland
تقدم هذه الورقة FI-TW، وهي أول مجموعة بيانات مفتوحة تدمج بيانات تشغيل السكك الحديدية الفنلندية مع ملاحظات الأرصاد الجوية المتزامنة من عام 2018 إلى 2024، مما يتيح تطبيقات تعلم آلي متقدمة لتحليل تأخيرات القطارات الناجمة عن الطقس والتنبؤ بأوقات الوصول الخاصة بكل محطة.
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 أنك تحاول التنبؤ بالوقت الذي ستستغرقه رحلة بالسيارة. أنت تعرف المسافة، والسرعة القصوى، وحالة السيارة. ولكن ماذا لو نسيت التحقق من حالة الطقس؟ في عالم العلوم، هذا هو الفرق بين النظر إلى خريطة، والنظر إلى خريطة بالإضافة إلى رادار عواصف مباشر. يعيش هذا البحث في نقطة التقاء علم البيانات (استخدام الحواسيب لإيجاد أنماط في أكوام ضخمة من الأرقام) وهندسة النقل (الحفاظ على سير القطارات بسلاسة). الفكرة الجوهرية بسيطة: القطارات لا تسير على السكك الحديدية فحسب؛ بل تسير عبر الهواء، والهواء يتغير. أحياناً يكون الهواء هادئاً، وأحياناً يكون عاصفة ثلجية. لفترة طويلة، كان العلماء الذين يدرسون تأخيرات القطارات لديهم دفتران منفصلان: أحدهما لجدول مواعيد القطارات، والآخر لتقارير الطقس. ونادراً ما نظروا إليهما معاً. هذا مشكلة، لأنه إذا أردت معرفة سبب تأخر القطار، فأنت بحاجة لمعرفة ما إذا كان عالقاً في كومة ثلج أم ينتظر مجرد إشارة. قرر مؤلفو هذا البحث لصق هذين الدفترين معاً ليروا ما إذا كان الطقس هو الشرير الخفي وراء التأخيرات.
قام الباحثون، الذين يعملون في فنلندا، ببناء مكتبة رقمية جديدة ضخمة تسمى FI-TW (فنلندا المتكاملة للقطارات والطقس). فكر في الأمر كمذكرات ضخمة تمتد لسبع سنوات، تسجل بالضبط ما كان يفعله كل قطار بعيد المدى في اللحظة ذاتها التي كانت فيها محطة الأرصاد الجوية القريبة تقيس الرياح، والثلوج، ودرجة الحرارة. لم يعتمدوا على التخمين؛ بل أخذوا بيانات حقيقية من نظام السكك الحديدية الفنلندي ومن معهد الأرصاد الجوية الفنلندي ودمجوها معاً مثل لوحة من الرقع (الفسيفساء).
إليك قصة ما وجدوه وكيف فعلوا ذلك:
عملية دمج البيانات العظيمة
فنلندا بلد طويل ونحيف يمتد من الساحل صعوداً إلى الدائرة القطبية الشمالية. تضم حوالي 5,915 كيلومتراً من مسارات القطارات وأكثر من 90 مليون رحلة ركاب سنوياً. الطقس هناك ليس مزاحاً؛ إذ يمكن أن يتأرجح من يوم صيفي لطيف إلى ليلة شتاء قارسة تصل فيها الحرارة إلى 40 درجة تحت الصفر حيث تتجمد الأبواب المعدنية وتغلق. لفهم كيفية تأثير هذا الطقس على القطارات، أمسك الفريق بمجموعتي بيانات ضخمتين. أولاً، أخذوا "مذكرات القطار" من خدمة Digitraffic، التي تتبع جدول كل قطار، ووقت وصوله الفعلي، وعدد دقائق تأخيره. ثانياً، أخذوا "مذكرات الطقس" من 209 محطات أرصاد جوية منتشرة في جميع أنحاء البلاد.
