ابتكار مُحسّن ديناميكي حساس للدفعات: ثورة في توقع شدة إصابات حوادث المرور

تعد عملية اختيار المُحسّن (Optimizer) في مجال التعلم العميق (Deep Learning) أحد العناصر الأساسية التي تؤثر بشكل كبير على كفاءة النموذج وسرعة تقاربه. ومع ذلك، قد تواجه العديد من المُحسّنات الشائعة صعوبات عند تطبيقها على مجموعات البيانات غير المتوازنة والمتسلسلة، مما يحد من قدرتها على التقاط أنماط الفئات الأقل تمثيلاً.

في هذه الدراسة، نقدم مُحسِّنًا جديدًا يُدعى "دي بي إس-آدم" (Dynamic Batch-Sensitive Adam)؛ وهو مُحسّن يقوم بتكييف معدل التعلم (Learning Rate) بشكل ديناميكي باستخدام درجة صعوبة الدفعة التي تم اشتقاقها من المتوسطات المتحركة الأسية لمعايير التدرجات وفقدان الدفعة. يساهم DBS-Adam في تحسين استقرار التدريب وتسريع التقارب من خلال زيادة التحديثات للدفعات الصعبة وتقليلها للدُفعات السهلة.

قمنا بتقييم DBS-Adam من خلال دمجه مع الشبكات العصبية الطويلة القصيرة المدى ثنائية الاتجاه (Bi-Directional LSTM) لتوقع شدة إصابات الحوادث، ومعالجة عدم التوازن في الفئات من خلال إعادة تشكيل البيانات بالاعتماد على تقنيات SMOTE-ENN وفقدان البؤرة (Focal Loss). وتمت مقارنة أربعة إعدادات تجريبية للبنية الأساسية لنماذج Bi-LSTM والهندسة المعمارية البديلة لتقييم تأثير المُحسّن.

أظهرت المقارنة الدقيقة ضد مُحسِّنات متطورة مثل AMSGrad وAdamW وAdaBound عبر خمس بذور عشوائية الأداء التنافسي لــ DBS-Adam مع تحسينات ملحوظة في الدقة بمعدل (p=0.020). وتبين أن DBS-Adam يتفوق على الأساليب التقليدية للتحسين، حيث حقق دقة اختبار بلغت 95.22%، ودقة تصل إلى 96.11%، واسترجاع بمعدل 95.28%، ودرجة F1 تُقدر بـ 95.39%، وتكلفة اختبار قدرها 0.0086.

تتيح هذه الإطار المقترح تصنيف شدة الحوادث بشكل فعال في الوقت الفعلي، مما يسهم في تدخلات الاستجابة الطارئة وتحسين السلامة على الطرق، مما يبرز قيمة DBS-Adam في التعلم من بيانات غير متوازنة ومتسلسلة.