Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

تخيل المدينة كأنها لغز عملاق حي، حيث كل طريق هو قطعة، وكل سائق هو لاعب يحاول حله. عندما يُغلق طريق للإصلاحات، يكون الأمر أشبه بسحب قطعة من اللغز؛ وفجأة، يتعين على الجميع التدافع للعثور على مكان جديد، وتتغير الصورة بأكملها. هذا هو عالم هندسة المرور، وهو مجال مخصص لفهم كيفية تحرك الناس عبر هذه الشبكات المعقدة. وفي قلب هذا اللغز يكمن مفهوم يسمى "التوازن"، وهو مجرد طريقة منمقة للقول بأن الجميع قد وجدوا مساراً لا يمكنهم من خلاله الوصول إلى وجهتهم بشكل أسرع عبر تغيير المسارات. إذا سبق لك أن علقت في زحام مروري بينما يقوم نظام تحديد المواقع (GPS) بتغيير مسارك، لتجد أن المسار الجديد مزدحم أيضاً، فقد جربت هذا التوازن عملياً. السؤال الكبير لمخططي المدن هو: كيف نجدول إصلاحات الطرق بحيث لا نحول إصلاح حفرة صغيرة إلى كابوس مروري على مستوى المدينة؟ تقليدياً، كان تحديد هذا الأمر يشبه محاولة حل معادلة رياضية ضخمة في كل مرة تفكر فيها في خطة إصلاح جديدة، وهي عملية بطيئة وثقيلة للغاية لدرجة أنها غالباً ما تمنع المخططين من اتخاذ أفضل القرارات.

تتناول هذه الورقة، المقدمة في مؤتمر IISE السنوي لعام 2026، هذه المشكلة الرياضية الثقيلة من خلال تعليم الحواسيب تخمين الإجابة بدلاً من حسابها من الصفر في كل مرة. نظر المؤلفون، تشاريثا نانديبو وفريقه، في شبكة مرور واقعية في نيوارك، نيوجيرسي، مع التركيز بشكل خاص على ممر مزدحم يُعرف باسم "جاردن ستيت باركواي". بدأوا بتشغيل محاكاة حاسوبية دقيقة للغاية، ولكنها بطيئة جداً، لمعرفة كيفية تدفق حركة المرور بالضبط إذا أُغلقت الطرق. فكر في هذا على أنه "المعيار الذهبي" أو "الحقيقة المطلقة" — مفتاح الإجابة المثالي. استخدموا هذه البيانات لتدريب أربعة أنواع مختلفة من نماذج الذكاء الاصطناعي (AI)، حيث قاموا أساساً بتعليمها كيفية النظر إلى أين يريد الناس الذهاب (طلب الأصل والوجهة) والتنبؤ فوراً بكيفية تصرف حركة المرور دون الحاجة إلى القيام بالعمليات الحسابية الثقيلة.

اختبر الفريق أربعة "أدمغة" مختلفة للذكاء الاصطناعي الخاص بهم: شبكة متعددة الطبقات قياسية (MLP)، ومكتشف للأنماط (CNN)، وخبير في هيكل الشبكة (GNN)، ونموذج ينتبه إلى العلاقات بين جميع أجزاء النظام (Attention-based NN). كانت النتائج واضحة: النموذج الذي انتبه إلى الصورة الكبيرة هو الفائز. فقد كان الشبكة العصبية "القائمة على الانتباه" (Attention-based) هو نجم العرض، حيث تنبأ بأنماط حركة المرور بدقة بلغت حوالي 98% (درجة R² بلغت 0.9835) وارتكب أقل عدد من الأخطاء في الطرق الأكثر ازدحاماً. في المقابل، تعثرت النماذج الأخرى، خاصة القياسية منها، بشكل كبير عندما أصبح الزحام شديداً، حيث قفزت الأخطاء إلى ما يقرب من 1,000 مركبة في الساعة في الوصلات الحيوية. أما النموذج القائم على الرسم البياني (GNN) فقد أدى عملاً جيداً، لكن النموذج القائم على الانتباه كان الأكثر دقة، بمعدل خطأ قدره 35.87 مركبة في الساعة إجمالاً.

لا تدعي هذه الورقة أنها حلت مشكلة جدولة إصلاحات الطرق بالكامل وإلى الأبد. بدلاً من ذلك، تقترح أن استخدام نماذج الذكاء الاصطناعي السريعة والقائمة على البيانات هو وسيلة واعدة لتسريع عملية التخطيط. ومن خلال استبدال الحسابات البطيئة والثقيلة بتنبؤ سريع من الذكاء الاصطناعي، يمكن لمديري المدن تجربة العديد من جداول الإصلاح في الوقت الذي كان يُستغرق فيه لاختبار جدول واحد فقط. تُظهر الدراسة أنه بالنسبة لمنطقة نيوارك، يعمل هذا النهج بشكل جيد بما يكفي ليكون أداة مفيدة، مما يوفر وسيلة للحفاظ على تدفق حركة المرور بسلاسة حتى عندما تكون الطرق تحت الإنشاء. إنها خطوة نحو جعل مدننا أقل ازدحاماً، تنبؤاً ذكياً واحداً تلو الآخر.