تتزايد حوادث المرور وتعقيدات الزحام الحركي في المدن، ما يجعل البحث عن حلول فعالة أمراً ملحاً. لم تكن الحكومات والوكالات المعنية بمرور السيارات في السابق تتوفر على كمية ضخمة من البيانات المرئية التي تسهل دراسة الأمان والزحام، لكنها الآن تمتلك تلك البيانات بفضل تقنيات الكاميرات المتقدمة. لكن، هناك تحدٍ كبير يأتي مع هذه البيانات، وهو صعوبة استنتاج العلاقات السببية بسبب كون أغلب هذه البيانات تجريبية وجمعت دون تدخلات.

في هذا الإطار، تم إطلاق نظام teLLMe الذي يهدف إلى تحليل البيانات الحضرية بطرق أكثر فعالية. يقوم هذا النظام على بناء جدول أحداث من تعليقات كاميرات القيادة، ويجمع بين تقنيات تعلم الهيكل السببي (Causal Structure Learning) وخوارزمية PC، بالإضافة إلى فحوصات الاستقرار المعتمدة على bootstrap وتقدير التأثيرات باستخدام الانحدار الخطي ومنهجية DoWhy.

ما يميز teLLMe هو إمكانية ربط الأسئلة الطبيعية بمسائل سببية هيكلية، مما يتيح للمستخدمين تحديد المعالجات والنتائج والمجموعات الفرعية. عقب إدخال البيانات، يقوم النظام بإصدار "بطاقة سببية" تلخص تقديرات التأثير، ومجموعات التعديل، ودعم DAG، والافتراضات، بالإضافة إلى شرح موجز بلغة بسيطة.

أظهرت دراسات حالة تستند إلى أحداث مرور مستمدة من بيانات القيادة أن النظام يمكنه الكشف عن علاقات معقولة تتعلق بالطقس وساعات الذروة وكثافة المرور، مع إيضاح عدم اليقين والخيارات النمذجة بشكل صريح. يعد هذا النظام أداة لتوليد الفرضيات والتفكير المتخصص، بدلاً من كونه مصدراً لخلاصات سببية نهائية.

وهكذا، يعكس نظام teLLMe كيف يمكن لتكنولوجيا الذكاء الاصطناعي (AI) أن تسهم في إدارة المرور وتحسين الأداء الحركي في المدن، ويمنح المؤسسات المعنية أداة قوية لاتخاذ قرارات تستند إلى بيانات موثوقة.