في عصر تكنولوجيا الذكاء الاصطناعي والخدمات الرقمية، بات التخطيط للطرق يعتمد على تلبية احتياجات المستخدمين المتنوعة، مما يجعل تطوير طرق ذكية ومخصصة أمرًا ذا أهمية كبيرة. مع تزايد استخدام خدمات الملاحة عبر الإنترنت وتطبيقات طلب السيارات، أصبح تحسين التخطيط للطرق موضوعًا مثيرًا للاهتمام.

تقدم الأبحاث الحديثة معمارية عميقة مبتكرة تمكّن من تحسين الوسائل المستخدمة في حساب المسارات وتخصيصها وفقًا لتفضيلات المستخدم. غالبًا ما تتبع خوارزميات الرسوم البيانية التقليدية طرقًا تعتمد على وظائف تكلفة تجريبية لتحديد وزن الحواف، مما يجعل ضمان جودة الطريق الأمثل أمرًا صعبًا. وقد ظهرت طرق البيانات السابقة التي تربط بين صحة الطريق المثالي ومسار المستخدم، لكنها تعاني من مشكلة حلقة التغذية الراجعة المتأثرة بالخدمة.

لذلك، نقوم في هذا البحث باقتراح معمارية عميقة قادرة على تحسين وظائف التكاليف ونموذج تصنيف الطريق بطريقة مشتركة تتناسب مع أي تفضيل للطرق. كخطوة أولى، نقوم بتشغيل خوارزمية ديكسترا متعددة الأهداف (multi-objective Dijkstra algorithm) لتحصيل مجموعة الطرق المثلى باهتمام، معتبرين أنها مجموعة المرشحين الكاملة. من خلال الاستفادة من خصائص هذه المجموعة، قمنا بتصميم هيكل شبكة عصبية تحاكي بحث الطريق الأقصر وتصنيف الطريق بشكل تفاضلي متكامل.

كخطوة ثانية، نقوم بتعريف تفضيلات الطريق كمسألة تحسين مقيد لمتغيرات خصائص الطريق، واقترحنا دالة خسارة جديدة تحقق تحسينًا لمتغير واحد، مع وضع قيود صارمة على المتغيرات الأخرى.

أظهرت النتائج التي تم الحصول عليها من تجارب موسعة على مجموعات البيانات الحقيقية تفوق هيكلنا الجديد بشكل كبير على الأساليب الحالية في جودة الطريق وقابلية التخصيص. مما يجعل هذا التطور خطوة كبيرة نحو تحقيق تحسينات هائلة في تجربة المستخدم في مجال التخطيط للطرق!