Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

تتنفس المدن بصعوبة أكثر من أي وقت مضى. لقد حول الحجم الهائل للمركبات على الطرق رحلات التنقل اليومية ومسارات التوصيل إلى شبكة متشابكة من الإحباط الناتج عن التوقف والتحرك، مما يخنق الهواء ويهدر الوقت. وفي رؤية "المدينة الذكية"، من المفترض أن تعمل التكنولوجيا على فك هذا التشابك، ليس فقط من خلال التنبؤ بمكان وجود حركة المرور، ولكن من خلال إدارة كيفية تحرك البضائع عبر الشبكة بشكل فعال. يكمن التحدي الجوهري في مهمتين صعبتين: معرفة مدى ازدحام شارع ما بدقة قبل أن تغادر الشاحنة المستودع حتى، ومن ثم اختيار المركبة المناسبة للمهمة. قد تكون شاحنة التوصيل الصغيرة مثالية لرحلة قصيرة عبر حي هادٍ، لكنها خيار سيئ للغاية لرحلة طويلة عبر طريق سريع مزدحم، خاصة إذا كانت تعمل بالكهرباء بمدى محدود. إن إتقان هذين القرارين — التنبؤ بالتدفق واختيار الآلة — هو المفتاح لتقليل عدد المركبات على الطريق، مما يؤدي بدوره إلى خفض انبعاثات الكربون وتقصير أوقات السفر للجميع.

لقد تصدى فريق من الباحثين لهذه المشكلة بنظام جديد صُمم ليعمل كجهاز عصبي مركزي لعمليات التوصيل في المناطق الحضرية. وقد أطلقوا على ابتكارهم اسم "نموذج إدارة حركة مرور التوصيل الجماعي القائم على الشبكة العصبية الرسومية المدمجة مع الجوار". ورغم أن الاسم تقني، إلا أن المفهوم بسيط: فهو محرك يتكون من جزأين، يقوم الأول بالتنبؤ بالاختناقات المرورية، ثم يستخدم هذا التنبؤ لاختيار أفضل مركبة لمسار توصيل معين. تم بناء النظام للتعامل مع "التوصيل الجماعي"، وهي استراتيجية يتم فيها تجميع عدة طرود قريبة في رحلة واحدة بدلاً من إرسال مركبة منفصلة لكل منها. يهدف هذا النهج إلى تقليص العدد الإجمالي للمركبات النشطة في الشارع، مما يعالج مباشرة هدف جعل المدن أكثر استدامة.

الجزء الأول من هذا النظام، وهو "وحدة التنبؤ بالازدحام المروري"، يعمل كبلورة سحرية لظروف الطريق. فبدلاً من النظر إلى بيانات المرور بشكل منعزل، يتعامل النظام مع محطات التوصيل في المدينة كنقاط على خريطة مرتبطة جميعها ببعضها البعض. يتعلم النظام كيف يؤثر المرور في محطة ما على المرور في جيرانها، تماماً مثلما تنتشر الموجة في بركة ماء. ومن خلال تحليل البيانات التاريخية لأعداد المركبات والسرعات وأوقات السفر، يبني النظام صورة ديناميكية لكيفية تدفق الازدحام عبر الشبكة. وهذا يسمح له بالتنبؤ بمستويات حركة المرور في نقاط توصيل محددة بدقة عالية، حتى في حالة فقدان البيانات أو تقلب الظروف. وقد وجد الباحثون أنه من خلال الاهتمام الوثيق بعلاقات الجوار هذه، استطاع النظام التنبؤ بتدفق حركة المرور بشكل أفضل بكثير من الأساليب القديمة التي كانت تعامل كل موقع كجزيرة منفصلة.

بمجرد أن يعرف النظام كيف ستبدو حركة المرور، يتولى الجزء الثاني، وهو "وحدة مراقبة وإدارة حركة المرور"، زمام الأمور لاتخاذ القرارات الفعلية. تستقبل هذه الوحدة توقعات حركة المرور وتطابقها مع الاحتياجات المحددة لطلب التوصيل. وهي تأخذ في الاعبعار مجموعة متنوعة من العوامل: المسافة التي يجب أن تقطعها المركبة، عدد التوقفات التي يجب أن تقوم بها، نوع الطريق الذي ستستخدمه، وقدرات المركبة نفسها، مثل نوع الوقود وسعة الحمولة. ثم يقوم النظام بحساب درجة لتحديد أي مركبة هي الأنسب للمهمة. على سبيل المثال، قد يقرر أن شاحنة ديزل ثقيلة ضرورية لمسار طويل مع العديد من التوقفات، بينما يكون الخيار الأمثل لرحلة محلية قصيرة هو مركبة كهربائية أصغر حجماً. يضمن هذا المطابقة الذكية أن المركبة المختارة ليست متاحة فحسب، بل ملائمة بالفعل للمهمة، مما يمنع حالات تعثر شاحنة صغيرة في رحلة طويلة المدى أو استهلاك شاحنة كبيرة للطاقة في مهمة صغيرة جداً.

لاختبار ما إذا كان هذا النهج فعالاً حقاً، أجرى الباحثون تقييمات واسعة النطاق باستخدام مجموعة بيانات واقعية ممتدة لبيانات المسارات في بكين، وهي مدينة ذات أنماط مرورية معقدة وكثيفة. قاموا بتغذية النظام بآلاف طلبات التوصيل وراقبوا أداءه مقارنة بالأساليب الحالية. كانت النتائج واضحة: ارتكب النموذج الجديد أخطاء أقل في تنبؤاته واستغرق وقتاً أقل في معالجة إجاباته. وتحديداً، قلل النظام من الخطأ في تنبؤات حركة المرور بهامش ملحوظ مقارنة بالنماذج القياسية، كما قلل من الوقت اللازم لمعالجة البيانات. وفي التقييمات، نجح النموذج في تحديد المسارات الأكثر كفاءة وتوليفات المركبات الأفضل، مما أثبت قدرته على التعامل مع الطبيعة الفوضوية والمتغيرة لحركة المرور في المدينة دون أن ينهار.

كما سلطت الدراسة الضوء على ما يحدث عندما يتم تجاهل الروابط بين أجزاء المدينة المختلفة. فعندما اختبر الباحثون نسخاً من النظام لا تنظر في كيفية تأثير المحطات المجاورة على بعضها البعض، أصبحت التنبؤات أقل دقة. وقد أكد ذلك أن حركة المرور ليست مجرد مجموعة من الأحداث المعزولة، بل هي تدفق متصل حيث يؤثر الازدحام في منطقة ما حتماً على المنطقة التالية. ومن خلال دمج هذه العلاقات مباشرة في عملية التعلم، يلتقط النموذج الجديد حقيقة كيفية تحرك حركة المرور. وخلص الباحثون إلى أن هذا النهج المتكامل — الذي يجمع بين التنبؤ الدقيق والاختيار الذكي للمركبات — يوفر مساراً قابلاً للتطبيق نحو تقليل عدد مركبات التوصيل على الطريق. وبينما استخدم العمل بيانات المسارات التاريخية للتقييم، فإن النتائج تشير إلى أن مثل هذا النظام يمكن أن يحسن بشكل كبير من كفاءة اللوجستيات الحضرية، مما يساعد المدن على المضي نحو مستقبل بمرور أقل ازدحاماً وبيئة أنظف.