في عالم الشحن البحري، تعد تنبؤات المسارات البحرية طويلة الأمد أمرًا بالغ الأهمية لنجاح إدارة اللوجستيات وتحليل المخاطر. إلا أن التنبؤ بالمستقبل على مدى أشهر لا يزال يشكل تحديًا أمام العديد من الباحثين، حيث تتركز معظم الدراسات الحالية على التنبؤات القصيرة والمتوسطة. في هذا السياق، تمثل الأبحاث الجديدة منعطفًا جذريًا في عملية التنبؤ بمسارات السفن وطريقة تحديد وجهتها.

يكشف البحث عن الطريقة التي تتيح بها نماذج اللغات الكبيرة القادرة على التفكير (Reasoning Large Language Models) إمكانية تحسين توقعات المسارات البحرية ووجهاتها بشكل مشترك. من خلال تطوير إطار عمل يعتمد على التعلم المعزز مع مكافأة قابلة للتحقق (Reinforcement Learning with Verifiable Reward - RLVR)، تم إنشاء معيار يعتمد على بيانات الحركة التاريخية للسفن على مدى 60 يومًا مع أفق توقع يمتد إلى 30 يوماً. تم تحويل مسارات السفن السابقة إلى تمثيلات نصية دلالية لتغذية نموذج التعلم المعزز، مما يسمح للنموذج بفهم السياق البحري بشكل أفضل.

تظهر النتائج التجريبية أن النماذج المدربة باستخدام إطار RLVR تحقق تحسينات ملحوظة مقارنةً بالنماذج الأخرى، خاصة في التفاصيل المتعلقة بالوجهات. وقد أظهرت الأنواع التي تم تقييمها من نماذج RLVR أن النماذج بحجم 4 مليار معلمة تتمتع بأفضل أداء شامل، مما يشير إلى أن تحسين المكافآت والتكيف مع مهام محددة أكثر أهمية من استخدام نماذج أكبر.

بينما لا يزال نموذج LSTM يمثل قاعدة قوية في التعلم العميق عند توفر بيانات محدودة للتدريب، فإن النماذج المستندة إلى هيكل Transformers عادةً ما تتطلب المزيد من البيانات المدعومة والت_inputs_ الغنية. يعزز هذا البحث الفهم العميق للتنبؤات البحرية، مما يسهم في دعم القرارات التشغيلية بشكل فعال.

إذا كان لديك أسئلة أو تعليقات عن هذه التطورات الجديدة، فلا تتردد في مشاركتها معنا بشكل تفاعلي ومثير.