في عالم يتحول بسرعة نحو التكنولوجيا الحديثة، تُعتبر المدن الذكية وتجارب النقل المتصلة محورا أساسيا في تطوير حياة حضرية أكثر كفاءة. أحد التحديات الرئيسية في هذا المجال هو الحفاظ على اتصالات موثوقة وقليلة الاستجابة في ظل الظروف المعقدة المحيطة بالشبكات، خاصة عند استخدام شبكة NR-V2X الخاصة بالسيارات المتصلة والمستقلة (Connected and Automated Vehicles - CAVs).

تقدم ورقة بحثية جديدة إطارا يعتمد على تقنيات الذكاء الاصطناعي وتحديدا نموذج تعلم تحسين الاتصال (Learning-to-Optimise - L2O) المستند على الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) لتحسين عمليات الإرسال المتعددة في الوقت الحقيقي. يتيح هذا النموذج إدارة فعالة للشبكة، مما يجعل من الممكن اتخاذ قرارات نقل محسوبة تساعد في ضمان استمرارية الاتصال بين المركبات المتصلة ووحدات الطريق (Road-Side Units - RSUs).

نما النموذج المقترح شبكة اتصالات السيارة كرسوم بيانية، حيث تمثل العقد المركبات والـ RSUs، بينما تصف الحواف الخصائص الراديوية. تم توظيف صيغة البرمجة الخطية المختلطة (Mixed-Integer Linear Programming - MILP) لتوفير قرارات إرسال مثلى، والتي استخدمت كمدخلات لتدريب شبكة رسوم متباينة مع ميزات الحافة (Edge Features).

أظهرت التجارب على مجموعات بيانات حضرية واقعية أن الإطار المقترح يحقق أداء اتصال قريب من المثالية مع انتعاش يصل إلى 11.3% في استقرار الاتصال، بينما يُقلل الوقت اللازم للتنفيذ بترتيبات ملحوظة تصل إلى تحسينات تصل إلى 100 مرة مقارنةً بالطرق التقليدية.

يوفر هذا الإطار إمكانية التحكم في الشبكة بكفاءة وقابلية للتوسع، مما يجعله ملائماً بشكل خاص للاستخدام في المدن الذكية وتطبيقات الصناعة 4.0. يُظهر هذا البحث أهمية دمج تقنيات الذكاء الاصطناعي في نظم النقل الذكية، ويعتبر خطوة مهمة نحو مستقبل أكثر ربطا وكفاءة.

فما رأيكم في هذه التطورات الجديدة في مجال النقل الذكي؟ شاركونا آراءكم في التعليقات.