← أحدث الأبحاث
🔬 physics

Predictability of Human Movements across Industry Sectors using Multilayer Networks

تُظهر هذه الدراسة أن نماذج تعلم الآلة غير الخطية، ولا سيما نموذج غابة العشوائية للانحدار، تتنبأ بفعالية بأنماط الحركة البشرية عبر قطاعات صناعية متنوعة من خلال الاستفادة من السمات الديموغرافية وسمات البنية التحتية، مع كون الحركات الداخلية بشكل عام أكثر صعوبة في التنبؤ بها من الحركات الخارجية.

المؤلفون الأصليون: Maisha Islam Sejunti, Melissa Butler, Yingjie Hu, Dane Taylor

نُشر 2026-07-31
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Maisha Islam Sejunti, Melissa Butler, Yingjie Hu, Dane Taylor

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 بالخطوة التالية لجمهور عملاق غير مرئي. لا يتعلق الأمر بتخمين أين قد يذهب شخص واحد لتناول الغداء؛ بل يتعلق بفهم الأنهار الهائلة والمتدفقة من البشر التي تتحرك عبر مدننا كل يوم. يسمي العلماء هذا "التنقل البشري"، وهو يشبه دراسة نبض قلب المدينة. إذا استطعنا فهم هذه الأنماط، يمكننا تصميم مدن أفضل، وإيقاف انتشار الأمراض كالنار في الهشيم، وحتى التخطيط لكيفية مساعدة الناس أثناء حالات الطوارئ. وللقيام بذلك، غالبًا ما يستخدم الباحثون "الشبكات"، وهي تشبه الخرائط حيث تمثل النقاط الأحياء، وتمثل الخطوط الرحلات التي يقوم بها الناس بينها. ولكن إليك المفاجأة: الناس لا يتحركون بشكل عشوائي فحسب، بل ينتقلون إلى أماكن محددة لأسباب محددة؛ فبعضهم يذهب إلى المدارس، والبعض الآخر إلى المستشفيات، والبعض إلى متاجر البقالة. ومن خلال فصل هذه الرحلات إلى "طبقات" مختلفة بناءً على وجهة الناس (مثل تقشير طبقات البصل)، يمكن للعلماء رؤية صورة أوضح بكثير لكيفية عمل مجتمعنا بالفعل.

في هذه الدراسة، قرر فريق من الباحثين لعب لعبة "خمن الجمهور" باستخدام جزء من ولاية تكساس يُعرف بمقاطعة هاريس. أرادوا معرفة ما إذا كان بإمكانهم استخدام أجهزة الكمبيوتر للتنبؤ بعدد الأشخاص الذين سينتقلون إلى أحياء مختلفة أو سيخرجون منها، اعتمادًا على ما إذا كان هؤلاء الأشخاص متجهين إلى مدرسة، أو مطعم، أو مستشفى، أو متجر. لقد بنوا نموذجًا رقميًا باستخدام "شبكة متعددة الطبقات"، وهي تشبه كومة من الخرائط الشفافة، كل منها يوضح نوعًا مختلفًا من الرحلات. ثم غدّوا هذا النموذج بالعديد من الأدلة، مثل عدد الأشخاص الذين يعيشون في منطقة ما، ومقدار دخلهم، وعدد المباني من نوع معين (مثل المدارس أو المتاجر) الموجودة هناك. ثم وضعوا عشرة برامج كمبيوتر مختلفة في مواجهة بعضها البعض لمعرفة أي منها الأفضل في تخمين الأرقام.

كانت النتائج أشبه بحفلة مفاجئة. وجد الباحثون أن أجهزة الكمبيوتر "الأكثر ذكاءً" — وتحديدًا تلك التي تستخدم تفكيرًا معقدًا وغير خطي يسمى "انحدار الغابة العشوائية" (Random Forest Regression) — كانت أفضل بكثير في التخمين من نماذج الرياضيات البسيطة ذات الخطوط المستقيمة. اتضح أن التنبؤ بالمكان الذي يأتي منه الناس (الرحلات المغادرة) أمر سهل نسبيًا؛ فإذا عرفت عدد الأشخاص الذين يعيشون في حي ما، يمكنك عادةً تخمين عدد الذين سيغادرونه. لكن التنبؤ بالمكان الذي يتجهون إليه (الرحلات القادمة) أصعب بكثير، مثل محاولة تخمين أي متجر سيدخل إليه شخص غريب. الحالة الوحيدة التي أصبح فيها التنبؤ بـ "الرحلات القادمة" سهلاً هي عندما تكون الوجهة مطعمًا أو متجر بقالة؛ يبدو أن الناس لديهم جوع يمكن التنبؤ به بشدة!

اكتشف الفريق أيضًا أن نوع الوجهة أمر بالغ الأهمية. فالحركات المتجهة إلى أماكن مثل المدارس و"الخدمات الأخرى" كانت الأصعب في التنبؤ بها، ويرجع ذلك على الأرجيد إلى اعتمادها على أمور معقدة مثل العطلات المدرسية أو التغييرات المفاجئة في الخطط. وفي المقابل، كانت الرحلات إلى أماكن الطعام والتجزئة هي الأسهل في التنبؤ بها. وكان أحد النتائج الرئيسية هو أنه بالنسبة للأهداف الأسبوعية المتحركة، احتاجت أجهزة الكمبيوتر الذكية إلى معرفة أي وقت من السنة نحن فيه. فعندما أعطى الباحثون النماذج "تقويمًا" (باستخدام الرياضيات لتمثيل أسابيع السنة الـ 52)، حصلت التنبؤات على دفعة هائلة، خاصة بالنسبة للمدارس، التي تمتلك إيقاعات موسمية قوية جدًا. وبدون هذا الدليل "المسافر عبر الزمن"، عانت النماذج لتخمين الانخفاضات في حركة المرور خلال العطلات الصيفية أو الشتوية.

في النهاية، تشير الدراسة إلى أنه بينما لا يمكننا التنبؤ بدقة بكل خطوة بشرية، يمكننا أن نصبح جيدين جدًا في تخمين الصورة الكبيرة، خاصة إذا استخدمنا نوعًا مناسبًا من "عقول الكمبيوتر" وانتبهنا إلى الموسم. هذه ليست مجرد لعبة؛ بل هي خطوة عملية نحو مساعدة مخططي المدن، والأطباء، والمستجيبين لحالات الطوارئ على اتخاذ قرارات أكثر ذكاءً. ومن خلال فهم أي الصناعات تجذب الحشود ومتى، يمكننا بناء أنظمة نقل أفضل، والاستعداد لتفشي الأمراض، والتأكد من أن مدننا تعمل من أجل الجميع. لا تدعي الورقة البحثية أنها حلت لغز الحركة البشرية إلى الأبد، لكنها تظهر لنا طريقة جديدة وقوية لإلقاء نظرة خلف الستار على حياتنا اليومية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 physics →