Real-Time Urban Traffic Flow Prediction Based on Graph Convolutional Networks and Big Data Analytics

تخيل المدينة ككائن حي عملاق؛ طرقها هي الأوردة التي تحمل دماء الحياة من السيارات والحافلات والشاحنات. تماماً مثل جسم الإنسان، تمتلك هذه المدينة-الكائن نظاماً عصبياً معقداً: فالمستشعرات عند التقاطعات وعلى الطرق السريعة تعمل كأعين وآذان صغيرة، تراقب باستمرار سرعة تدفق الدم وأماكن تعثره. لفترة طويلة، حاول العلماء التنبؤ بالازدامات المرورية باستخدام رياضيات بسيطة، مثل النظر إلى خط مستقيم وتخمين مساره التالي. لكن المدن ليست خطوطاً مستقيمة؛ بل هي شبكات ملتوية وفوضوية حيث يمكن لانسداد في أحد الأحياء أن يمتد أثره ويسبب فوضى على بعد ثلاثة أميال. هذا هو عالم "النقل الذكي"، وهو مجال مخصص لاستخدام الحواسيب لفهم هذه الأنماط المعقدة حتى نتمكن من الحفاظ على حركة المرور بسلاسة. التحدي الكبير هو أن بيانات المرور ضخمة، وفوضوية، وتتغير في كل ثانية، مما يجعل من الصعب على الحواسيب التقليدية استيعاب ما سيحدث لاحقاً.

هنا يأيد عمل نوع جديد من التحري الرقمي كما وصفه هذا البحث العلمي. يقترح المؤلف، جيانمينغ تشانغ من جامعة إيزوو المهنية، نظاماً يعامل شبكة طرق المدينة ليس كمجرد قائمة من الأرقام، بل كخريطة ضخمة متصلة—"رسم بياني" (Graph). فكر في هذا الرسم البياني كشبكة اجتماعية للطرق: كل تقاطع هو شخص (عقدة)، وكل شارع يربط بينهما هو علاقة صداقة (حافة). تقترح الورقة استخدام نوع خاص من الذكاء الاصطناعي يسمى "الشبكة العصبية التلافيفية الرسومية" (GCN). إذا تخيلت الذكاء الاصطناعي التقليدي كطالب يقرأ الكتاب صفحة بصفحة، فإن الـ GCN يشبه طالباً يمكنه النظر إلى الفصل الدراسي بأكمله دفعة واحدة، ليرى كيف يتحدث كل طالب مع جيرانه ليفهم مزاج الغرفة بأكملها. ومن خلال الجمع بين رؤية "الشبكة الاجتماعية" للطرق و"البيانات الضخمة" (كميات هائلة من المعلومات في الوقت الفعلي)، بنى الباحثون نظاماً يمكنه التنبؤ بتدفق حركة المرور في الوقت الفعلي.

اختبرت الدراسة هذه الفكرة باستخدام مجموعة بيانات ضخمة من مدينة كبرى في شرق آسيا، حيث جمعت بيانات من حوالي 218 مستشعراً على مدار ستة أشهر في عام 2023. سجلت هذه المستشعرات تدفق حركة المرور، والسرعة، ومدى امتلاء المسارات كل خمس دقائق. قام الباحثون بتغذية هذه البيانات في نموذجهم الجديد "Spatio-Temporal GCN"، المصمم لفهم كل من التخطيط المادي للطرق (المكان) وكيف تتغير حركة المرور بمرال الزمن (الزمان). كانت النتائج واعدة: كان النموذج الجديد أكثر دقة من الطرق القديمة مثل LSTM (نوع من الذكاء الاصطناٍ القائم على الذاكرة) والـ GCN القياسية. وتحديداً، عند التنبؤ بحركة المرور قبل 15 دقيقة، كان متوسط الخطأ في النموذج الجديد 47.9 سيارة؛ ولـ 30 دقيقة كان 67.2 سيارة؛ ولـ 60 دقيقة كان 114.6 سيارة. بالمقارنة، ارتكبت النماذج القديمة أخطاءً أكبر، حيث تراوحت الأخطاء بين 55.8 وأكثر من 159 سيارة اعتماداً على الإطار الزمني.

تسلط الورقة الضوء على أن هذا النهج الجديد بارع بشكل خاص في التعامل مع الأمور الواقعية الفوضوية التي تعيق الأنظمة الأخرى. فعلى سبيل المثال، عندما اختبر الباحثون النموذج أثناء هطول أمطار غزيرة في شهر يونيو، أثبت أنه أكثر صموداً. وحتى عندما تظاهروا بأن 10% من المستشعرات معطلة أو تفتقر إلى البيانات، زاد معدل الخطأ في النموذج الجديد بنسبة تقل عن 18%، بينما قفز معدل الخطأ في نموذج LSTM القديم بأكثر من 35%. يشير هذا إلى أن النظام الجديد أفضل في "ملء الفراغات" عندما تكون المعلومات مفقودة، ويرجع ذلك على الأرج_ح إلى فهمه لكيفية اتصال الطرق ببعضها البعض. كما لاحظ الباحثون أنه بينما يعد النموذج رائعاً، إلا أنه لا يزال يواجه بعض الصعوبات بالقرب من معابر الأنهار والمناطق التي تشهد حوادث متكررة وغير مخططة، مما يشير إلى أن إضافة بيانات محددة حول هذه الأحداث قد تجعله أفضل.

في النهاية، تقترح الورقة أنه من خلال معاملة المدينة كرسم بياني متصل واستخدام التعلم العميق لقراءة الأنماط في هذا الرسم، يمكننا بناء أنظمة مرور أكثر ذكاءً. يرى المؤلف أن هذه الطريقة أكثر دقة واستقراراً من التقنيات السابقة، خاصة في البيئات المعقدة والمتغيرة. ورغم أنهم لا يدعون حل مشكلة المرور للأبد، إلا أن تجاربهم تظهر أن هذا النهج القائم على البيانات يعد خطوة قوية للأمام في إدارة التنقل الحضري، مما قد يساعد المدن على إبقاء "أوردتها" خالية و"جهازها العصبي" هادئاً.