Spatiotemporal prediction of unsafe road conditions using weather and infrastructure proximity information - A comparative study across model learning paradigms

في كل عام، ومع تغير الفصول وتحول الأنماط الجوية، تواجه الطرق التي نسلكها تهديدات غير مرئية. فالمطر الغزير يمكن أن يحول طريقًا سريعًا سلسًا إلى بحيرة ضحلة، بينما يمكن للحرارة الحارقة والرياح الجافة أن تشعل النيران على طول جانب الطريق. هذه الأحداث، المعروفة باسم ظروف الطريق غير الآمنة، لا تكتفي بمجرد تعطيل حركة المرور؛ بل يمكنها أيضًا إلحاق الضرر بالطريق نفسه، وتعريض السائقين للخطر، وإرهاق الأنظمة المصممة لإبقاء مدننا في حالة حركة. ومع تغير المناخ، أصبحت هذه الأحداث الجوية المتطرفة أكثر تكرارًا وكثافة، مما يترك مديري الطرق أمام سؤال صعب: أين ومتى ستحدث المشكلة التالية؟ وللإجابة على هذا، لجأ العلماء إلى البيانات، بحثًا عن أنماط في تاريخ حوادث الطرق للتنبؤ بالمخاطر المستقبلية. والهدف ليس مجرد الاستجابة للأزمة، بل فهم المزيج المحدد من الطقس ومعالم الطريق المحلية الذي يؤدي إلى المشاكل، مما يسمح للسلطات بفحص وإصلاح النقاط الضعيفة قبل وقوع الكارثة.

قام فريق من الباحثين في جامعة دلفت للتكنولوجيا في هولندا باختبار مدى جودة طرق تعلم حاسوبي مختلفة في التنبؤ بهذه المخاطر المرورية المحددة. وقد ركزوا على شبكة الطرق السريعة الهولندية، وهي نظام واسع من الطرق السريعة التي تربط المدن والمناطق الرئيسية. وباستخدام قاعدة بيانات تضم ما يقرب من 4700 حادث مسجل من عام 2014 إلى عام 2022، فحصوا خمسة أنواع متميزة من المشكلات: تجمع المياه على الطريق، ونشوب الحرائق في الغطاء النباتي على جانب الطريق، والأسطح الزلقة، وتضرر البنية التحتية للطريق، وأسباب أخرى متعلقة بالطقس. ولكل حدث من هذه الأحداث، جمع الباحثون نوعين من المعلومات: الظروف الجوية وقت وقوع الحادث، مثل كمية الأمطار التي سقطت في الساعة التي سبقت الحادث والدرجة القصوى لدرجة الحرارة في ذلك اليوم، وتفاصيل حول المحيط المباشر للطريق، بما في ذلك مدى قربه من الأرصفة، والغطاء النباتي، وأنظمة إدارة المياه.

بعد ذلك، وضع الباحثون خمسة أنواع مختلفة من النماذج الحاسوبية في مواجهة بعضها البعض لمعرفة أي منها يمكنه التعلم بشكل أفضل من هذا التاريخ والتنبؤ بالمستقبل. في جانب، كانت هناك أدوات التعلم الآلي التقليدية، وهي تشبه المحللين ذوي الخبرة الذين يبحثون عن الأنماط في جداول البيانات من الحقائق. وفي الجانب الآخر، كانت هناك نماذج التعلم العميق الأكثر تعقيدًا، المصممة لمحاكاة الطريقة التي يعالج بها الدماغ البشري تسلسل الأحداث عبر الزمن أو العلاقات بين المواقع المختلفة. وقد بُنيت بعض هذه النماذج المتقدمة لفهم الترتيب الذي وقعت به الحوادث، بينما صُممت نماذج أخرى لرسم خرائط توضح كيف قد ترتبط الحوادث في منطقة ما بالمناطق المجاورة لها. قام الفريق بتدريب هذه النماذج على بيانات سابقة، ثم اختبروها على فترة زمنية لم تُشاهد من قبل ليروا ما إذا كان بإمكانها تحديد نوع المشاكل المرورية المحتملة بدقة.

وقد قدمت النتائج تحولًا مفاجئًا لأولئك الذين قد يتوقعون فوز التقنيات الأكثر تعقيدًا. فقد أثبتت نماذج التعلم الآلي التقليدية الأبسط، وخاصة تلك التي تعمل من خلال بناء العديد من أشجار القرار الصغيرة ودمج إجاباتها، أنها الأكثر موثوقية في التنبؤ. لقد تفوقت باستمرار على شبكات التعلم العميق المتطورة المصممة لتتبع الزمان والمكان. وبينما أظهرت النماذج المتقدمة قدرة ما على التعلم، إلا أنها لم تقدم تحسنًا ملحوًا في الدقة مقارنة بالأدوات الأبسط. في الواقع، وجدت الدراسة أن التعقيد المضاف لأنظمة التعلم العميق هذه لم يترجم إلى تنبؤات أفضل عند العمل مع هذا النوع المحدد من البيانات القائمة على الأحداث والمتفرقة. وخلص الباحثون إلى أنه بالنسبة لهذه المهمة المحددة، فإن النهج المباشر لتحليل الطقس ومعالم الطريق لحادث واحد كان أكثر فعالية من محاولة نمذجة التاريخ المعقد للأحداث السابقة أو الجغرافيا الكاملة للشبكة.

