Second-order multilane traffic flow models: from the microscopic to the macroscopic scale

ट्रैफिक की दुनिया को हॉर्न बजाते शोर और गुस्से में भरे ड्राइवरों के एक अराजक ढेर के रूप में नहीं, बल्कि एक बहती हुई नदी के रूप में कल्पना करें। दशकों से, वैज्ञानिक इस बात की भविष्यवाणी करने की कोशिश कर रहे हैं कि यह नदी कैसे चलती है, जिसके लिए वे दो अलग-अलग मानचित्रों (मैप्स) का उपयोग करते हैं। पहला मानचित्र "सूक्ष्मदर्शी" (माइक्रोस्कोपिक) है, जहाँ वे हर एक कार को एक वीडियो गेम के पात्र की तरह ट्रैक करते हैं, यह देखते हैं कि प्रत्येक कार कब ब्रेक लगाती है, गति बढ़ाती है या लेन बदलती है। यह अविश्वसनीय रूप से विस्तृत है लेकिन पूरे शहर के लिए इसे चलाने के लिए एक सुपरकंप्यूटर की आवश्यकता होती है। दूसरा मानचित्र "स्थूलदर्शी" (मैक्रोस्कोपिक) है, जो ट्रैफिक को एक तरल पदार्थ की तरह मानता है, व्यक्तिगत कारों को अनदेखा करता है और केवल "घनत्व" (सड़क कितनी भरी हुई है) और औसत गति को देखता है। यह गणना करने में बहुत तेज़ है लेकिन अक्सर मानवीय बारीकियों को मिस कर देता है, जैसे कि अचानक ट्रैफिक जाम क्यों बन जाता है या जब कारें धीमी लेन में फंसी होती हैं तो उनका व्यवहार कैसा होता है।

बड़ा सवाल जिसका यह शोध पत्र समाधान करता है वह यह है: हम दोनों दुनियाओं का सर्वश्रेष्ठ कैसे प्राप्त कर सकते हैं? क्या हम एक तेज़, तरल जैसा मॉडल बना सकते हैं जो अभी भी व्यक्तिगत ड्राइवरों के जटिल नियमों को याद रखे, विशेष रूप से तब जब वे लेन बदल रहे हों? यह अत्यंत महत्वपूर्ण है क्योंकि जैसे-जैसे हमारे शहर बढ़ रहे हैं और हम स्वायत्त वाहनों (ऑटोनॉमस व्हीकल्स) को जोड़ रहे हैं, हमें ऐसे ट्रैफिक मॉडल की आवश्यकता है जो वास्तविक समय के नियंत्रण के लिए पर्याप्त तेज़ हों और "फैंटम जैम्स" (अचानक बनने वाले जाम) या सड़क की क्षमता में अचानक गिरावट जैसी अजीब घटनाओं की भविष्यवाणी करने के लिए पर्याप्त स्मार्ट हों। यदि हम यह अनुमान नहीं लगा सकते कि लोग लेन बदलते समय ट्रैफिक कैसे व्यवहार करते हैं, तो हम बेहतर सड़कें या ट्रैफिक लाइटों को प्रभावी ढंग से प्रबंधित नहीं कर सकते।

दो नए ट्रैफिक मॉडलों की कहानी

इस अध्ययन में, लेखकों—मैटियो पियू, ज्यूसेप्पे विस्कोन्टी और गैब्रिएला पुप्पो—ने सूक्ष्मदर्शी और स्थूलदर्शी दुनिया के बीच एक सेतु बनाने का निर्णय लिया। उन्होंने एक सूक्ष्मदर्शी मॉडल से शुरुआत की जिसे "बैंडो-फॉलो-द-लीडर" (BFtL) कहा जाता है। कल्पना कीजिए कि कारों की एक कतार है जहाँ प्रत्येक ड्राइवर लगातार अपने आगे वाली कार की गति से मेल बिठाने की कोशिश कर रहा है और साथ ही उनके बीच के अंतर पर भी प्रतिक्रिया दे रहा है। यदि अंतर बहुत कम हो जाता है, तो वे ब्रेक लगाते हैं; यदि यह बड़ा है, तो वे गति बढ़ाते हैं। लेखकों ने इसमें एक मोड़ जोड़ा: ये ड्राइवर लेन भी बदल सकते हैं यदि उन्हें आगे एक तेज़ लेन दिखाई देती है, बशर्ते कि यह सुरक्षित हो।

