في عصر التكنولوجيا الحديثة، أصبحت التكهنات حول الحوادث المرورية تعتمد بشكل متزايد على تقنيات الذكاء الاصطناعي. حيث يتناول بحث جديد نشر على arXiv تحت عنوان "تحسين توقع تكرار الحوادث من خلال محاكاة النزاعات المرورية باستخدام التعلم الآلي" (Machine Learning) كيفية استخدام المحاكاة الدقيقة (Microsimulation) لنمذجة حركة المرور بشكل أفضل.

في السابق، اعتمدت الدراسات المتعلقة بسلامة المرور على نماذج سلوكية مبنية على قواعد بسيطة، مما أدى إلى نتائج غير دقيقة في توقعات الحوادث. لكن التطورات الحديثة في نماذج السلوك المعتمدة على التعلم الآلي، والتي تتعلم مباشرة من بيانات الحركة الحقيقية، تقدم بديلاً واعداً يمكن أن يُحسن من دقة المحاكاة ويعكس سلوك القيادة البشرية بصورة أدق.

أجرى الباحثون دراسة على خمسة تقاطعات مرورية في مدينة ليدز البريطانية، حيث تم استخدام نموذج يعتمد على قواعد ثابتة ونموذج متقدم يعتمد على التعلم الآلي. وتم تحليل مسارات السيارات باستخدام مقياس فاصلة الزمن الأصلي (Time-to-Collision) لرصد النزاعات، والتي تم تحليلها باستخدام نظرية القيم المتطرفة (Extreme Value Theory) لتوقع الحوادث.

تشير النتائج إلى أن النزاعات الناتجة عن نموذج التعلم الآلي قدمت توقعات ملائمة لبيانات الحوادث الفعلية، في حين لم يكن نموذج القواعد قادرًا على تقديم توقعات ذات معنى. وهذا يفتح أبواباً جديدة في كيفية دمج تقنيات التعلم الآلي في تصميم الطرق، مما يعزز من دقة التقديرات دون الحاجة لتخصيص نماذج لبعض المواقع.

بالتأكيد، إن استخدام نماذج السلوك المعتمدة على الذكاء الاصطناعي يعد أمراً واعداً في تحسين التوقعات المتعلقة بالحوادث من خلال المحاكاة، ولكنه أيضاً يضعنا أمام تحدٍ إضافي وهو كيفية تحسين دقة النموذج لتحقيق نتائج واقعية جديدة. هذا البحث يقدم توجيهات واضحة للمستقبل، ويعزز الفهم لدينا لأهمية دمج الذكاء الاصطناعي في إدارة المرور.