الجزء الصعب كان الربط بينهما. القطار يتحرك، لكن محطة الطقس ثابتة. ولحل هذه المشكلة، استخدم الفريق أداة رياضية تسمى مسافة هافرسين (وهي مجرد طريقة متطورة لحساب أقصر مسافة بين نقطتين على كرة مستديرة مثل الأرض) للعثبط أقرب محطة أرصاد جوية لكل توقف قام به القطار. وإذا لم تتوفر في أقرب محطة قياس معين (مثل عمق الثلوج)، فقد وضعوا خطة بديلة: بحثوا عن المحطة التالية الأقرب في نطاق 50 كيلومتراً. الأمر يشبه إذا نفدت لفائف القرفة من مخبزك المحلي، فأنت لا تستسلم؛ بل تتحقق من المخبز الموجود في الشارع التالي. استراتيجية "التراجع الشعاعي" هذه ضمنت عدم فقدان البيانات لمجرد أن أحد المستشعرات كان يفتقر إلى قطعة من اللغز.
النتيجة: الشتاء هو الشرير
بمجرد حصولهم على هذه المجموعة الضخمة من البيانات — التي تحتوي على حوالي 38.5 مليون ملاحظة و138 ميزة مختلفة — بدأوا في البحث عن الأنماط. كانت النتائج واضحة كشروق شمس شتوية. وجدوا إيقاعاً موسمياً قوياً: القطارات أكثر عرضة للتأخر في فصل الشتاء. في الأشهر الباردة (ديسمبر، يناير، وفبراير)، يقفز معدل التأخير إلى أكثر من 25%. وفي الصيف، ينخفض إلى أقل من 20%.
لاحظوا أيضاً أن التأخيرات ليست موزعة بالتساوي. فهي تميل إلى التكتل في الأجزاء الوسطى والشمالية من فنلندا، حيث يكون الطقس أكثر قسوة. كما أنشأ الفريق "علامات سيناريو الطقس" الخاصة، مثل علامة حمراء رقمية لـ "العاصفة الثلجية" أو "الجليد الأسود"، لمساعدة الحواسيب على التعرف على هذه الظروف الخطيرة فوراً.
الاختبار: هل يمكننا التنبؤ بالمستقبل؟
لمعرفة ما إذا كانت مجموعة البيانات الجديدة هذه تساعد بالفعل، قام المؤلفون بإجراء اختبار بسيط. استخدموا نموذجاً حاسوبياً يسمى XGBoost (نوع من تعلم الآلة المتفوق في إيجاد الأنماط) للتنبؤ بمدى تأخر قطار في محطة معينة في مدينة أولو (Oulu). علموا النموذج أن ينظر إلى جدول القطار، والوقت من اليوم، والطقس.
والنتيجة؟ استطاع النموذج التنبؤ بالتأخير بمتوسط خطأ قدره 2.73 دقيقة فقط. هذا مثير للإعجاب حقاً! وهذا يشير إلى أنه عندما تعطي الحاسوب كلاً من جدول القطارات وتقارير الطقس، يمكنه تحديد التأخيرات بشكل أفضل بكثير مما لو كان يملك الجدول وحده. كان النموذج بارعاً بشكل خاص في التنبؤ بالتأخيرات التي تحدث في تلك المحطة المحددة، بدلاً من التأخيرات التي تراكمت من مراحل سابقة في الرحلة.
ماذا يعني هذا؟
لا تدعي هذه الورقة أنها حلت مشكلة تأخيرات القطارات للأبد. إنها أشبه بتسليم الباحثين كشافاً فائق القوة. قبل ذلك، كان دراسة تأثير الطقس على القطارات في المنطقة القطبية يشبه محاولة حل لغز بقطع ناقصة. الآن، ومع مجموعة بيانات FI-TW، يمتلك العلماء جميع القطع. يمكنهم استخدام هذه البيانات لبناء أنظمة تنبؤ أفضل، ومساعدة شركات السكك الحديدية في التخطيط للعواصف الثلجية، ومعرفة أي أجزاء من المسار هي الأكثر عرضة لتأثير الطقب.
يؤكد المؤلفون بحذر أن هذه مجرد البداية. لقد بنوا مجموعة البيانات وأظهروا نجاحها، لكنهم لم يبنوا النظام "المثالي" النهائي للتنبؤ. هذا الأمر متروك للجيل القادم من العلماء. ولكن من خلال فتح الباب وإظهار أن بيانات الطقس وبيانات القطارات تنتمي إلى الغرفة نفسها، فقد منحوا الجميع فرصة أفضل بكثير لإبقاء القطارات تسير في مواعيدها، حتى عندما تعصف الرياح القطبية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.