في عالم اليوم، تعتبر نماذج المرور المدعومة بتقنيات الذكاء الاصطناعي أحد التطورات الثورية. تُستخدم نماذج اللغة الضخمة (Large Language Models - LLMs) بشكل متزايد كنماذج سلوكية تمثل المسافرين في نماذج المرور القائمة على الوكلاء. رغم مرونتها، تواجه هذه النماذج قيودًا كبيرة بسبب تحديات القابلية للتوسع، الخاصة بتكلفة استدعاء نموذج لغة لكل مسافر.

وعلى الرغم من إمكانيات نماذج LLMs، فإن الوكلاء الذين يعتمدون عليها غالبًا ما يتخذون قرارات غير شفافة ويظهرون ديناميكيات غير مستقرة يوميًا. للتغلب على هذه التحديات، اقترحت الدراسة الجديدة نموذجًا يمثل كل مجموعة من المسافرين المتشابهين من خلال وكيل تمثيلي واحد، يعكس سلوك المتوسط الجماعي. يعمل هذا الوكيل على تتبع وتحليل الخبرات اليومية للمسافرين، حيث يقوم بتحديد المسارات التي يجب تعزيز استخدامها وتحديث الاستراتيجيات استنادًا إلى البيانات المكتسبة.

تستند تصميم الوكلاء التمثيليين إلى فهم أفضل لآليات اتخاذ القرار، مما يساعد في تحسين قابلية التطبيق والاستقرار في التعلم. تشير النتائج إلى أن هذا المفهوم الجديد يمكن أن يتقارب بسرعة إلى توازن المستخدمين في إعدادات النقل التقليدية، بينما يظل النظام مستقرًا وقابلًا للتفسير في الحالات الأكثر تعقيدًا، مثل تكاليف متعددة ومحددات دخل متنوعة.

استنادًا إلى علم النفس والاقتصاد، توضح الدراسة تأثيرات سلوكية معروفة مثل تأثير الفخ في اختيار الطرق، مما يعكس استجابة المسافرين للأقساط الإضافية بناءً على دخلهم. يجسد هذا البحث خطوة كبيرة نحو نماذج مرور أكثر ذكاءً وقدرة على التكيف، مما يعزز الفهم العام لهذا المجال المتقدم.