Spatiotemporal Graph Transformer for Traffic Intelligence in Edge Computing

تخيل الإنترنت كمدينة ضخمة وصاخبة حيث تمثل البيانات حركة المرور. تماماً مثل السيارات على الطريق السريع، لا تتحرك هذه الحركة الرقمية بشكل عشوائي؛ بل تتدفق في أنماط محددة. فهي تندفع عبر أحياء معينة وقت الغداء، وتتباطأ ليلاً، وتتعرض للاختناق المروري عند حدوث حدث كبير في مكان قريب. في عالم "حوسبة الحافة" (edge computing)، نحاول بناء مراكز بيانات صغيرة ومحلية مباشرة في هذه الأحياء للتعامل مع حركة المرور بسرعة، حتى لا تتأخر مكالمات الفيديو الخاصة بك ولا تتجمد ألعابك. لكن الجزء الصعب هنا هو: لكي نحافظ على تشغيل هذه المراكز المحلية بسلاسة، نحتاج إلى تخمين شكل حركة المرور قبل وصولها بالفعل. إذا انتظرنا حتى يحدث الازدحام المروري لفتح المزيد من المسارات، فسيكون الأوان قد فات. كانت الطرق القديمة لتخمين المستقبل تشبه محاولة التنبؤ بعاصفة من خلال النظر فقط إلى السحب التي تعلو رأسك مباشرة؛ كانت جيدة في رؤية الدقائق القليلة القادمة، لكنها كانت سيئة جداً في رؤية العاصفة القادمة بعد ساعة من الآن.

تقدم هذه الورقة البحثية طريقة جديدة وذكية للغاية للتنبؤ بحركة المرور الرقمية تلك. فقد بنى الباحثون نظاماً يعمل كمزيج من قارئ الخرائط والمحقق الذي يسافر عبر الزمن. أولاً، يستخدم النظام "رسم بياني" (graph) - فكر فيه كخريطة تربط جميع الأحياء المختلفة ببعضها - لفهم كيف تؤثر حركة المرور في منطقة ما على جيرانها. ثم، بدلاً من مجرد النظر إلى الماضي القريب، يستخدم "المحول" (Transformer) - وهو نوع من الذكاء الاصطناعي المتميز في تذكر القصص الطويلة - للنظر إلى ساعات من التاريخ لرصد الأنماط التي تتكرر بمرور الوقت. اختبر الفريق هذا "المحول الرسومي" (Graph Transformer) الجديد مقابل الطرق التقليدية القديمة باستخدام بيانات حقيقية من شبكة خلوية ضخمة في شنغهاي. ووجدوا أن نظامهم الجديد أفضل بكثير في تخمين المستقبل، خاصة بالنسبة للتنبؤات طويلة المدى حيث تميل الأنظمة القديمة إلى الارتباك. ومن خلال ضبط هذه التخمينات بشكل صحيح، يمكن لمديري الشبكات تجهيز مواردهم مسبقاً، مما يضمن عدم تعرض المدينة الرقمية للاختناق المروري.

المشكلة: الازدحام المروري "الاستجابي"

في عالم حوسبة الحافة، تنتشر الخوادم في جميع أنحاء المدينة لتكون قريبة منك. لكن هذه الخوادم لديها مساحة وطاقة محدودة. إذا حاول الكثير من الناس في حي واحد بث الأفلام في نفس الوقت، فقد يزداد الضغط على الخادم المحلي، مما يؤدي إلى بطء السرعات أو انقطاع المكالمات.

تقليدياً، كان مديرو الشبكات "استجابيين". فهم ينتظرون حتى يروا طفرة في حركة المرور، وبعد ذلك يتسابقون لإضافة المزيد من الموارد. الأمر يشبه إدارة الإطفاء التي لا تظهر إلا بعد أن يحترق المنزل بالفعل. المشكلة هي أن حركة المرور في هذه الشبكات معقدة. الأمر لا يتعلق فقط بما يحدث الآن؛ بل يتعلق بكيف يمكن لصباح مزدحم في منطقة ما أن يؤدي إلى ساعة ذروة في منطقة مجاورة بعد ساعة واحدة. كانت النماذج الحاسوبية القديمة، التي اعتمدت على الطرق "التكرارية" (recurrent) - والتي تعتمد أساساً على النظر إلى الخطوات القليلة الماضية لتخمين الخطوة التالية - تشبه شخصاً يحاول تذكر قصة طويلة من خلال الاحتفاظ بآخر جملة فقط في ذهنه. لقد كانت رائعة في التخمينات قصيرة المدى، لكنها غالباً ما كانت تنسى الصورة الكبيرة عندما تنظر إلى مستقبلاً أبعد.

الحل: آلة زمن لقراءة الخرائط

يقترح المؤلفون إطار عمل جديداً يسمى Spatiotemporal Graph Transformer (المحول الرسومي الزماني والمكاني). لفهم كيفية عمله، دعونا نفكك هذا النظام إلى قوتين خارقتين:

