⚡ electrical engineering

Adaptive traffic signal control optimization using a novel road partition and multi-channel state representation method

تقترح هذه الدراسة طريقة تكيفية للتحكم في إشارات المرور تدمج صيغة مبتكرة لتقسيم الطريق بطول خلية متغير مع تمثيل حالة متعدد القنوات ضمن إطار عمل الشبكة العميقة لتعلم كيو (Deep Q-Network) وتحسين السياسة القريبة (Proximal Policy Optimization)، لتتفوق بشكل كبير على أساليب طول الخلية الثابت في تحسين تدفق حركة المرور، ووقت الانتظار، والسرعة، واستهلاك الوقود.

المؤلفون الأصليون: Maojiang Deng, Shoufeng Lu, Jiazhao Shi, Wen Zhang

نُشر 2026-02-16

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Maojiang Deng, Shoufeng Lu, Jiazhao Shi, Wen Zhang

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 تقاطع طرق في مدينة مزدحمة كأنه مطبخ ضخم يعمه الفوضى خلال ساعة الذروة في تحضير العشاء. إشارات المرور هنا هي "رئيس الطهاة"، الذي يحاول أن يقرر من سيستخدم الموقد (التقاطع) تالياً.

لفترة طويلة، استخدم الطهاة (مهندسو المرور) وصفة واحدة جامدة "تناسب الجميع". كانوا يضبطون الإشارات لتتغير كل 60 ثانية، بغض النظر عما إذا كان المطبخ فارغاً أو ينفجر بالطلبات. هذا يؤدي إلى طعام محترق (اختناقات مرورية) وهدر للطاقة.

تقدم هذه الورقة البحثية "مساعد شيف" فائق الذكاء يعمل بالذكاء الاصطناعي، يتعلم كيفية إدارة المطبخ في الوقت الفعلي. ولكن بدلاً من مجرد النظر إلى المطبخ، فإنه يستخدم طريقة جديدة تماماً لـ "رؤية" حركة المرور. إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:

1. مشكلة "عدسة الزووم": كيف ترى حركة المرور؟

أجهزة استشعار المرور التقليدية تشبه كاميرا مراقبة ذات زووم ثابت.

الطريقة القديمة: تقسم الطريق إلى كتل متساوية الحجم (مثل لوحة الشطرنج). إذا كانت السيارة على بُعد 10 أمتار، فهي في "الكتلة 1". وإذا كانت على بُعد 20 متراً، فهي في "الكتلة 2".
المشكلة: أجهزة الاستشعار في العالم الحقيقي لها نطاقات رؤية مختلفة. بعضها يمكنه الرؤية لمسافة 150 متراً؛ والبعض الآخر يمكنه الرؤية لمسافة 500 متر. إذا قمت بتدريب ذكائك الاصطناعي على رؤية تمتد لـ 150 متراً ثم حاولت استخدامه على طريق طوله 500 متر، فإن "لوحة الشطرنج" لن تتناسب. سيصاب الذكاء الاصطناعي بالارتباك لأن الكتل ستكون ذات أحجام خاطئة.

الحل الجديد: "المسطرة الذكية"
ابتكر المؤلفون طريقة جديدة لتقسيم الطريق، أطلقوا عليها اسم طول الخلية المتغير (Variable Cell Length).

التشبيه: تخيل مسطرة تتمدد وتتقلص.
- بالقرب من خط التوقف (باب المطبخ): تحتوي المسطرة على علامات دقيقة وصغيرة جداً (مثل المليمترات). هذا أمر بالغ الأهمية لأن تحرك سيارة ببطء شدك عند الإشارة مباشرةً يمثل أهمية كبيرة.
- كلما ابتعدت: تصبح العلامات أكبر فأكبر (مثل البوصات أو الأقدام). فالسيارة التي تبعد 400 متر هي مجرد "في الأفق"، لذا لا نحتاج لمعرفة موقعها الدقيق بالمليمتر.
لماذا هو سحر؟ بغض النظر عما إذا كان مستشترك يرى 150 متراً أو 500 متر، فإن هذه "المسطرة الذكية" تعدل حجم الكتل تلقائياً بحيث يكون لديك دائماً نفس عدد الكتل. وهذا يعني أن الذكاء الاصطناعي الذي تدرب على طريق قصير يمكنه العمل فوراً على طريق طويل دون الحاجة لإعادة تعليمه. الأمر يشبه تعلم لعب الشطرنج على لوحة صغيرة، ثم القدرة فوراً على اللعب على لوحة عملاقة باستخدام نفس القواعد.

