استحوذ تعلم التعزيز (Reinforcement Learning) على اهتمام كبير في مجالات متعددة، وخاصةً في إدارة إشارات المرور. ومع ذلك، فإن الطبيعة غير الشفافة للنماذج العميقة تمثل تحديًا كبيراً، خصوصًا في البنى التحتية الحساسة مثل التحكم في حركة المرور. فالوكالات المعنية بالنقل تحتاج إلى ضمان التشغيل الفعّال والموثوق، وهو ما يتطلب فهماً عميقاً ورؤية واضحة لقرارات النماذج.

يقدم هذا البحث إطارًا جديدًا يدمج التعلم العميق القابل للتفسير في أنظمة التحكم في إشارات المرور، مما يسمح بتحسين الأداء مع الحفاظ على إمكانية فهم النتائج. حيث يركز الإطار الجديد على تحليل حالات الازدحام في التقاطعات من خلال تجزئة الملاحظات إلى كينونات متداخلة ذات أبعاد عالية، مما يعزز فهم سلوك الطريق ويقلل من عدم اليقين.

بدلاً من معالجة حالات المرور عبر متجهات مسطحة، يقوم الإطار الجديد باستخراج التبعيات الديناميكية بين حارات المرور والنزاعات المتداخلة من خلال شبكة اهتمام مزدوجة الطبقات. هذا التصميم يسمح بإنتاج مصفوفة انتساب تتيح تحديد التأثير المباشر لمرحلة الإشارة على أحجام المرور ومجموعات الانتظار.

بالإضافة إلى ذلك، تم دمج واجهة حجب الأفعال المحددة في خط أنابيب تحسين السياسة القريب (Proximal Policy Optimization) لمنع الانتقالات غير الصالحة، مما يضمن التوافق التام مع توقيت الإشارات والمعايير الأمنية.

أثبتت التجارب في بيئات محاكاة دقيقة تفوق هذا الإطار على الأسس الحالية في تقليل التأخير. والأهم من ذلك، تتماشى أوزان الاهتمام المنبثقة بدقة مع مبادئ هندسة المرور المعروفة، مما يجعل النظام الجديد جديرًا بالثقة وقابلًا للتطبيق في أنظمة التحكم المتقدمة في حركة المرور.