Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods
تُظهر هذه الدراسة أن نموذج الذاكرة الطويلة قصيرة المدى ثنائ الاتجاه (Bidirectional LSTM) القابل للتفسير، والمعزز بالاختيار التكيفي للمعلمات واستبعاد الميزات، يتنبأ بفعالية بازدحام حركة المرور في مقاطعة ألاميدا عبر فترات مختلفة من جائحة كوفيد-19 من خلال الكشف عن كيفية تأثير الحالات الجديدة، وحالات الاستشفاء، وأسعار الوقود بشكل متميز على سلوك السفر ومستويات الازدحام.
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 بالطقس، ولكن بدلاً من السحب والأمطار، تحاول تخمين عدد السيارات التي ستعلق في الازدحام المروري. هذا هو عالم التنبؤ بالازدحام المروري، وهو مجال يستخدم فيه العلماء الرياضيات والحواسيب لاستشراف التدفق المستقبلي للمركبات. عادةً ما تعتمد هذه التنبؤات على أنماط نعرفها جيداً: ساعة الذروة تحدث عندما يذهب الناس إلى العمل، وعطلات نهاية الأسبوع تكون أهدأ، والمطر يجعل الجميع يقودون ببطء. ولكن بعد ذلك، وصل مُعطل ضخم وغير مرئي: جائحة كوفيد-19. فجأة، لم تعد القواعد القديمة صالحة. بقي الناس في منازلهم، وفرضت الحكومات إغلاقات على المدن، وتغيرت طريقة تنقلنا بطرق لم يشهدها أحد من قبل. ولحل هذا اللغز الجديد، لجأ الباحثون إلى "تعلم الآلة" (Machine Learning) — وهو نوع من البرامج الحاسوبية التي تتعلم من خلال دراسة كميات هائلة من البيانات، بدلاً من اتباع مجموعة صارمة من القواعد التي يكتبها البشر. فكر في الأمر كتعليم كلب كيفية جلب الكرة؛ أنت لا تشرح له فيزياء رمي الكرة، بل تكتفي بإظهار الكرة والمكافأة له حتى يستوعب النمط. كان السؤال الكبير للعلماء هو: هل يمكن لهذه الحواسيب الذكية أن تتعلم الأنماط الجديدة والغريبة لحركة المرور خلال أزمة صحية عالمية، وهل يمكننا حقاً فهم لماذا تقدم هذه التنبؤات؟
هذه الدراسة، التي أجراها باحثون في جامعة سنغافورة الوطنية، تغوص في بيانات حركة المرور في مقاطعة ألاميدا في كاليفورنيا للإجابة على ذلك بالضبط. أرادوا معرفة ما إذا كان بإمكانهم التنبؤ بالاختناقات المرورية خلال ثلاث مراحل متميزة من الجائحة: قبل الإغلاقات، وأثناء اشتداد الإغلاقات، وبعد بدء تخفيف القيود. وللقيام بذلك، غدّوا نماذجهم الحاسوبية بمزيج من المكونات: تقارير الطقس، ويوم الأسبوع، والأهم من ذلك، بيانات حقيقية عن الفيروس نفسه، مثل الإصابات الجديدة وحالات الاستشفاء. لقد اختبروا عدة "أدمغة" مختلفة لحاسوبهم، تتراوح من الأساليب الإحصائية البسيطة إلى شبكات التعلم العميق المتقدمة التي يمكنها تذكر الأحداث الماضية.
وجد الباحثون أن النموذج الأكثر تطوراً، والذي يسمى "الذاكرة الطويلة قصيرة المدى ثنائية الاتجاه" (Bi-LSTM)، كان الفائز الواضح. تخيل متنبئ حركة المرور العادي كشخص ينظر فقط إلى الطريق أمامه؛ يمكنه رؤية ما سيأتي لاحقاً. أما نموذج (Bi-LSTM)، فهو مثل شخص يمكنه النظر إلى الأمام وإلى الوراء في نفس الوقت. ومن خلال تحليل أنماط حركة المرور للأسبوع الماضي في كلا الاتجاهين، استطاع هذا النموذج "التعلم العكسي" للبيانات، ورصد الإيقاعات الخفية التي فاتتها النماذج الأخرى. لقد تفوق باستمرار على غيره، مما أثبت أن فهم الجدول الزمني الكامل للأحداث هو المفتاح للتنبؤ بحركة المرور خلال الأوقات الفوضوية.