2. رؤية "الساندوتش ثلاثي الطبقات" (الحالة متعددة القنوات)

كيف يفهم الذكاء الاصطناعي حركة المرور؟ بدلاً من مجرد عد السيارات، فإنه ينظر إلى الطريق كأنه ساندوتش مكون من ثلاث طبقات:

الطبقة الأولى (الحشد): كم عدد السيارات في كل كتلة؟
الطبقة الثانية (السرعة): ما مدى سرعة حركتها؟ (هل تزحف أم تنطلق بسرعة؟)
الطبقة الثالثة (المساحة): ما مقدار المساحة التي يشغلها المعدن فعلياً؟ (هل الكتلة مزدحمة تماماً، أم أن هناك مساحة للتنفس؟)

من خلال النظر إلى هذه الطبقات الثلاث في وقت واحد، يحصل الذكاء الاصطناعي على فهم "ثلاثي الأبعاد" لحركة المرور، وليس مجرد عدّ مسطح. فهو يعرف الفرق بين صف من السيارات يتحرك ببطء وصف آخر يتحرك بسرعة، حتى لو كان عدد السيارات هو نفسه.

3. "بطاقة تقييم الشيف" (دالة المكافأة)

يتعلم الذكاء الاصطناعي من خلال التجربة والحصول على درجة.

درجة سيئة: إذا انتظر الناس طويلاً، أو قادوا ببطء، أو استهلكوا الكثير من الوقود (تلوث)، تنخفض الدرجة.
درجة جيدة: إذا تحركت السيارات بسرعة وانتظرت أقل، ترتفع الدرجة.
هدف الذكاء الاصطناعي هو رفع هذه الدرجة لأقصى حد. الأمر يشبه لعبة فيديو حيث الهدف هو الحفاظ على انسيابية حركة المرور بسلاسة.

4. نوعان من "الأدمغة" (DQN مقابل PPO)

اختبر الباحثون نوعين مختلفين من "أدمغة" الذكاء الاصطناعي لمعرفة أيهما يتعلم بشكل أفضل:

DQN (المُحفظ): يحاول هذا الدماغ حفظ أفضل حركة لكل موقف محدد. هو جيد، لكنه أحياناً قد يعلق في نمط مكرر.
PPO (الاستراتيجي): هذا الدماغ أكثر مرونة. فهو لا يحفظ فقط، بل يتعلم استراتيجية عامة. إنه يشبه لاعب الشطرونة المحترف الذي يفهم المبادئ بدلاً من مجرد حفظ الحركات.
النتيجة: فاز دماغ PPO. فقد كان أكثر استقراراً، وتعلم بشكل أسرع، وتعامل مع حركة المرور الفوضوية بشكل أفضل من دماغ DQN.

5. "النقل السحري" (قابلية النقل عبر النطاقات)

هذه هي اللحظة الأكثر إبهاراً في الورقة البحثية.

الاختبار: قاموا بتدريب الذكاء الاصطناعي على طريق لا يمكن للمستشعر فيه رؤية أكثر من 300 متر.
التحدي: ثم أخذوا نفس هذا الذكاء الاصطناذي المدرب ووضعوه في طريق مختلف حيث يمكن للمستشعر رؤية 500 متر.
النتيجة: عادةً، يفشل الذكاء الاصطناعي المدرب على خريطة صغيرة عند وضعه في خريطة كبيرة. ولكن بفضل "المسطرة الذكية" (طول الخلية المتغير)، عمل الذكاء الاصطناعي بشكل مثالي! لم يكن بحاجة لإعادة التدريب. لقد أدرك أن "الكتلة 1" لا تزال هي المنطقة الملاصقة للإشارة، حتى لو أصبحت هذه المنطقة الآن أكبر في الحجم الفعلي.

الملخص

تتعلق هذه الورقة البحثية بتعليم إشارات المرور كيف تكون أكثر ذكاءً، ومرونة، وقدرة على التكيف.

الطريقة القديمة: قواعد جامدة، تقسيمات ثابتة للطرق، وذكاء اصطناعي يحتاج لإعادة التدريب لكل شارع جديد.
الطريقة الجديدة: "مسطرة ذكية" مرنة تتكيف مع أي مستشعر، رؤية "ساندوتش ثلاثي الأبعاد" لحركة المرور، وذكاء اصطناعي "استراتيجي" (PPO) يمكن تدريبه مرة واحدة ثم نقله إلى مدن مختلفة وطرق ذات أطوال مختلفة ليعمل فوراً.

