نقل ذكي بلا أعصاب: توسع عادل في شبكة المترو باستخدام التعلم المعزز الجدولي!

في ظل التحديات المتزايدة المرتبطة بالنقل الحضري، تقدم الدراسة الجديدة حلولاً مبتكرة لتوسيع الشبكات الحضرية، حيث تركز على مشكلة توسيع شبكة المترو (Metro Network Expansion Problem - MNEP) كجزء من تصميم شبكة النقل (Transport Network Design Problem - TNDP).

الطرق التقليدية للتوسع تعتمد على تقنيات شاملة تتطلب قيوداً يعرفها الخبراء لتقليل مساحة البحث، لكن التطورات الحديثة في مجالات الذكاء الصناعي، وبشكل خاص التعلم المعزز العميق (Deep Reinforcement Learning - Deep RL)، قد سلطت الضوء على فعالية هذه الطرق في اتخاذ قرارات معقدة. إلا أن هذه الطرق تظل مكلفة من الناحية الحسابية والبيئية، وتتطلب مجهوداً إضافياً لتفسير النتائج.

لكن الدراسة التي قمنا بتناولها تشير إلى أن مشاكل MNEP قد تكون صغيرة بما يكفي لتجنب الحاجة إلى تقنيات Deep RL. بدلاً من ذلك، تم إعادة صياغة المشكلة كعملية قرار غير ماركوفي (Non-Markovian Rewards Decision Process - NMRDP) واستخدام التعلم المعزز الجدولي (Tabular Reinforcement Learning) الذي يوفر أداءً مماثلاً مع عدد أقل بكثير من حلقات التدريب، مما يوفر إمكانية تفسير أفضل للنتائج.

كما تتضمن النهج المُقترحة معايير العدالة الاجتماعية في دالة المكافآت، مما يعزز كفاءة التعامل وتحقيق العدالة في التوسيع، مما يؤكد مرونة الأسلوب المستخدم في هذه الدراسة. تم تقييم أسلوبنا في بيئات حقيقية في مدينتين هما شيان وأمستردام، حيث أظهرنا أن أسلوبنا يقلل إجمالي الحلقات بمعدل 18 مرة وانبعاثات الكربون بمعدل 12 مرة، بينما يبقى تنافسياً مع أساليب Deep RL.

هذا النهج يقدم حلاً قابلاً للتكرار، ومودولاراً، وسهل التفسير، وموفرًا للموارد، مما يفتح آفاقاً لتطبيقات محتملة في مشكلات تحسين تركيب أخرى.