تستخدم النماذج التي تتنبأ بحجم حركة المرور لأوقات وأماكن معينة لإبلاغ كل شيء بدءا من أنماط إضاءة حركة المرور إلى التطبيق على هاتفك الذي يخبرك كيف تنتقل من النقطة “أ” إلى النقطة “ب”. وقد عرض باحثون من جامعة ولاية كارولينا الشمالية الآن طريقة تقلل من التعقيد الحسابي لهذه النماذج، مما يجعلها تعمل بكفاءة أكبر.

إننا نستخدم النماذج للتنبؤ بمدى المرور على أي امتداد معين من الطريق في أي نقطة زمنية محددة، كما يقول علي حجي بائي، المؤلف المشارك لورقة عمل وأستاذ مساعد في الهندسة المدنية والإنشائية والبيئية في ولاية نورث كارولينا. هذه النماذج تعمل بشكل جيد، لكن مسائل التنبؤ المحددة يمكن أن تكون معقدة من الناحية الحسابية بحيث يكون من المستحيل حلها بموارد حاسوبية محدودة، أو أنها تستغرق وقتا طويلا بحيث تصبح التوقع متوفرا فقط عندما لا يعود مفيدا.

كانت نقطة بداية الباحثين لهذا العمل عبارة عن خوارزمية مصممة للمساعدة في تنظيم تحديات الحوسبة المعقدة، لكنهم وجدوا أنه لا يمكن تطبيقها مباشرة على مشاكل حركة المرور.

“لذا، قمنا بتعديل هذه الخوارزمية لنرى ما إذا كان بإمكاننا إيجاد طريقة لاستخدامها في نماذج تتوقع مقدار الحركة المرورية في مكان وزمان محددين.” وكانت النتائج مرضية.

وعلى وجه التحديد، توصل الباحثون إلى نسخة معدلة من الخوارزمية التي تكسر بشكل فعال نموذج التنبؤ بحركة المرور الأكبر إلى مجموعة من المشاكل الأصغر حجما التي يمكن حلها بالتوازي فيما بينها.

تقلل هذه العملية بشكل كبير من وقت تشغيل نموذج التنبؤ.

غير أن مدى تحسين الكفاءة يختلف إختلافا كبيرا، تبعا لمدى تعقد مسائل التنبؤ. كلما كانت المسألة أكثر تعقيدا، كلما كانت الكفاءة المحسنة أعظم

كما تعمل الطريقة المعدلة على تحسين وقت التشغيل من خلال السماح للنموذج بالتعرف على الوقت الذي يصل فيه إلى حل مناسب بدرجة كافية – فلا يجب أن يكون الحل مثاليا. تقليديا، سوف تعمل النماذج حتى تجد الحل الأمثل، أو قريب جدا من الحل الأمثل. ولكن في أغلب الأغراض، تكون النتيجة التي لا تتجاوز 5٪ أو حتى 10٪ من الحل الأمثل ناجحة.

يقول حجي بائي “إن النهج الذي نتبعه هنا يحدد أساسا أشرطة الخطأ حول الحل الأمثل ويسمح للنموذج بوقف التشغيل والإبلاغ عن نتيجة عندما يقترب بشكل كاف”.

وقد اختبر الباحثون الخوارزمية المعدلة في ضوء خوارزمية معيارية تستخدم في برامج المستهلكين لمعالجة الأسئلة المتعلقة بتنبؤ حركة المرور.

“لقد فاقت خوارزميتنا المعدلة أداء المعيار بطريقتين،” كما يقول حجاب باي. “أولا، أستخدمت خوارزميتنا ذاكرة كمبيوتر أقل بكثير. ثانيا، وقت تشغيل خوارزميتنا كان أسرع بمراحل.

وفي هذه المرحلة، نحن منفتحون على العمل مع مخططي ومهندسي المرور المهتمين باستكشاف كيفية إستخدام هذه الخوارزمية المعدلة لمعالجة مشاكل العالم الحقيقي