إنه الفرق بين شيف يعرف فقط كيف يطبخ لـ 4 أشخاص، وشيف يمكنه فوراً رفع القدرة للطبخ لـ 400 شخص دون تغيير الوصفة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تحسين التحكم التكيفي في إشارات المرور باستخدام طريقة مبتكرة لتقسيم الطرق وتمثيل الحالة متعدد القنوات".

1. بيان المشكلة

تؤدي الازدحامات المرورية في التقاطعات إلى تقليل كفاءة السفر، وزيادة انبعاثات الكربون، وارتفاع استهلاك الطاقة. وبينما توفر التعلم التعزيزي العميق (DRL) حلاً واعداً للتحكم التكيفي في الإشارات، تواجه الأساليب الحالية عائقين حرجين:

التقسيم الصلب للطرق: تستخدم الطرق التقليدية غالباً خلايا ذات أطوال ثابتة لتقسيم قطاعات الطريق. وهذا يخلق عدم تطابق بين بيئة التدريب (حيث تكون نطاقات الاستشعار مرنة) والتطبيقات في العالم الحقيقي (حيث تمتلك المستشعرات نطاقات كشف محددة ومتفاوتة). وبناءً على ذلك، فإن النماذج التي يتم تدريبها على تقاطع معين غالباً ما تفشل في التعميم على تقاطعات أخرى ذات تكوينات مستشعرات مختلفة.
تمثيل حالة غير كافٍ: تعتمد العديد من النهج على مقاييس مجمعة (مثل طول الطابور الإجمالي) أو بيانات أحادية القناة، مما يفشل في التقاط التوزيع المكاني الدقيق والسلوكيات الديناميكية للمركبات (مثل السرعة والإشغال المعتمد على الموقع).

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يدمج طول الخلية المتغير (VCL) مع تمثيل حالة متعدد القنوات، تم اختباره باستخدام شبكات Deep Q-Networks (DQN) وتحسين السياسة القريبة (PPO).

أ. طريقة تقسيم الطريق المبتكرة (طول الخلية المتغير)

بدلاً من الخلايا ذات الطول الثابت، تقدم الورقة صيغة رياضية لتعديل أطوال الخلايا ديناميكياً بناءً على نطاق كشف المستشعر ( $d$ ) وعدد ثابت من الخلايا ( $n$ ).

الصيغة: يتم تعريف طول الخلية رقم $x$ ، والذي يرمز له بـ $f(x)$ ، كمجموع لدالة لوغاريتمية ودالة خطية:
$f(x) = a \ln(x + 1) + bx$
المنطق: الخلايا القريبة من خط التوقف تكون أقصر (دقة أعلى) لأن المركبات القريبة من التقاطع لها تأثير أكبر على توقيت الإشارة. أما الخلايا الأبعد فتكون أطول تدريجياً.
القابلية للتكيف: يتم حساب المعاملات $a$ و $b$ عن طريق حل نظام من المعادلات بناءً على طول الخلية الأولى ( $l_1$ ) وإجمالي نطاق الكشف ( $d$ ). يضمن ذلك أنه بغض النظر عما إذا كان المستشعر يكشف مسافة 300 متر أو 500 متر، فسيتم دائماً تقسيم الطريق إلى نفس عدد الخلايا ( $n$ )، مما يتيح قابلية النقل عبر النطاقات.

ب. تمثيل الحالة متعدد القنوات

يتم تجريد حالة المرور إلى تنسور ثلاثي الأبعاد (المسارات $\times$ الخلايا $\times$ القنوات)، على غرار معالجة الصور (الارتفاع $\times$ العرض $\times$ القنوات).

ثلاث قنوات: لكل خلية، يتضمن متجه الحالة:
1. عدد المركبات (العدد)
2. متوسط السرعة
3. إشغال المساحة (نسبة مجموع أطوال المركبات إلى طول الخلية)
التطبيع (Normalization): يتم تطبيع البيانات باستخدام القيم القصوى التاريخية لضمان تقارب النموذج عبر تدفقات مرورية متغيرة.

ج. فضاء الفعل والمكافأة

فضاء الفعل: 8 مراحل إشارات منفصلة (مثل: اتجاه الشرق-الغرب المستقيم، اتجاه الشمال-الجنوب لليسار، إلخ). يتم تنفيذ المراحل المختارة بـ زمن أخضر ثابت (15 ثانية في الدراسة).
دالة المكافأة: مجموع مرجح للمقاييس الرئيسية المطبعة:
$r(t) = -0.7 \times \text{waiting\_penalty} + 0.2 \times \text{speed\_reward} - 0.1 \times \text{fuel\_penalty}$
- يتم فرض عقوبات (أوزان سالبة) على وقت الانتظار واستهلاك الوقود.
- يتم مكافأة السرعة (وزن موجب).
- يتم وضع حدود قصوى للمقاييس (200 ثانية انتظار، 20 م/ث سرعة، 100 مل وقود) لمنع القيم المتطرفة من الهيمنة.

