كيف يفتح الذكاء الاصطناعي الصندوق الأسود لنمذجة النقل الحضري: اختراق تحسين بايزي بمساعدة LLM

تخيل مدينة يبلغ عدد سكانها الملايين، ويتخذ كل فرد فيها مئات أو آلاف القرارات المتعلقة بالتنقل يوميًا: متى يغادر المنزل، هل يختار الحافلة أم السيارة، هل يلتف لشحن السيارة الكهربائية أم يعود مباشرة. للتنبؤ بحالة المرور الإجمالية وتقييم سياسات خفض الانبعاثات، يبني مهندسو النقل أنظمة محاكاة دقيقة تسمى "نماذج النشاط الأساسية" (ABM). على الرغم من أن هذه النماذج يمكنها وصف السلوك البشري بدقة، إلا أنها تصبح "صندوقًا أسود" يصعب معايرته بسبب احتوائها على آلاف المعاملات وعدم شفافية هيكلها الداخلي.

طرق المعايرة التقليدية، سواء كانت الانحدار المتدرج أو تحسين بايزي القياسي، إما تكون مقيدة بضرورة أن يكون النموذج قابلاً للتفاضل، أو تفشل بسرعة في الفضاءات عالية الأبعاد - حيث ترتفع التكلفة الحسابية بشكل هائل بينما تتراجع دقة التقارب. الآن، قدمت دراسة منشورة في مجلة "npj Sustainable Mobility and Transport" إطارًا جديدًا لتحسين بايزي يدمج نموذجًا لغويًا كبيرًا (LLM)، مما يغير هذا الوضع.

من "البحث العنيف" إلى "الغربلة الذكية"

يكمن الابتكار الأساسي للدراسة في تقليل الأبعاد. ليست جميع معاملات ABM البالغ عددها آلافًا متساوية الأهمية: بعضها يؤثر بشكل كبير على أنماط التنقل، بينما يكون بعضها الآخر شبه زائد عن الحاجة. الطرق الافتراضية السائدة السابقة - مثل الافتراض القسري بأن معظم المعاملات ليس لها تأثير على الهدف - على الرغم من أنها تقلل التعقيد، إلا أنها قد تفقد التفاعلات الرئيسية.

الطريقة الجديدة تستخدم قدرة LLM على الفهم الدلالي لترتيب أولويات المعاملات بناءً على "دورها الوظيفي" (مثل تكوين الأسرة، مسافة السكن والعمل، حساسية رسوم مواقف السيارات). لا يتنبأ LLM بالقيم المثلى مباشرة، بل يعمل مثل مخطط نقل متمرس، حيث يحدد بسرعة أي المعاملات من المرجح أن تكون عنق زجاجة المعايرة. هذا الحقن المعرفي المسبق يقلص بشكل كبير المساحة التي يحتاج تحسين بايزي لاستكشافها.

في الوقت نفسه، صمم فريق البحث وظيفة اكتساب قائمة على الإنتروبيا، تعالج مشكلة تشبع المخرجات الناتجة عن المدخلات المتطرفة. في بيانات المرور الفعلية، غالبًا ما تكون السلوكيات المتطرفة (مثل وقت التنقل الطويل جدًا) موزعة بشكل متفرق، وتتجاهلها الطرق التقليدية بسهولة. وظيفة الاكتساب الجديدة توازن بين الاستكشاف والاستغلال، مع التركيز بشكل خاص على هذه "الحالات الهامشية"، مما يحسن دقة معايرة النموذج الإجمالي.

تكلفة أقل، دقة أعلى

في المقارنات التجريبية، لم تقلل هذه الطريقة فقط من عدد التقييمات مقارنة بأفضل الحلول الحالية (مثل فحص المتغيرات Lasso + تحسين بايزي القياسي)، بل حققت أيضًا توافقًا أعلى بين نتائج المعايرة النهائية وتدفقات المرور الحقيقية. والأهم من ذلك، أن هذا الإطار يستفيد بالكامل من البنية المعيارية المتأصلة في ABM - حيث يقوم بمعايرة وحدات مثل توليد النشاط، اختيار السفر، تخطيط المسار بشكل تسلسلي، بدلاً من الضبط العنيف لمرة واحدة.