لكن هنا يكمن الجزء الصعب: عادة ما تكون هذه النماذج الحاسوبية فائقة الذكاء عبارة عن "صناديق سوداء". تضع فيها البيانات، ويخرج لك تنبؤ، لكن ليس لديك أدنى فكرة عن كيفية اتخاذ الحاسوب لهذا القرار. الأمر يشبه طلب وجبة في مطعم حيث يقدم لك الطاهي الطبق دون أن يخبرك بالوصفة. ولإصلاح ذلك، استخدم الفريق أدوات خاصة تسمى "التدرجات المتكاملة" (Integrated Gradients) و"SHAP" لإلقاء نظرة داخل الصندوق الأسود ومعرفة أي المكونات كانت أكثر أهمية.
كشفت تحقيقاتهم عن حقائق مثيرة للاهتمام. فخلال فترة الإغلاق وما بعدها، أصبح عدد حالات كوفيد-19 الجديدة عاملاً مهيمناً. أظهرت البيانات وجود رابط سلبي قوي: عندما تزداد الحالات الجديدة، تنخفض حركة المرور. لم يكن هذا لأن الفيروس أوقف السيارات مادياً؛ بل يشير الباحثون إلى أن ذلك حدث لأن الناس أصبحوا أكثر حذراً، أو بقوا في منازلهم طواعية، أو اتبعوا القواعد الحكومية. ومن المثير للاهتمام أيضاً أن الدراسة وجدت أنه حتى مع ارتفاع أسعار الوقود، لم يتوقف الناس عن قيادة سياراتهم الخاصة؛ بل على العكس، زاد الازدحام المروري. وهذا يشير إلى أنه خلال مرحلة ما بعد الجائحة، دفع الخوف من وسائل النقل العام الناس نحو المركبات الخاصة، ولم تكن التكلفة العالية للبنزين كافية لإيقافهم.
كما استبعدت الدراسة فكرة أن النماذج الرياضية البسيطة والقديمة يمكنها التعامل مع هذه الفوضى. فبينما نجح نموذج تقليدي يسمى (SARIMA) بشكل جيد قبل الجائحة، إلا أنه فشل في مواكبة الأحداث بمجرد بدء عمليات الإغلاق. أظهر الباحثون أن نماذج تعلم الآلة المعقدة والمرنة كانت أفضل بكثير في التكيف مع التغيرات المفاجئة وغير المنتظمة في كيفية تحرك الناس. كما أكدوا أن طريقتهم في اختيار نقاط البيانات الأكثر أهمية (مثل تجاهل تفاصيل الطقس غير ذات الصلة) كانت حاسمة؛ فعندما أزالوا الميزات الرئيسية مثل "الحالات الجديدة" أو "عطلات نهاية الأسبوع"، ساء أداء النماذج كثيراً في التنبؤ بحركة المرور.
باخت-صار، تشير هذه الورقة البحثية إلى أنه لفهم حركة المرور في وقت الأزمات، نحتاج إلى نماذج ذكية يمكنها النظر إلى التاريخ من جميع الزوايا، ونحتاج إلى الانتباه إلى العنصر البشري — الخوف، والحذر، والسياسات — تماماً كما نهتم بالطقس. لم يدّعِ الباحثون أنهم حلوا مشكلة المرور إلى الأبد، لكنهم أظهروا أنه من خلال الجمع بين الذكاء الاصطناعي المتقدم والتفسيرات الواضحة، يمكننا البدء في فهم الإيقاعات الجديدة وغير المتوقعة لمدننا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.