ازدحام الحافلات هو حالة متكررة في أنظمة النقل العام، حيث تؤدي إلى تراجع انتظام الخدمة وزيادة انتظار الركاب في الأوقات ذات التردد العالي. في هذا السياق، أظهرت دراسة جديدة كيف يمكن استخدام التعلم المعزز (Reinforcement Learning) بالتعاون مع نماذج تمثيل دلالية لمحطات الحافلات للحد من هذه المشكلة.

تستند أنظمة التحكم القائم على التعلم المعزز إلى متغيرات تشغيلية آنية أو معرفات مخصصة لمحطات محددة، مما يوفر معلومات محدودة عن السياق التشغيلي لكل محطة. لكن الدراسة الجديدة تعيد صياغة هذا المفهوم من خلال تقديم تمثيل دلالي يعتمد على نماذج اللغة الكبيرة (Large Language Models) لتحسين فعالية إدارة الحافلات.

تقوم هذه الطريقة بتجميع معلومات متنوعة حول المحطات، بما في ذلك الخصائص المادية وسياقات الأنشطة المحيطة، مما يتيح تحويلها إلى تمثيلات دلالية ثابتة تُدمج في نظام التحكم دون الحاجة لاستنتاجات آنية.

أجريت التجارب في محاكاة عشوائية تتماشى مع بيانات حقيقية من مسارين للحافلات، حيث أظهرت النتائج أن نظام التحكم الجديد خفض من تباين أوقات الاستجابة وازدحام الحافلات ووقت انتظار الركاب بنسبة 32% و 69% و 24% على التوالي.

الأبحاث الإضافية أظهرت أن التنبؤات المبكرة والتعلم المتدرج تسهم في تحسين الأداء العام للنظام، مما يشير إلى أن تمثيلات الحالة الدلالية يمكن أن تكمل حالات التشغيل التقليدية وتدعم إعادة استخدام السياسات عبر الطرق المرتبطة. هل تعتقد أن هذا النوع من الابتكارات يمكن أن يحدث فرقًا حقيقيًا في تحسين النقل العام؟ شاركونا آراءكم في التعليقات.