في عصر متسارع يتطلب حلول نقل ذكية، يصبح التنبؤ الدقيق بحركة المرور أمرًا حيويًا لتطبيقات مثل خدمات الركوب، وتخطيط المدن، وإدارة أساطيل السيارات. ومع ذلك، تواجه العديد من الطرق التقليدية تحديات كبيرة مرتبطة بالخصوصية، مما يؤدي إلى تباين البيانات ونقص في مشاركة المعرفة.

تقدم تقنيات التعلم الفيدرالي (Federated Learning) حلاً فعّالًا، حيث تتيح تدريبًا تعاونيًا يحافظ على خصوصية البيانات. لكن، يظهر تحدٍ رئيسي يتمثل في مشكلة توزيع البيانات غير المستقل وغير المتماثل (non-IID) بين العملاء. كمحاولة للتغلب على هذه النقطة، ظهر مفهوم التعلم الفيدرالي الشخصي (Personalized Federated Learning)، الذي يعد بديلًا واعدًا عند التعامل مع مهمات التنبؤ بحركة المرور.

مع ذلك، فإن الأطر الحالية للتعلم الفيدرالي الشخصي تحتاج إلى مزيد من التكيف لمهام التنبؤ بالمرور، مثل تحسين ميزات الرسم البياني، ومعالجة البيانات، وتصميم الشبكات المعمارية. العديد من الدراسات السابقة تعتمد على تحسين المعلمات (hyper-parameter optimization) عبر مجموعة البيانات، وهو أمر غالبًا ما يكون غير متاح في السيناريوهات الواقعية، مما يعيق التطبيق العملي.

لمعالجة هذا التحدي، تم تقديم نموذج AutoFed، وهو إطار جديد للتعلم الفيدرالي الشخصي لتنبؤ حركة المرور، حيث يقضي على الحاجة للتعديل اليدوي لمحددات المعلمات. مستلهمًا من التعلم من خلال العروض (prompt learning)، يوفر AutoFed ممثلًا فيدراليًا يستفيد من موصل متوافق مع العملاء لتحويل البيانات المحلية إلى مصفوفة عروض مشتركة مضغوطة. هذه العروض تستخدم لتكييف متنبئ شخصي، مما يسمح لكل عميل بالاستفادة من المعرفة المتبادلة مع الحفاظ على الخصوصية المحلية.

أظهرت تجارب شاملة على مجموعات بيانات حقيقية أن AutoFed يحقق أداءً متفوقًا بشكل مستمر عبر سيناريوهات متنوعة. يمكنكم الإطلاع على الشيفرة المصدرية لهذا البحث عبر الرابط: [AutoFed على GitHub](https://github.com/RS2002/AutoFed). كيف تظنون أن تقنيات مثل AutoFed ستؤثر على عالم النقل الذكي؟ شاركونا آراءكم في التعليقات.