تحليلات المدينة الذكية مع Talent Alpha

يكتسب مجال التوائم الرقمية الحديثة أهمية متزايدة بسرعة، لا سيما عند النظر في القدرات المتنامية التي يوفرها تطور صناعة تقنيات البيانات الضخمة. أصبح جمع كميات هائلة من البيانات أسهل وأكثر كفاءة من أي وقت مضى، ويتسابق العلماء لاكتشاف طرق جديدة وأفضل للاستفادة من البيانات لصالحنا.

عندما نتجاوز مرحلة تحليل الاتجاهات التاريخية وفهم موقعنا الحالي، نبدأ في التركيز على ما ينتظرنا في المستقبل. وهنا يصبح التحليل التنبؤي، المدعوم بتعلم الآلة، بالغ الأهمية.

عندما طلب منا عميلنا التوجيه في مجال الذكاء الاصطناعي، كان قد عمل بالفعل على توأم رقمي لإحدى أكبر مدن العالم. ركزنا معاً على إضافة قدرة تنبؤية إلى النظام. تم دراسة حالتي استخدام رئيسيتين مرتبطتين بالنقل العام – التنبؤ بعدد ركوب الحافلات ونمذجة أوقات وصول الحافلات.

أولاً، أجرينا تشخيصاً دقيقاً للبيانات وحددنا النطاق المحتمل للتنبؤ – الإطار الزمني، ومستوى التفصيل، وإيجاد مصادر بيانات إضافية، والتحقيق في إمكانية ربط الحل بالبنية الخلفية الحالية.

ثم مع أخذ كل ما سبق في الاعتبار، قمنا لكل حالة استخدام محددة بتطوير نموذج تعلم آلي مخصص يهدف إلى التنبؤ بـ:

• حركة ركاب الحافلات باستخدام بيانات بطاقات السفر،
• وقت وصول الحافلة إلى محطة حافلات معينة باستخدام بيانات حركة الحافلات المباشرة.

خلال هذه العملية، اختبرنا مجموعة متنوعة من تقنيات النمذجة بدءًا من تحليل السلاسل الزمنية (على سبيل المثال باستخدام خوارزمية Prophet من Facebook) وصولاً إلى نماذج التعلم الآلي المعقدة (بما في ذلك XGBoost وMLP).

كان الناتج النهائي لأول إثبات مفهوم (PoC) نموذج تعلّم آلي يتنبأ بعدد الداخلين خلال الـ 15 دقيقة التالية في موقف حافلات مختار. وقد حقق النموذج أداءً أفضل بنحو 18 نقطة مئوية من النموذج المرجعي (الاتجاه التاريخي).

لبدء نمذجة وصول الحافلات، كان علينا بناء خط أنابيب بيانات كامل بدأ بجمع البيانات المباشرة، وتنظيفها، وتطبيق خوارزمية مبنية خصيصًا تربط الملاحظات الخام برحلات الحافلات. وبالعمل مع مجموعة بيانات محدودة، كانت دقة النموذج الذي يتنبأ بوصول الحافلات قريبة من النظام المعتمد على GPS المعروض مباشرة على مواقف الحافلات. وحقق نموذجنا دقة أعلى قليلًا عندما كانت المسافة بين الحافلة ومحطة الحافلات أكبر.

علاوة على ذلك، قدمنا أيضًا تحليلات إضافية مرتبطة بحالتي الاستخدام الرئيسيتين. أنشأنا مجموعة من Jupyter Notebooks مع تصورات تفاعلية لاستخدامها كأداة للتحقيق في الاختناقات في نظام النقل واستكشاف المشكلات وإصلاحها. إلى جانب نمذجة العدد المتوقع لدخول الركاب وأوقات وصول الحافلات، ركزنا أيضًا على التنبؤ بالشذوذ باستخدام طريقة Isolation Forest. اكتشفنا أنه باستخدام القيم التاريخية لدخول الحافلات (في آخر 15 و30 و45 و60 دقيقة)، يمكننا، بدرجة عالية من اليقين، التنبؤ بما إذا كانت الفترة الزمنية التالية ستكون شذوذًا.

بشكل عام، بالنسبة لاستخدام هاتين الحالتين، استفدنا من أحدث تقنيات الذكاء الاصطناعي لتعزيز نموذج التوأم الرقمي لمدينة ذكية حديثة.

التقنيات المستخدمة:Python (Jupyter Notebook، PyCharm)، Git، Prophet، XGBoost، MLP

المنهجيات المستخدمة:تحليل البيانات، النمذجة التنبؤية، التعلم الآلي، تحليل السلاسل الزمنية، تصور البيانات، اكتشاف القيم الشاذة، الانحدار الخطي، Isolation Forest