في عالم النقل الذكي، يعتبر تقدير مصفوفات الأصل-الوجهة (OD) خطوة أساسية لتحليل تدفق الحركة وتحسين إدارة شبكات النقل. ومع ظهور تحديات جديدة في تقدير هذه المصفوفات بسبب عدم اليقين المرتبط بحركة الشبكة، أثر استخدام **التعلم المعزز (Reinforcement Learning)** كحل مبتكر. هذه التقنية الحديثة، التي تم طرحها مؤخرًا في دراسة أكاديمية، تتيح تقدير الطلب على الأصل-الوجهة من الملاحظات الحالية وحالات الشبكة مع الأخذ في الاعتبار النتائج الديناميكية.

الابتكار الرئيسي في هذه الدراسة هو طريقة **LFPG-RL**، والتي تدمج توجيه تدفق الارتباط (Link-Flow Propagation Guidance) مع تحسين السياسة القريب (Proximal Policy Optimization). من خلال هذا الدمج، يمكن للنموذج معالجة الأخطاء المرتبطة بتدفق الارتباط بشكل أكثر فعالية، مما يوفر تعديلات دقيقة عندما تتغير المسارات المستهدفة.

عند اختباره على بيانات تدفق الارتباط المستندة إلى تجربة فعلية في شبكة طرق في مدينة ميلبورن، أثبت **LFPG-RL** دقته العالية حيث حقق خطأ جذر المتوسط مربع الخطأ (RMSE) قدره 4.69 ونسبة خطأ متوسطة (MAPE) تصل إلى 20.15%. مقارنةً بالأساليب التقليدية، يوفر هذا الابتكار كفاءة عالية والدقة المطلوبة لإدارة حركة المرور بصورة أفضل.

ومع تزايد الحاجة إلى تحسين شبكات النقل في المدن الكبرى، فإن استخدام تقنيات مثل LFPG-RL يمثل علامة بارزة على الطريق نحو النقل الذكي. كم ستكون ثقتك في الحلول المستندة إلى الذكاء الاصطناعي لتحسين التنقل في مدينتك؟ شاركونا آراءكم في التعليقات!