هذا يعني أنه بالنسبة لمدينة كبرى بها ملايين السكان، يمكن تقليص عملية المعايرة التي كانت تستغرق أسابيع أو حتى أشهر إلى بضعة أيام. بالنسبة لمديري المدن الذين يخططون لشبكة شواحن السيارات الكهربائية، سياسات مشاركة السيارات، أو مناطق الانبعاثات المنخفضة، فإن هذا التحسن في الكفاءة يعني تغيرًا نوعيًا في سرعة تكرار السياسات.

تقدم على مستوى "الرقاقة" في النقل المستدام العالمي### تقدم "رقاقة" في مجال النقل المستدام العالمي

من منظور أوسع، لا تحل هذه التقنية مشكلة معايرة النموذج فحسب، بل تعالج الاختناق الأساسي في سلسلة قرارات النقل المستدام بأكملها. تم تطبيق ABM على نطاق واسع في تقدير انبعاثات NOₓ، والتنبؤ بالطلب على شحن السيارات الكهربائية، ومحاكاة سلوك السفر أثناء الجائحة. ومع ذلك، إذا لم يتم معايرة النموذج بشكل كافٍ، فإن مصداقية توصياته السياسية ستكون موضع شك كبير.

على سبيل المثال، استخدم فريق بحثي هولندي ABM لتقييم تأثير السياسات المجمعة - بما في ذلك النقل المشترك، وإدارة مواقف السيارات، وتوسيع مسارات الدراجات - على منطقة العاصمة كوبنهاغن. تعتمد الأعمال المماثلة بشكل كبير على الضبط اليدوي والتجربة والخطأ. الآن، تتيح المعايرة الآلية المدعومة بـ LLM إمكانية نقل هذه الدراسات بسرعة إلى مدن أخرى، وحتى إجراء "اختبارات ضغط سياسات" على المستوى العالمي.

المنطق التقني والمخاوف الجيوسياسية

من الجدير بالذكر أن LLM المستخدم في هذه الدراسة لا يحتاج أن يكون نموذجًا متخصصًا في مجال النقل. يمكن لأي LLM عام يتمتع بقدرات التفكير العلمي الأساسية (مثل GPT-4 وClaude وغيرها) أن يقوم بدور تصفية المعايير. هذه الخاصية تخفض الحواجز، لكنها تثير أيضًا تأملات جديدة: إذا كانت معايرة نموذج المدينة تعتمد على واجهة برمجة التطبيقات الخاصة بالنماذج الكبيرة، فهل تصبح سيادة البيانات واستقلالية النموذج تكلفة خفية؟

خاصة في المناطق التي تشهد تطورًا سريعًا في النقل الذكي مثل الشرق الأوسط وجنوب شرق آسيا، قد يؤدي الاعتماد المفرط على أدوات الذكاء الاصطناعي الخارجية إلى مخاطر أمنية. ربما يكون الاتجاه المستقبلي هو أن تنشر الدول أو المدن نماذج LLM محلية خفيفة الوزن، تستخدم فقط لتحديد أولويات المعايير، مع إبقاء الحسابات التحسينية الأساسية على قوتها الحاسوبية الخاصة.

الآفاق والتحديات

على الرغم من أن النتائج مشجعة، إلا أن هذه الطريقة لا تزال مناسبة بشكل أساسي لنماذج ABM المعيارية، وتحتاج إلى اختبار للنماذج المتكاملة تمامًا ذات المعايير شديدة الارتباط. بالإضافة إلى ذلك، تحتاج أولويات المعايير التي يحددها LLM إلى مزيد من التحقق من متانتها في جميع البيئات الحضرية - مثل تطبيق الإطار على مدن ذات كثافة وثقافات مختلفة جدًا مثل لندن وطوكيو ومومباي.

على أي حال، يكشف هذا البحث عن مسار جديد للتكامل العميق بين الذكاء الاصطناعي والمعرفة المتخصصة: ليس لتولي الذكاء الاصطناعي عملية النمذجة بأكملها، بل ليلعب دور "المساعد الذكي" لتسريع أكثر الخطوات استهلاكًا للوقت لدى الخبراء البشريين. في ظل الضغوط المزدوجة لتغير المناخ والتحضر، قد يكون هذا التحسن في الكفاءة ذا قيمة دائمة أكثر من أي سياسة فردية.

*كتبت هذه المقالة استنادًا إلى الورقة البحثية "طريقة الفحص المدعومة بـ LLM لمعايرة نماذج النقل واسعة النطاق" المنشورة في مجلة Nature الفرعية "npj Sustainable Mobility and Transport".*