تُعتبر إدارة الطوابير عند التقاطعات المرورية من التحديات الدائمة التي تواجهها أنظمة المرور في جميع أنحاء العالم. يُعقِّد عدم القدرة على مراقبة تدفق المركبات هذه المهمة، رغم توافر بيانات قيمة، مثل عدادات المركبات المجمعة من أجهزة الاستشعار، وبيانات السيارات المتحركة (Aggregated Floating Car Data - aFCD) التي تقدم قياسات لسرعات مقطعية. هنا يأتي دور نظام Q-Net، والذي يمثل تحولاً رائداً في هذا المجال.

يتميز Q-Net كإطار تقدير طول الطوابير من خلال تسخير نموذج فضاء الحالة الذي يتعامل مع التحديات الرئيسية في نمذجة الطوابير، مثل الانتهاكات المفترضة لقواعد الحفاظ على حركة المرور. يعتمد نظام Q-Net على هيكلية كولمان التقليدية الخاصة بالتنبؤ والتحديث، مما يضمن فهما واضحًا لكيفية تطور الحالة وقياسات البيانات المتعلقة بها.

يستفيد Q-Net من نظام فلتر كولمان المدعوم بالذكاء الاصطناعي لتعلم ديناميات الكسب المتغيرة على مر الزمن من البيانات. ولتعزيز الكفاءة والملاءمة، يُعالج النظام الإدخالات البيانات في مجموعات محلية ثابتة الحجم، مما يجعل عدد المعلمات القابلة للتعلم مستقلاً عن طول القسم.

أظهرت تقييمات أجريت على الطرق الرئيسية الحضرية في روتردام، هولندا، أن Q-Net يتفوق على الأساليب التقليدية، إذ يتعقب بدقة تشكيل الطوابير وزوالها، ويقلل من التأخيرات الناجمة عن بيانات السيارات المتحركة. بفضل كفاءته في التعامل مع البيانات، ووضوحه في المفاهيم، وملاءمته للتطبيق الفوري، يفتح Q-Net آفاقًا جديدة لتقدير طول الطوابير بدقة دون الحاجة إلى بنى تحتية مكلفة مثل الكاميرات أو الرادار.

فما رأيكم في هذا التطور المثير؟ هل تعتقدون أنه يمكن أن يساهم في تحسين إدارة الحركة في مدننا؟ شاركونا في التعليقات.