في عالم يتزايد فيه التعقيد المروري، أصبح التحكم في إشارات المرور (Traffic Signal Control) مهمة بالغة الأهمية في أنظمة النقل الذكية (Intelligent Transportation Systems). ومع ذلك، فإن الأساليب التقليدية، مثل تقنيات التحكم الزمنية الثابتة (Fixed-Time Control) وطرق القواعد الثابتة (Rule-Based Methods)، تواجه تحديات كبيرة في التكيف مع الطلب الديناميكي المتزايد.
دمج الذكاء الاصطناعي في التحكم بإشارات المرور
تقدم دراسة جديدة نموذجًا لافتًا للنظر يستخدم **نماذج اللغة الكبيرة (Large Language Models)** لتعزيز التحكم بإشارات المرور. هذا النموذج المبتكر يعتمد على توقعات حالة المرور القصيرة الأمد باستخدام تقنيات LSTM (Long Short-Term Memory) ليتوقع طوابير السيارات، وأوقات الانتظار، وعدد المركبات، واكتظاظ الحارات بناءً على الملاحظات الأخيرة عند التقاطعات.
كيفية عمل النموذج
تقوم وحدة LSTM بتقدير بيانات مرورية حيوية، ومن ثم يُولد المتحكم التنبؤي (Predictive Controller) إجراءات إشارة مرورية مرشحة. في هذه المرحلة، تتدخل وحدة نماذج اللغة الكبيرة لتمرير هذه الإجراءات من خلال تحليل هيكلي للمعلومات المرورية وتقديم تشخيصات للازدحام وتوصيات لتعديل المراحل مع شروح بلغة طبيعية.
السلامة أولاً
تُعتبر الموثوقية التشغيلية للنموذج أمرًا محوريًا، لذا يتم التحقق من جميع التوصيات المُولدة بواسطة نماذج اللغة الكبيرة من خلال فلتر السلامة (Safety Filter) قبل التنفيذ.
نتائج مذهلة
أظهرت التجارب المكانية التي أُجريت باستخدام برنامج المحاكاة SUMO أن هذا النموذج يتفوق على الطرق التقليدية في تحسين كفاءة المرور، خاصة في ظروف المرور الديناميكي وغير المتكرر، مع الحفاظ على عدم وجود انتهاكات للقيود الأمنية بعد تطبيق نظام الفلترة.
خلاصة
تؤكد هذه الدراسة على أن نماذج اللغة الكبيرة تعد أداة قوية تعزز التحكم بإشارات المرور، حين يُنظر إليها كأدوات دعم القرار بدلاً من وحدات تحكم منخفضة المستوى.
**هل تعتقد أن الذكاء الاصطناعي سيكون له تأثير أكبر في تحسين حركة المرور في المستقبل؟**