1. قارئ الخريطة (الرسم البياني المكاني): تخيل أن المدينة عبارة عن شبكة من النقاط المتصلة. يعرف النظام أنه إذا بدأت حفلة في أحد الأحياء، فمن المرجح أن يصبح الجيران مشغولين أيضاً. يستخدم النظام "شبكة عصبية رسومية" (Graph Neural Network) للنظر في كل هذه الاتصالات في وقت واحد. إنه لا ينظر إلى نقطة واحدة فحسب؛ بل يرى الشبكة بأكملها، مدركاً أن حركة المرور في مكان ما مرتبطة بحركة المرونة في الأماكن المحيطة به.
2. المحقق المسافر عبر الزمن (المحول - Transformer): هذا هو السحر الحقيقي. بدلاً من مجرد النظر إلى الدقائق القليلة الماضية، ينظر "المحول" إلى كامل تاريخ حركة المرور في وقت واحد. يستخدم آلية تسمى "الانتباه الذاتي" (self-attention) لتحديد الأجزاء الأكثر أهمية من الماضي للمستقبل. إنه مثل محقق لا يكتفي بالنظر إلى مسرح الجريمة، بل يراجع تسجيلات كاميرات المراقبة للأسبوع الماضي لرصد نمط معين. يمكنه أن يقول: "مهلاً، كل ثلاثاء في الساعة 5 مساءً، تحدث طفرة في حركة المرور في هذه المنطقة بسبب جدول القطارات"، حتى لو كان هذا النمط بعيداً جداً في البيانات.

من خلال فصل هاتين المهمتين - فهم الخريطة وفهم الوقت - يمكن للنظام التعامل مع تعقيد الشبكة المتغيرة والمتحركة بشكل أفضل بكثير من النماذج القديمة التي تتبع مبدأ "النموذج الواحد المناسب للجميع".

التجربة: الاختبار في العالم الحقيقي

للتأكد من أن هذه الفكرة الجديدة تعمل بالفعل، لم يكتفِ الباحثون بتشغيلها على محاكاة حاسوبية وهمية. بل استخدموا مجموعة بيانات ضخمة وحقيقية من China Telecom في شنغهاي. احتوت هذه المجموعة من البيانات على حوالي 6.9 مليون سجل اتصال من 3,233 برج اتصالات مختلف على مدار ستة أشهر.

قاموا بتنظيف هذه البيانات، وتجميع الأبراج في 25 منطقة خدمة متميزة (مثل الأحياء)، وتتبع حركة المرور ساعة بساعة. ثم وضعوا نموذجهم الجديد GCN-Transformer في مواجهة ثلاثة نماذج قديمة وشائعة:

• GCN-RNN: الطريقة التقليدية القديمة للقيام بالأمور.
• GCN-LSTM: نسخة أذكى قليلاً تتذكر أكثر قليلاً.
• GCN-GRU: نسخة ذكية أخرى تحاول أن تكون فعالة.

تم إعطاء جميع النماذح نفس الخريطة ونفس التاريخ للعمل معهما. الفرق الوحيد كان في كيفية محاولتهم التنبؤ بالمستقبل.

النتائج: النظام الجديد يفوز في السباق الطويل

كانت النتائج واضحة. تفوق نظام GCN-Transformer الجديد باستمرار على النماذج القديمة في التنبؤ بحركة المرور.

• المدى القصير مقابل المدى الطويل: كانت جميع النماذج جيدة في تخمين ما سيحدث في الساعة القادمة. ولكن مع زيادة وقت التنبؤ (بالنظر إلى 10 أو 20 أو حتى 24 ساعة للأمام)، بدأت النماذج القديمة في التعثر. كانت تميل إلى نسيان التفاصيل المهمة أو جعل البيانات تبدو أكثر سلاسة مما هي عليه في الواقع بشكل مبالغ فيه. ومع ذلك، حافظ "المحول" الجديد على دقة عالية حتى في تلك الآفاق الزمنية الطويلة.
• الخريطة "المتبقية" (Residual Map): نظر الباحثون في "الأخطاء" (الفرق بين التخمين والواقع). ارتكبت النماذج القديمة أخطاءً كبيرة ومتكتلة في مناطق معينة، حيث كانت تبالغ في تقدير حركة المرور في جزء من المدينة وتقدرها بأقل من قيمتها في جزء آخر. أما النموذج الجديد فقد حقق أخطاء أصغر وأكثر تشتتاً، مما يعني أن صورته العامة للمدينة كانت أكثر توازناً ودقة.
• الاستقرار: لم يكن النموذج الجديد محظوظاً بالصدفة، بل كان مستقراً. لقد تعلم أنماط إيقاعات حركة المرور في المدينة - مثل ساعات الذروة اليومية وفترات الهدوء الأسبوعية - واستخدمها لتقديم تنبؤات موثوقة.

لماذا يهم هذا؟

هذا ليس مجرد تمرين رياضي. إذا استطاع مديرو الشبكات استخدام هذا النظام الجديد، فيمكنهم التوقف عن محاولة اللحاق بالركب. فبدلاً من انتظار تعطل خادم لأن الكثير من الناس قد سجلوا دخولهم، يمكنهم رؤية الموجة القادمة قبل ساعات من حدوثها. يمكنهم نقل قدرة حوسبية إضافية إلى الحي الصحيح قبل وصول الحشود.

تشير الورقة البحثية إلى أنه من خلال استخدام نهج "المحول الرسومي" هذا، يمكننا بناء أنظمة حوسبة حافة ليست سريعة فحسب، بل ذكية واستباقية أيضاً. وبينما يشير الباحثون إلى أن التنبؤ بالطفرات المفاجئة والعشوائية لا يزال أمراً صعباً، فإن طريقتهم تمثل خطوة كبيرة للأمام في فهم كيفية تدفق حركة المرور الرقمية عبر مدننا. إنها تحول الفوضى العارمة للبيانات إلى إيقاع يمكن التنبؤ به، مما يضمن أنه عندما تحتاج إلى اتصالك، سيكون موجوداً، جاهزاً وفي انتظارك.