⚡ electrical engineering

Data-driven generalized perimeter control: Zürich case study

تقترح هذه الورقة طريقة تحكم محيطي معممة قائمة على البيانات باستخدام نظرية الأنظمة السلوكية والتحكم التنبئي الممكن بالبيانات لتحسين حركة المرور في المناطق الحضرية عبر إشارات مرور ديناميكية، والتي تم التحقق من صحتها من خلال محاكاة مجهرية عالية الدقة لمدينة زيورخ تُظهر تحسينات في إجمالي وقت السفر وانبعاثات ثاني أكسيد الكربون.

المؤلفون الأصليون: Alessio Rimoldi, Carlo Cenedese, Alberto Padoan, Florian Dörfler, John Lygeros

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alessio Rimoldi, Carlo Cenedese, Alberto Padoan, Florian Dörfler, John Lygeros

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 مدينة مثل زيورخ كأنها كائن حي عملاق. طرقاتها هي الأوردة، وسياراتها هي خلايا الدم، وإشارات المرور هي صمامات القلب. عندما يتدفق كل شيء بسلاسة، تكون المدينة في حالة صحية. ولكن عندما تحاول الكثير من السيارات التزاحم في وقت واحد، يحدث "تجلط" في الدم، مما يؤدي إلى ازدحام مروري. هذا الانسداد يهدر الوقت، ويحرق وقوداً إضافياً، ويلوث الهواء.

لعقود من الزمن، حاول مخططو المدن حل هذه المشكلة عبر بناء خريطة رياضية مثالية لكيفية حركة المرور. حاولوا كتابة "كتاب وصفات" ضخم يتنبأ بدقة بكيفية تصرف كل سيارة. لكن المدن فوضوية، وعشوائية، ومتغيرة باستمرار. وبناء هذا الكتاب المثالي يشبه محاولة كتابة دليل تشغيل لعاصفة وأنت تقف في قلبها؛ الأمر مكلف، بطيء، وغالباً ما يكون خاطئاً.

الفكرة الكبرى: "التعلم بالممارسة" بدلاً من "دراسة الدليل"

تقدم هذه الورقة البحثية طريقة جديدة للتحكم في إشارات المرور. فبدلاً من محاولة بناء نموذج نظري مثالي للمدينة، استخدم المؤلفون طريقة تسمى التحكم التنبئي المعتمد على البيانات (DeePC).

فكر في الأمر بهذه الطريقة:

الطريقة القديمة (المعتمدة على النموذج): تحاول تعلم ركوب الدراجة من خلال قراءة كتاب فيزياء مكون من 500 صفحة حول التوازن، والاحتكاك، والديناميكا الهوائية. تقضي سنوات في الدراسة، ولكن عندما تركب الدراجة أخيراً، قد تسقط لأن العالم الحقيقي يختلف عما في الكتاب.
الطريقة الجديدة (DeePC): أنت فقط تركب الدراجة. تنظر إلى أين كنت، وتشعر بميلان الدراجة، وتعدل توازنك في الوقت الفعلي. لست بحاجة لمعرفة معادلات الفيزياء؛ أنت فقط بحاجة لمعرفة ما الذي نجح في الثواني القليلة الماضية.

كيف يعمل الأمر: إشارة المرور "المسافرة عبر الزمن"

يعامل الباحثون بيانات حركة المرور في المدينة كأنها مكتبة ضخمة من التجارب الماضية.

المكتبة: يقومون بتغذية الكمبيوتر ببيانات مرورية لسنوات عديدة (كم عدد السيارات التي كانت هنا، ما كانت سرعتها، وماذا فعلت الإشارات).
النمط: يبحث الكمبيوتر عن أنماط في هذه المكتبة. هو لا يهتم بـ "لماذا" تحركت حركة المرور بهذا الشكل؛ هو فقط يعرف أنه "عندما فعلنا (س) عند الإشارات، أصبحت كثافة المرور (ص)".
التنبؤ: عندما يبدأ ازدحام مروري جديد في التكون، يسأل الكمبيوتر نفسه: "بناءً على كل ما رأيناه من قبل، ما هو أفضل شيء يمكن فعله الآن للحفاظ على انسيابية الحركة؟"
الإجراء: يقوم بتعديل إشارات المرور (تحديداً مدة بقائها باللون الأخضر) لتوجيه حركة المرور بعيداً عن حالة "الانسداد التام".

