Research on Traffic Congestion Area Identification and Traffic Control Based on Multi-source Data Fusion

في الشرايين الصاخبة للمدن الحديثة، لا يعد المرور مجرد مجموعة من السيارات؛ بل هو نظام حي ومعقد يمكن لانسداد واحد فيه أن يمتد أثره للخارج، محولاً رحلة تنقل سلسة إلى كابوس من الازدحام الخانق. ولإدارة ذلك، اعتمد مخططو المدن لفترة طويلة على عد المركبات أو مراقبة الكاميرات، لكن هذه الأساليب غالباً ما لا ترى سوى جزء ضئيل من الصورة الكاملة. ويتضمن النهج الأحدث جمع أنواع مختلفة من المعلومات في آن واحد، تماماً كما قد يجمع الطبيب بين درجة حرارة المريض وضغط دمه وتاريخه الطبي للحصول على تشخيص كامل. ومن خلال دمج البيانات من نظام تحديد المواقع العالمي (GPS) في سيارات النقل الذكية، والمستشعرات المغناطيسية المدفونة تحت الطرق، وإشارات الهواتف المحمولة أثناء تحرك الناس عبر المدينة، يمكن للباحثين بناء خريطة أكثر وضوحاً وفورية لكيفية سلوك حركة المرور في الواقع. ويسمح هذا الاندماج لمصادر البيانات بفهم أعمق لأماكن بدء الاختناقات المرورية، وكيفية انتشارها، ومتى ستنقشع، مما يوفر مساراً نحو إدارة مدنية أكثر ذكاءً واستجابة.

في دراسة حديثة ركزت على منطقة هونجيا لو في مدينة جينان بالصين، سعى فريق من الباحثين لتطبيق نهج البيانات متعددة المصادر هذا لحل المشكلة المستمرة للازدحام الحضري. لم يكن هدفهم مجرد رصد أماكن بطء الحركة، بل التنبؤ بدقة بكيفية نمو الاختناق واختبار استراتيجيات محددة لتخفيفه. بدأ الباحثون بتقسيم شبكة طرق المدينة إلى شبكة من القطاعات المربعة الصغيرة. ثم قاموا بتغذية نظام حاسوبي ببيانات من ثلاثة مصادر متميزة: مسارات حركة مركبات النقل عبر الإنترنت، وتدفق السيارات التي ترصدها المستشعرات المغناطيسية تحت الأسفلت، وأنماط حركة الناس المستمدة من إشارات الهواتف المحمولة. ومن خلال مواءمة هذه التدفقات المختلفة من المعلومات بعناً، نجحوا في إنشاء مجموعة بيانات موحدة وعالية الدقة تلتقط السرعة والحجم والكثافة المرورية بدقة أكبر بكثير مما يمكن لأي مصدر منفرد توفيره.

ومع امتلاك هذه المجموعة الغنية من البيانات، طور الفريق طريقة لتحديد مكان تشكل الاختناقات المرورية بالضبط وكيف يُحتمل أن تنتشر. استخدموا تقنية "التجميع" (clustering) لربط قطاعات الشبكة التي تتشارك سلوكيات مرورية متشابهة، مما سلط الضوء بفعالية على الأحياء التي كان فيها الازدحام أكثر شدة. ولفهم كيف يمكن لاختناق في كتلة واحدة أن يتسبب في اختناق في الكتلة التالية، بنوا نموذجاً يحسب احتمالية انتقال تباطؤ حركة المرور من شبكة إلى جاراتها. وكشف تحليلهم لساعة الذروة الصباحية عن نمط واضح: لم يحدث الازدحام بشكل عشوائي، بل بدأ غالباً في قطاعات محددة، مثل تلك القريبة من الجامعات الكبرى، ثم انتشر نحو الخارج في رد فعل متسلسل. وفي حالة واحدة تم رصدها، انتشر اختناق بدأ في شبكتين محددتين ليغطي ما يقرب من ثلثي منطقة الدراسة في غضون خمس عشرة دقيقة، مع احتمالية عالية للانتقال عرضياً إلى الشوارع المجاورة.

