في عالم يتسم بالتغيرات السريعة والمتطلبات المتزايدة للتخطيط الحضري، يبرز موضوع توقع التنقل كعنصر حيوي يساعد المدن على التكيف مع التحديات المعاصرة. تتمحور الكثير من الأبحاث حول كيفية استخدام البيانات لتحسين دقة هذه التوقعات. وفي هذا الإطار، أصدر الباحثون مؤخرًا دراسة جديدة تقدم نموذجًا مبتكرًا يعتمد على نماذج اللغات الضخمة (Large Language Models) لزيادة كفاءة ودقة التوقعات.

تسلط الدراسة الضوء على أن النماذج التقليدية المعتمدة على التدريب الموحد حققت نجاحًا كبيرًا في الدقة ولكنها تتطلب تدريبًا مخصصًا لكل مهمة، مما يحد من شفافيتها في اتخاذ القرارات. بينما التحسينات التي حققتها النماذج المستخدمة مؤخرًا تتجاوز الحدود السابقة، إلا أنها غالبًا ما تعتمد على إشارات ثابتة وغير قادرة على التعامل مع التغيرات في البيانات بشكل فعال.

أما الإطار الجديد الذي تم تقديمه، وهو إطار AgentMob، فيعتمد على نموذج LLM كمحرك رئيسي لإجراء توقعات التنقل. بدلاً من تدريب النموذج مسبقًا، يضيف هذا الإطار القدرة على اتخاذ قرارات قائمة على الأدلة لذا يجمع بين تحليل البيانات التاريخية وسلوك المستخدمين والتوجيه الجغرافي.

يتمتع AgentMob بالقدرة على التعامل مع الحالات الروتينية بشكل سريع اعتمادًا على الأنماط التاريخية، بينما يستجيب للحالات الغامضة من خلال استخدام أدوات تكرارية تمتاز بجمع الأدلة من مسارات النقل الأخيرة وسلوك المستخدمين.

وقد أظهرت النتائج أن AgentMob يتفوق على النماذج التقليدية المماثلة، حيث حقق النموذج الذي يعتمد على طراز GPT-5.4 معدل دقة يصل إلى 71.42% في مجموعة بيانات BW. كما حصل على درجات 33.14% و33.50% في مجموعتي بيانات YJMob100K وShanghai ISP، مما يؤكد فعاليته في تحسين التوقعات المعقدة.

لا يقتصر هذا النموذج المبتكر على تقديم أداء متفوق فحسب، وإنما يعمل أيضًا على تعزيز الشفافية في اتخاذ القرارات. يمكن للمدن الآن الاستفادة من هذا النموذج لتحسين استراتيجيات التخطيط الحضري وتلبية احتياجات المجتمع بشكل أفضل. في ظل التغيرات اليومية التي تواجهها البيئات الحضرية، يطرح هذا التطور سؤالًا محوريًا: كيف يمكن استخدام تقنيات الذكاء الاصطناعي لتحسين تجربة التنقل في المستقبل؟

مزيد من المعلومات حول البحث ورمزه متاح على [رابط_المقال].