اختبار القيادة في "زيورخ"

لإثبات نجاح هذه الطريقة، لم يكتفِ الفريق باختبارها على شبكة صغيرة من 4 شوارع، بل بنوا توأماً رقمياً لمدينة زيورخ بأكملها. وهو عبارة عن محاكاة للعبة فيديو فائقة الواقعية تتضمن:

15,000 طريق
7,000 تقاطع
170,000 سيارة (تحاكي ساعة ذروة مسائية مزدحمة)

وقارنوا بين ثلاثة سيناريوهات:

الخط المرجعي: إشارات المرور الحالية، التي تتبع مجرد جدول زمني ثابت وممل (مثل بندول الساعة الذي لا يتسارع ولا يتباطأ أبداً).
الذكاء الاصطناعي التقليدي (MPC): نظام ذكي يحاول استخدام نموذج رياطي مبسط للتنبؤ بحركة المرور.
الذكاء الاصطناعي الجديد (DeePC): نظام "التعلم بالممارسة" الموصوف أعلاه.

النتائج: رحلة أكثر سلاسة

كانت النتائج مبهرة. كان النظام الجديد (DeePC) هو الفائز بوضوح:

وقت أقل مهدر: قضى السائقون وقتاً أقل بنسبة 18% في الانتظار في الزحام مقارنة بالخط المرجعي.
هواء أنقى: نظرًا لأن السيارات لم تكن متوقفة في حالة انتظار أو تتحرك بنمط (توقف وانطلاق) بشكل متكرر، انخفضت انبعاثات ثاني أكسيد الكربون بنحو 10%.
رحلات أكثر إنجازاً: وصل عدد أكبر من الناس بالفعل إلى وجهاتهم خلال المحاكاة.

السر الخفي: "الأفعى" و"مصفوفة هانكل"

تستخدم الورقة بعض المصطلحات الرياضية المعقدة، ولكن إليك النسخة المبسطة:

الأفعى: لإدارة مدينة بهذا الحجم، لا يمكنهم النظر إلى كل شارع على حدة. استخدموا "خوارزمية الأفعى" لتقسيم المدينة إلى أحياء (مناطق) تتصرف بشكل متشابه. الأمر يشبه تجميع جوقة موسيقية حسب نوع الصوت (سوبرانو، تينور) بدلاً من محاولة قيادة كل مغنٍ بشكل فردي.
مصفوفة هانكل (Hankel Matrix): هي "بنك الذاكرة" للكمبيوتر. وهي عبارة عن شبكة ضخمة تخزن أنماط المرور الماضية. السحر يكمكمن في أن هذه الشبكة يمكنها التنبؤ بالمستقبل دون الحاجة لمعرفة فيزياء السيارات المعقدة. هي تقول ببساطة: "لقد رأينا هذا النمط من قبل، وإليك كيف عالجناه".

لماذا يهم هذا الأمر؟

الاختراق الأكبر هو أن هذه الطريقة لا تحتاج لمعرفة أين توضع إشارات المرور بالنسبة للأحياء.

الطريقة القديمة: كان عليك وضع إشارات المرور بالضبط على الحدود بين حيين للتحكم في التدفق. إذا كانت الإشارات في منتصف أحد الأحياء، فإن الرياضيات تنهار.
الطريقة الجديدة: يستنتج الكمبيوتر هذا الاتصال بنفسه. الأمر يشبه قائد الأوركسترا الذي يمكنه سماع الأوركسترا بأكملها ويخبر عازف الكمان في الصف الخلفي بأن يعزف بصوت أعلى، حتى لو لم يكن يجلس بجانب عازفي الكمان في الصف الأمامي.

باخت-مختصر

تظهر هذه الورقة البحثية أننا لسنا بحاجة لأن نكون عباقرة في فيزياء المرور لنحل مشكلات الازدحام. نحن فقط بحاجة للاستماع إلى البيانات. من خلال السماح لإشارات المرور بـ "التعلم" من تاريخ المدينة الخاص، يمكننا جعل مدننا تتدفق بسلاسة أكبر، وتوفير الوقت، واستنشاق هواء أنقى. إنه تحول من محاولة التحكم في المدينة بقواعد جامدة إلى توجيهها بحدس ذكي ومرن.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحكم المحيطي المعمم القائم على البيانات: دراسة حالة مدينة زيورخ" من إعداد ريمولدي وآخرون.

1. بيان المشكلة

يشكل ازدحام المرور في المناطق الحضرية تحديات كبيرة تتعلق بوقت السفر، والخسائر الاقتصادية، والأثر البيئي (انبعاثات ثاني أكسيد الكربون). تعتمد نهج التحكم التقليدية القائمة على النماذج، مثل التحكم التنبؤي بالنماذج (MPC)، على نماذج رياضية صريحة لديناميكيات المرور. ومع ذلك، فإن نمذجة الشبكات الحضرية واسعة النطاق أمر مكلف ومستهلك للوقت، وغالبًا ما يكون غير دقيق بسبب تعقيد النظام، والطلب العشوائي، والتغيرات الديناميكية في البنية التحتية.