وللتنبؤ بهذه الاتجاهات قبل وقوعها، صمم الباحثون نموذجاً حاسوبياً متطوراً يمكنه التعلم من الماضي للتنبؤ بالمستقبل. جمع هذا النموذج بين نوعين قويين من الذكاء الاصطناعي: أحدهما يتعرف على الأنماط المكانية، مثل تخطيط تقاطع مزدحم، والآخر يفهم التسلسلات الزمنية، مثل الطريقة التي تتراكم بها حركة المرور على مدار ساعة. وأضافوا ميزة خاصة سمحت للنموذج بتركيز انتباهه على اللحظات والمواقع الأكثر أهمية، متجاهلاً الضجيج الأقل أهمية. وعند اختباره مقابل بيانات من الواقع، أثبت هذا النموذج الجديد تفوقاً ملحوظاً على الأساليب الحالية؛ فخلال ساعات الذروة الصباحية والمسائية الفوضوية، قلل أخطاء التنبؤ بنحو الربع مقارنة بالنماذج القديمة، ونجح في التنبؤ بالظروف المرورية بدقة بلغت حوالي 94%. وتعني هذه الدرجة من الدقة أن مديري المرور يمكنهم تلقي تحذيرات موثوقة بشأن الاختناقات الوشيكة مسبقاً، بدلاً من الاكتفاء برد الفعل بعد انسداد الطرق بالفعل.

كانت الخطوة الأخيرة من البحث هي معرفة ما إذا كانت هذه الرؤى يمكن أن تحسن تدفق حركة المرور فعلياً. استخدم الفريق منصة محاكاة لإنشاء "توأم رقمي" لشبكة الطرق، مما سمح لهم باختبار استراتيجيات مختلفة للتحكم في المرور دون تعطيل السائقين الحقيقيين. وقارنوا بين الإشارات المرورية الحالية غير المحسنة وبين خطة جديدة أنتجتها خوارزمية مصممة لإيجاد التوزيع الأكثر كفاءة لحركة المرور. عملت هذه الخوارونة من خلال الاختبار المستمر لتعديلات صغيرة في تدفق حركة المرور وتوقيت الإشارات، وتحسين الحل تدريجياً حتى وجدت الترتيب الأمثل. وكانت النتائج ملموسة: حيث قللت الخطة المحسنة من متوسط الوقت الذي تقضيه المركبة في التنقل عبر المنطقة بنسبة 12.5%، وقلصت طول طوابير المركبات بأكثر من 22%. علاوة على ذلك، انخفض إجمالي الوقت الذي تقضيه السيارات في الانتظار عند الإشارات الحمراء بنسبة تقارب 18%، وزاد عدد المركبات التي تمر عبر الشبكة بنسبة 7.6%.

بينما أظهرت الدراسة أن دمج مصادر بيانات متعددة مع نماذج تنبؤ متقدمة يمكن أن يحسن إدارة المرور بشكل كبير، أقر الباحثون بأن عملهم هو نقطة انطلاق وليس حلاً نهائياً. فقد غطت البيانات المستخدمة أسبوعاً واحداً فقط في فصل الربيع، وأجريت الاختبارات في منطقة محددة ذات هيكل طرق شبكي. وأشار الفريق إلى أن النظام سيحتاج إلى اختبار على فترات زمنية أطول، وعبر مواسم مختلفة، وفي مدن ذات تخطيطات طرق مختلفة لضمان عمله في كل مكان. كما أشاروا إلى أن النماذج الحاسوبية المعقدة تعمل نوعاً ما مثل "الصندوق الأسود"، مما يجعل من الصعب على المديرين البشريين فهم سبب صدور تنبؤ معين بدقة. ورغم هذه القيود، تقدم الدراسة إثباتاً مقنعاً لمفهوم العمل؛ فهي تظهر أنه من خلال الاستماع إلى الإشارات المتعددة التي تبثها المدينة، يمكن للمخططين الانتقال من مرحلة التخمين بشأن أنماط المرور إلى فهمها بوضوح، مما يمهد الطريق لمدن تدير تدفقها بذكاء وكفاءة أكبر.