Smart Traffic Prediction System: Enhancing Urban Mobility Through Intelligent Traffic Prediction and Dynamic Route Optimization

في كل يوم، يتنقل الملايين من الناس عبر نفس شبكة شوارع المدينة، وغالباً ما يجدون أنفسهم عالقين في نفس الازدحام المروري. المشكلة لا تكمن فقط في وجود عدد كبير جداً من السيارات، بل في أن المعلومات المتاحة للسائقين غالباً ما تكون بسيطة للغاية لدرجة تجعلها غير مفيدة. قد يعرف السائق أن الطريق قصير، ولكن دون معرفة تدفق حركة المرور الحالي، قد يتحول هذا الطريق القصير إلى طريق مسدود من المحركات التي تعمل في وضع السكون وتصاعد مشاعر الإحباط. وهنا يأتي دور علم النقل الذكي، الذي يحاول تحويل الملاحظات الخام — مثل عدد المركبات التي تمر بنقطة معينة أو سرعتها — إلى صورة واضحة لما يفعله الطريق فعلياً في الوقت الحالي. الهدف هو تجاوز مرحلة التخمين والتوجه نحو نظام يمكنه النظر في الظروف الحالية وإخبار السائق ليس فقط أين يوجد الزحام، بل أي مسار سيوصله إلى وجهته بشكل أسرع.

قام باحث في جامعة سانجيفاني في الهند ببناء نظام مصمم لسد هذه الفجوة بين البيانات الخام والقرار البسيط القابل للتنفيذ. العمل الذي يحمل عنوان "نظام التنبؤ بحركة المرور الذكي"، ينشئ أداة رقمية تعمل بمثابة مستشار للمرور. فبدلاً من مطالبة السائق بالنظر إلى خريطة والتخمين، يأخذ النظام خمس قطع محددة من المعلومات: عدد المركبات على الطريق، متوسط سرعتها، الوقت من اليوم، الط بها، ونوع الطريق. ثم يقوم بمعالجة هذه المدخلات لتصنيف حركة المرور الحالية إما بأنها منخفضة، أو متوسطة، أو عالية. وبمجرد أن يعرف حالة المرور، يقوم بشيء أكثر قيمة: فهو يقارن بين عدة مسارات محتملة ويحسب كم ستستغرق كل منها من الوقت فعلياً في ظل تلك الظروف المحددة. والمخرج النهائي هو توصية واحدة بالمسار الأسرع، تُقدم جنباً إلى جنب مع شرح واضح للسبب الذي تم من أجله اختيار هذا المسار.

لبناء هذا النظام، قام الباحث بتدريب نموذج حاسوبي على مجموعة كبيرة من سجلات حركة المرور التاريخية. تعلم النموذج التعرف على الأنماط، وتحديد المدخلات الأكثر أهمية عند اتخاذ قرار بشأن ما إذا كان الزحام شديداً أم خفيفاً. وعندما تم اختبار النظام على ألفي سيناريو مختلف، أثبت دقة ملحوظة، حيث حدد مستوى حركة المرور بشكل صحيح في كل حالة تقريباً. وقد كشف التحليل عن أمر مفاجئ حول كيفية سلوك حركة المرور: كان عدد المركبات وسرعتها هما العاملان الأكثر أهمية على الإطلاق. أما الوقت من اليوم، والطقس، ونوع الطريق، فقد لعبت أدواراً صغيرة جداً في عملية اتخاذ القرار للنموذج. في عالم التنبؤ بحركة المرور، تبين أن مجرد عد السيارات ومعرفة مدى سرعتها يخبرك بكل ما تحتاج لمعرفته تقريباً عن الازدحام.

إن القوة الحقيقية للنظام، مع ذلك، تكمن في كيفية استخدامه لهذا التنبؤ لتغيير مسار السائق. في مثال محدد استُخدم لتوضيح الأداة، أدخل سائق بيانات لرحلة عمل مسائية معتادة: ثمانون مركبة، تتحرك بسرعة ثلاثين وخمسة كيلومترات في الساعة، على طريق رئيسي تحت سماء صافية. توقع النظام أن حركة المرور كانت خفيفة. ثم نظر في ثلاثة مسارات مختلفة. أحد المسارات كان بطبيعته هو الأقصر، حيث يستغرق خمس عشرة دقيقة فقط في حال عدم وجود سيارات على الإطلاق. والآخر يستغرق عشرين دقيقة، والثالث يستغرق اثنتين وعشرين دقيقة. بدون زحام، سيكون المسار الذي يستغرق خمس عشرة دقيقة هو الخيار البديهي. لكن النظام حسب أن المسار الأقصر يعاني حالياً من ازدحام شديد، مما سيؤدي إلى تمديد وقت سفره إلى أربع وعشرين دقيقة. أما المسار الذي يستغرق عشرين دقيقة، والذي كان يشهد حركة مرور خفيفة، فسيظل عشرين دقيقة. لقد أوصى النظام بشكل صحيح بالمسار الذي يستغرق عشرين دقيقة، مما وفر للسائق أربع دقائق مقارنة بالمسار الذي يبدو أقصر.

تُبرز هذه النتيجة خللاً حرجاً في كيفية اختيار الناس لمساراتهم غالباً: المسافة الأقصر ليست دائماً هي الوقت الأسرع. لقد أظهر النظام أن المسار الذي يحتوي على وقت سفر أساسي أطول يمكن أن يكون الخيار الأفضل إذا تجنب الازدحام المروري. تعرض الأداة هذه المقارنة في عرض واحد، حيث تظهر وقت السفر الأساسي، وحالة حركة المرور الحالية، والوقت المقدر النهائي لكل خيار. إنها لا تكتفي بالقول "اذهب من هذا الطريق"؛ بل تظهر الحسابات وراء القرار، مما يجعل التوصية شفافة وسهلة الثقة.

على الرغم من الدقة العالية للنموذج، فإن الباحث يحرص على ملاحظة حدود هذا العمل. يعتمد النظام على مجموعة محددة من البيانات وقد لا يعمل بشكل مثالي في مدينة مختلفة أو في ظل ظروف جوية مختلفة تماماً. لقد تم تدريب النموذج على مجموعة بيانات كان فيها المرور الخفيف شائعاً جداً والمرور الثقيل نادراً، مما يعني أن النظام بارع للغاية في تحديد الظروف الخفيفة ولكنه يمتلك خبرة أقل في حالات الاختناقات الأسوأ. علاوة على ذلك، تستخدم الأداة حالياً قواعد ثابتة لتقدير مدى إبطاء حركة المرور للسيارة، بدلاً من تعلم تلك القواعد من البيانات الحية في الوقت الفعلي. وهي لا تستطيع الاستجابة لحادث مفاجئ أو إغلاق طريق في اللحظة التي يحدث فيها.

تخلص الدراسة إلى أنه بينما يعد النظام إثباتاً قوياً للمفهوم، إلا أنه ليس بعد منتجاً نهائياً للعالم الحقيقي. فهو يظهر أن الجمع بين التنبؤ بحركة المرور وحساب المسار يخلق دليلاً أذكى بكثير من مجرد النظر إلى أوقات السفر وحدها. ولكي يصبح النظام مفيداً حقاً لمدينة ما، فإنه سيحتاج إلى التغذية ببيانات حية من المستشعرات والكاميرات، وسيحتاج إلى الاختبار على مجموعة أوسع من الطرق وأنماط الطقس. وحتى ذلك الحين، فإنه يقف كدليل واضح على أن أفضل مسار ليس دائماً هو الأقصر، وأن معرفة الحالة الراهنة للطريق هو المفتاح لإيجاده.