وعلى النقييد من ذلك، فإن نهج التعلم الآلي (مثل التعلم التعزيزي العميق) غالبًا ما يتطلب كميات هائلة من بيانات التدريب، ويفتقر إلى الضمانات النظرية، ويعاني مع بيانات المرور الشحيحة والقيود الصارمة. هناك فجوة حرجة بين البحث النظري والتطبيق العملي، ويرجع ذلك إلى حد كبير إلى نقص المعايير المرجعية المشتركة عالية الدقة التي تعكس التعقيد الواقعي.

تعالج هذه الورقة مشكلة التحكم في إشارات المرور عند التقاطعات (ITSCP) من خلال اقتراح إطار عمل للتحكم التنبؤي الممكن بالبيانات (DeePC). الهدف هو تحسين التدفق المروري وتقليل الانبعاثات دون الحاجة إلى نموذج بارامتري صريح لنظام المرور، وذلك باستخدام البيانات التاريخية فقط لتوجيه قرارات التحكم.

2. المنهجية

أ. صياغة نظرية النظام السلوكي

يستخدم المؤلفون نظرية النظام السلوكي لنمذجة ديناميكيات المرور في المناطق الحضرية. بدلاً من تحديد بارامترات النظام (مثل المصفوفات $A, B, C, D$ )، يقومون بتعريف النظام من خلال "سلوكه" — وهو مجموعة جميع المسارات الممكنة المتوافقة مع النظام.

المدخلات ( $u$ ): مزيج من المدخلات القابلة للتحكم (نسب تقسيم إشارات المرور، $\lambda$ ) والمدخلات غير القابلة للتحكم (الطلب الخارجي، $d$ ).
المخرجات ( $y$ ): كثافة المرور ( $\rho$ ) في مناطق محددة من المدينة.
رؤية جوهرية: يفترض المؤلفون وجود علاقة خطية بين مدخل التحكم في إشارات المرور ( $\lambda$ ) وكثافة المرور الناتجة ( $\rho$ )، رغم العلاقة غير الخطية الكامنة بين الكثافة والتدفق (الموصوفة بالمخطط الأساسي للتدفق الكلي - MFD).

ب. التحكم التنبؤي الممكن بالبيانات (DeePC)

يستخدم خوارزمية التحكم الأساس (Fundamental Lemma) للأنظمة السلوكية. حيث تقوم ببناء مصفوفة هانكل (Hankel matrix) من بيانات المدخلات والمخرجات المسجلة مسبقاً لتمثيل ديناميكيات النظام بشكل غير بارامتري.

التحسين: في كل خطوة زمنية، يحل DeePC برنامجاً تربيعياً لإيجاد تسلسل التحكم الأمثل المستقبلي. تعمل دالة التكلفة على تقليل الانحراف في كثافة المرور المتوقعة عن مسار المرجع (الكثافة الحرجة، $\rho_{cr}$ ، المستمدة من MFD) مع فرض عقوبة على جهد التحكم.
القيود: تفرض الخوارزمية قيوداً فيزيائية (على سبيل المثال، يجب أن تكون الكثافة غير سالبة وأقل من حدود الاختناق المروري) وقيوداً تشغيلية (مثل أوقات دورة إشارات المرور).
التعميم: بخلاف التحكم المحيطي الكلاسيكي الذي يفترض وجود المشغلات عند حدود المنطقة، يسمح هذا التنسيق بوضع المشغلات (إشارات المرور) في أي مكان في الشبكة. تقوم مصفوفة هانكل ضمنياً بربط هذه المشغلات الموزعة بديناميكيات الشبكة الإجمالية.

ج. إطار المحاكاة

للتحقق من المنهجية، طور المؤلفون محاكاة مجهرية مغلقة الحلقة عالية الدقة لمدينة زيورخ، سويسرا، باستخدام حزمة SUMO (محاكاة التنقل الحضري).

النطاق: تتضمن الشبكة حوالي 15,000 طريق، وحوالي 7,000 تقاطع، وتخدم أكثر من 170,000 مركبة خلال ساعات الذروة.
المقارنة المرجعية: تقارن الدراسة DeePC مع:
1. الأساس (Baseline): إشارات مرور ثابتة محددة مسبقاً.
2. MPC: صياغة MPC خطية متطورة تتطلب نمذجة صريحة لـ MFD وخطيّة لعلاقات ديناميكيات المرور.
تقسيم المناطق: تم تقسيم المدينة إلى مناطق متجانسة باستخدام خوارزمية "التجميع الثعباني" (snake clustering) المتوازية بناءً على بيانات كثافة المرور الحقيقية، مما أنشأ مخططاً أساسياً للتدفق الكلي (MFD) لكل منطقة.