وعندما نظر الباحثون عن كثب في أنواع مشاكل الطرق المحددة، ظهر نمط واضح. فقد كانت النماذج جيدة جدًا في التنبؤ بتجمع المياه على الطريق والحرائق على جانب الطريق. وترتبط هذه الأحداث ارتباطًا وثيقًا بظروف جوية محددة: فالأمطار الغزرة تؤدي إلى تجمع المياه، بينما تؤدي الحرارة والجفاف إلى الحرائق. ولأن هذه الروابط مباشرة وهذه الأحداث تتكرر بما يكفي في البيانات، استطاعت النماذج تعلمها جيدًا. ومع ذلك، واجهت النماذج صعوبة كبيرة في التنبؤ بالأسطح الزلقة وتضرر البنية التحتية للطريق. فهذه المشكلات أكثر تعقيدًا وتنوعًا؛ فقد يكون الطريق الزلق ناتجًا عن طبقة رقيقة من الجليد، أو انخفاض مفاجئ في درجة الحرارة، أو نوع معين من ملمس الرصف، وهي أمور لم يتم التقاطها بالكامل في البيانات المتاحة. وبالمثل، يمكن أن ينتج ضرر البنية التحتية عن أسباب عديدة، من التآكل إلى الفشل الهيكلي، مما يجعل من الصعب على الحاسوب تحديد المحفز الدقيق بناءً على الطقس والموقع العام فقط.

كما بحثت الدراسة فيما إذا كانت معرفة محيط الطريق بنفس أهمية معرفة الطقس. فقد أجروا تجارب باستخدام بيانات الطقس فقط، وبيانات محيط الطريق فقط، وكليهما معًا. وكانت النتائج واضحة: حملت بيانات الطقس تقريبًا كل القدرة التنبؤية. فقد سمحت معرفة هطول الأمطار ودرجة الحرارة للنماذج بأن تعمل بكفاءة تقارب كفاءتها عند امتلاكها لجميع المعلومات. وفي المقابل، أدى استخدام تفاصيل محيط الطريق فقط، مثل النباتات المجاورة أو أنظمة المياه، إلى تنبؤات سيئة للغاية. يشير هذا إلى أنه بينما تعتبر البيئة المحلية مهمة، فإن الظروف الجوية المباشرة هي المحرك الأساسي لهذه الحوادث المرورية. وأشار الباحثون إلى أن البيانات التي استخدموها وصفت المحيطات بمصطلحات عامة، مثل نسبة الغطاء النباتي ضمن مسافة معينة، والتي قد لا تكون مفصلة بما يكفي لالتقاط الفروق الدقيقة التي تسبب الطرق الزلقة أو الأضرار الهيكلية.

ولجعل هذه النتائج مفيدة لسلطات الطرق، أنشأ الفريق خرائط مرئية تظهر المناطق التي حدد فيها النموذج الأفضل أداءً مخاطرًا عالية لكل نوع من الحوادث. وسلطت هذه الخرائط الضوء على ممرات محددة، مثل الطرق السريعة حول روتردام وأوتريخت، حيث كان يُتوقع تكرار تجمع المياه، ومسارات أخرى حيث كانت حرائق جانب الطريق مصدر قلق متكرر. هذه الخرائط ليست كرات بلورية مثالية؛ فهي لا تضمن نشوب حريق غدًا أو فيضان طريق الأسبوع المقبل. بدلاً من ذلك، هي تعمل كأداة فحص، توجه المسؤولين نحو المناطق التي أظهرت تاريخًا من الضعف وتستحق فحصًا أدق. ومن خلال تركيز مواردهم على هذه النقاط الساخنة، يمكن لمديري الطرق إعطاء الأولوية للصيانة، مثل تنظيف المصارف أو تقليم الأشجار، قبل أن تتحول مشكلة بسيطة إلى اضطراب كبير.

في نهاية المطاف، يسلط هذا البحث الضوء على كل من إمكانات وحدود استخدام البيانات للحفاظ على سلامة طرقنا. فهو يوضح أنه بالنسبة للتنبؤ بمخاطر الطرق المرتبطة بالطقس، فإن الأدوات البسيطة والقوية التي تركز على الظروف الجوية المباشرة هي الأكثر فعالية حاليًا من الخوارزميات المعقدة والمستقبلية. كما تكشف الدراسة أنه بينما يمكننا التنبؤ ببعض أنواع الحوادث بشكل موثوق، تظل أنواع أخرى غامضة لأن البيانات التي نمتلكها ليست مفصلة بما يكفي لالتقاط الصورة الكاملة. وللانتقال من هذه الخرائط الاستكشافية إلى نظام يمكنه التنبؤ بالمخاطر للعمليات اليومية بشكل موثوق، سيتعين على العمل المستقبلي جمع بيانات أغنى، بما في ذلك سجلات الطقوت المستمرة، ومعلومات تدفق حركة المرور، والقياسات التفصيلية لسطح الطريق نفسه. وحتى ذلك الحين، تعمل هذه النماذج كدليل قيم، يساعد سلطات الطرق على التنقل في حالة عدم اليقين الناتجة عن تغير المناخ من خلال إظهار الأماكن التي يحتمل أن تنهار فيها الأرض.