في دراسة رائدة تضيء على تفاعل الأنماط المرورية مع استخدام الأراضي، تم تقديم إطار عمل تحليلي يحمل اسم GeoAI Hybrid. يعتمد هذا الإطار على دمج عدة تقنيات متقدمة مثل الانحدار الجغرافي متعدد المقاييس (Multiscale Geographically Weighted Regression) وغابات التقدير العشوائية (Random Forest) والشبكات العصبية التلافيفية الزمنية (Spatio-Temporal Graph Convolutional Networks). يأتي هذا الإطار ليستبدل النماذج التقليدية التي لم تكن قادرة على فهم التعقيد والسلوك غير الخطي للمرور في المدن.

استندت الدراسة إلى بيانات فعلية من 350 منطقة تحليل مروري في ست مدن تتمتع بخصائص حضرية متباينة. وقد تسلّط النتائج الضوء على عدة نقاط رئيسية:
1. **نجاح إطار GeoAI Hybrid**: حصل هذا الإطار على خطأ الجذر التربيعي المتوسط (RMSE) بمقدار 0.119 ونسبة تفسير (R^2) تصل إلى 0.891، متفوقًا على جميع المعايير الحالية بنسبة تتراوح بين 23% إلى 62%.
2. **الكشف عن العوامل الأساسية**: أظهرت تحليل SHAP أن مزيج استخدام الأراضي هو المؤشر الأقوى لحركة مرور المركبات، بينما كانت كثافة محطات النقل العام الأكثر تأثيرًا على حركة المرور العامة.
3. **تحديد أنواع المرور**: من خلال تقنية التجميع DBSCAN، تمكّنت الدراسة من تحديد خمسة أنماط مرورية حضرية مختلفة بدقة.

يهدف هذا الإطار إلى تزويد المخططين والمهندسين بمجموعة أدوات قابلة للتفسير وقابلة للتوسع، تساعدهم في اتخاذ قرارات قائمة على الأدلة حول إدارة التنقل المتعدد الأنماط وتصميم سياسات استخدام الأراضي. إن استخدام الذكاء الاصطناعي في تحليل حركة المرور ليس مجرد فكرة مستقبلية، بل هو تطور يتطلب منا التفكير بعمق في كيفية تحسين بيئتنا الحضرية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.