د. الخوارزميات

تم تنفيذ ومقارنة خوارزميتين:

DQN: تستخدم شبكة عصبية تلاففية (CNN) لاستخراج الميزات من تنسور الحالة، تليها طبقات متصلة بالكامل لتقدير قيم Q.
PPO: تستخدم بنية CNN مماثلة ولكنها تحسن سياسة معلمية مباشرة باستخدام دالة هدف بديلة مقصوصة لضمان تحديثات مستقرة.

3. المساهمات الرئيسية

صيغة التقسيم التكيفي: تقديم دالة لوغاريتمية-خطية تسمح بنقل نموذج الذكاء الاصطناعي المدرب مباشرة إلى تقاطعات ذات نطاقات كشف مستشعرات مختلفة (مثلاً من 300م إلى 500م) دون الحاجة لإعادة التدريب، طالما ظل عدد الخلايا ثابتاً.
ترميز الحالة متعدد القنوات: الانتقال لما هو أبعد من مجرد أطوال الطوابير إلى تمثيل ثلاثي القنوات (العدد، السرعة، الإشغال) الذي يوفر رؤية شاملة لديناميكيات المرور للشبكة العصبية.
قابلية النقل عبر النطاقات: إثبات أن نموذجاً تم تدريبه على نطاق كشف معين يمكنه التحكم بفعالية في تقاطع ذي نطاق كشف مختلف، مما يحل فجوة التعميم الكبيرة في أبحاث التحكم المروري الحالية القائمة على DRL.
خوارزمية توليد المسارات: طريقة مبتكرة لتوليد مسارات مركبات عشوائية من المصادر إلى المصارف لمحاكاة تدفقات مرورية متنوعة وواقعية للتدريب.

4. النتائج التجريبية

استخدمت الدراسة محاكي المرور المجهري SUMO مقترناً بـ TensorFlow و Python.

مقارنة الأداء:
- حققت خوارزمية VCL-PPO (طول الخلية المتغير + PPO) أفضل أداء في تقليل طول الطابور التراكمي ووقت الانتظار عبر مختلف أحجام المرور (500–3000 مركبة/ساعة).
- سجلت VCL-DQN أسوأ أداء بين الطرق المقترحة، ويرجع ذلك على الأرجح إلى تفوق PPO في التعامل مع الطبيعة المتسلسلة للتحكم في الإشارات وإشارات المكافأة ذات الضجيج.
- تفوقت كلتا طريقتي VCL على نماذج طول الخلية الثابت (FCL) والنماذج التي لا تستخدم تقسيم الخلايا.
تقييم قابلية النقل:
- تم تطبيق نموذج تم تدريبه على نطاق كشف 300 متر مباشرة على سيناريو نطاق كشف 500 متر.
- حافظ النموذج المنقول على أداء متفوق مقارنة بالتحكم ذي الزمن الثابت، وكان أداؤه مقارباً لنموذج تم تدريبه خصيصاً لنطاق الـ 500 متر، مما يؤكد فعالية تقسيم الخلايا المتغير.
التقارب: في ظروف التدفق المروري العشوائي، أظهر وكيل PPO تذبذبات كبيرة وتطلب حلقات تدريب أكثر (~1000) للوصول إلى التقارب مقارنة بسيناريوهات التدفق الثابت، مما يسلط الض الضوء على تعقيد حركة المرور في العالم الحقيقي.

5. الأهمية

تجسر هذه الأبحاث الفجوة بين التحكم المروري النظري القائم على DRL وبين النشر العملي. ومن خلال فصل السياسة المتعلمة عن المقاييس الفيزيائية الثابتة عبر تقسيم الخلايا المتغير، تقدم الدراسة حلاً قابلاً للتوسع والنقل للبنية التحتية للمدن الذكية. وهي تشير إلى أن أنظمة التحكم في إشارات المرور يمكن نشرها عبر تقاطعات متنوعة ذات قدرات استشعار متفاوتة دون الحاجة إلى إعادة تدريب مكلفة خاصة بكل تقاطع، مما يقلل بشكل كبير من حواجز الدخول أمام إدارة المرور المدعومة بالذكاء الاصطناعي.