3. المساهمات الرئيسية

صياغة سلوكية مرنة: تقدم الورقة إطار عمل للتحكم المحيطي المعمم يعتمد على النظرية السلوكية، والذي يدمج بسلاسة أنواعاً مختلفة من البيانات ومواقع المشغلات، مما يلغي الحاجة لوجود المشغلات حصرياً عند حدود المنطقة.
التحقق من فرضية الخطية: يفترض المؤلفون ويتحققون عبر محاكاة واسعة النطاق من أن العلاقة بين نسب تقسيم إشارات المرور وكثافة المرور خطية تقريباً، مما يسمح لـ DeePC بتجاوز التعقيد غير الخطي للعلاقات بين التدفق والكثافة.
معيار مرجعي واسع النطاق: يقدم المؤلفون، حسب علمهم، أكبر محاكة مجهرية مغلقة الحلقة في أدبيات التحكم في المرور (على مستوى مدينة زيورخ) مجهزة بطلب تم تقديره من بيانات حقيقية. ويقترحون هذه المحاكة كمعيار مرجعي قياسي للأبحاث المستقبلية.

4. النتائج

تم تقييم الأداء على شبكتين: شبكة شبكية (64 تقاطعاً) وشبكة زيورخ الكاملة.

نتائج الشبكة الشبكية:

منع الاختناق المروري: أدت المحاكاة الأساسية إلى حدوث اختناق مروري خلال ذروة الطلب، حيث أكملت 4,636 مركبة فقط رحلاتها. نجح كل من DeePC وMPC في منع الاختناق.
الأداء: تفوق DeePC على MPC في جميع المقاييس (وقت السفر، وقت الانتظار، والانبعاثات)، ويُعزى ذلك إلى قدرة DeePC الضمنية على التقاط الديناميكيات بشكل أفضل من نموذج MPC الخطي.

نتائج شبكة زيورخ (ذروة المساء):

وقت السفر: قلل DeePC متوسط وقت السفر بنسبة 18.08% مقارنة بالأساس وبنسبة 1.4% مقارنة بـ MPC.
الانبعاثات: قلل DeePC انبعاثات ثاني أكسيد الكربون بنسبة 16.17% مقارنة بالأساس.
إكمال الرحلات: زاد عدد الرحلات المكتملة بنسبة 0.74% عن الأساس.
حساسية فترة التحكم: اختبرت الدراسة تحديثات التحكم كل 1 و3 و6 دورات عمل. وبينما تراجع الأداء قليلاً مع الفترات الأطول، ظل DeePC متفوقاً على الأساس وتنافسياً مع MPC حتى مع التحديثات الأقل تكراراً.
تحليل المدخلات: كشف تحليل المكونات الرئيسية (PCA) لمدخلات التحكم أن المكون الرئيسي الأول فسر حوالي 48% من التباين، مما يشير إلى نمط عالمي قوي حيث يعدل المتحكم أوقات الإشارات الخضراء عند نقاط دخول المدينة (ارتباط إيجابي) مقابل مركز المدينة (ارتباط سلبي) لإدارة الازدحام.

5. الأهمية والخاتمة

تثبت هذه الورقة أن التحكم التنبؤي الممكن بالبيانات (DeePC) هو بديل قابل للتطبيق ومتفوق للتحكم التقليدي القائم على النماذج لإدارة حركة المرور في المناطق الحضرية واسعة النطاق.

إزالة عبء النمذجة: تستبدل هذه الطريقة النمذجة المعقدة وعرضة للخطأ بخطوة جمع البيانات، مما يجعلها قابلة للتوسع في المدن التي لا تتوفر فيها نماذج مفصلة.
المتانة: من خلال الاعتماد على مسارات البيانات بدلاً من نموذج بارامتري محدد، يتكيف المتحكم مع السلوك الفعلي للنظام، بما في ذلك اللاخطية التي قد يغفل عنها MPC الخطي.
القابلية للتطبيق العملي: يثبت التطبيق الناجح في مدينة حقيقية (زيورخ) مع طلب وبنية تحتية واقعية أن الطريقة جاهزة للنشر في العالم الحقيقي.
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما تعد هذه الطريقة قوية، فإن ضمان المتانة في ظل الظروف الخارجية المتغيرة (تحولات الطلب) ومعالجة قابلية التوسع لعدد هائل من المشغلات (عبر التحسين الموزع) هي مجالات رئيسية للبحث المستقبلي.

باختاً، ترسي هذه الدراسة نموذجاً جديداً للتحكم في المرور حيث يمكن للاستراتيجيات القائمة على البيانات وغير المعتمدة على النماذج إدارة الأنظمة الحضرية المعقدة وغير الخطية بفعالية، مما يحسن مقاييس التنقل والاستدامة بشكل كبير.