चुनौती इस "फॉलो-द-लीडर के खेल" को तरल समीकरणों में अनुवादित करने की थी जो एक साथ पूरी सड़क का वर्णन करते हैं। टीम ने केवल अनुमान नहीं लगाया कि यह कैसे किया जाए; उन्होंने गणितीय रूप से सूक्ष्म नियमों को स्थूल स्तर तक सिकोड़ दिया, जिसे "लिमिट" (सीमा) लेना कहा जाता है। ऐसा करते हुए, उन्होंने पाया कि इस अनुवाद के लिए केवल एक तरीका नहीं है। इस बात पर निर्भर करते हुए कि आप लेन बदलते समय किस चीज़ को स्थिर रखने का निर्णय लेते हैं, आप दो पूरी तरह से अलग स्थूलदर्शी मॉडल प्राप्त करते हैं।

मॉडल 1: द डायरेक्ट प्रोजेक्टर (प्रत्यक्ष प्रोजेक्टर)
पहला दृष्टिकोण, जिसे वे मॉडल 1 कहते हैं, ड्राइवरों की गति का एक सीधा स्नैपशॉट लेने जैसा है और उसे तरल मानचित्र पर प्रोजेक्ट करना है। यह मानता है कि जब एक कार लेन बदलती है, तो उसकी गति की गतिशीलता बस स्थानांतरित हो जाती है। हालाँकि यह सीधा लगता है, लेकिन गणित जटिल हो जाता है। लेखकों ने पाया कि यह मॉडल एक अजीब, गैर-मानक समीकरण बनाता है जहाँ लेन बदलने का व्यवहार ट्रैफिक तरंगों के चलने के तरीके में उलझ जाता है। यह एक वैध गणितीय परिणाम है, लेकिन यह संरचनात्मक रूप से जटिल है और थोड़ा अजीब व्यवहार करता है जब ट्रैफिक स्थिर प्रवाह में सेटल हो जाता है।

मॉडल 2: द मोमेंटम कीपर (संवेग बनाए रखने वाला)
दूसरा दृष्टिकोण, मॉडल 2, एक अलग रास्ता अपनाता है। सीधे गति को ट्रैक करने के बजाय, यह "सामान्यीकृत संवेग" (जनरलाइज्ड मोमेंटम) नामक चीज़ को ट्रैक करता है। इसे आप कार का "ट्रैफिक जड़त्व" (ट्रैफिक इनरशिया) मान सकते हैं—गति और उस इच्छा का संयोजन कि वह आगे की कारों के कारण धीमा क्यों होना चाहता है। लेखकों ने परिकल्पना की कि जब एक कार लेन बदलती है, तो यह "ट्रैफिक जड़त्व" संरक्षित रहता है, ठीक वैसे ही जैसे एक घूमता हुआ आइस स्केटर अपनी स्पिन को बनाए रखता है भले ही वह अपनी स्थिति बदल दे। यह धारणा एक बहुत ही स्वच्छ, अधिक सुंदर समीकरणों के सेट की ओर ले जाती है। महत्वपूर्ण रूप से, जब ट्रैफिक स्थिर हो जाता है और ड्राइवर घबराहट में प्रतिक्रिया देना बंद कर देते हैं, तो मॉडल 2 स्वाभाविक रूप से एक सरल, सुस्थापित प्रथम-क्रम (फर्स्ट-ऑर्डर) मॉडल में वापस आ जाता है जिसे लेखकों ने अपने पिछले शोध पत्र में विकसित किया था। यह सुझाव देता है कि मॉडल 2 लंबे समय में वास्तविक व्यवहार के साथ अधिक सुसंगत है।

लैब में मॉडलों का परीक्षण

यह देखने के लिए कि कौन सा मॉडल बेहतर था, टीम ने कंप्यूटर सिमुलेशन चलाए, जो डिजिटल लैब में ट्रैफिक इंजीनियरों की तरह काम करते हैं।

सबसे पहले, उन्होंने जांचा कि क्या उनके नए मॉडल वास्तव में सूक्ष्मदर्शी "फॉलो-द-लीडर" खेल की नकल कर सकते हैं। उन्होंने दो लेन वाली एक गोलाकार सड़क बनाई और सूक्ष्मदर्शी कारों को चारों ओर घूमने दिया। फिर, उन्होंने समान शुरुआती स्थितियों के साथ स्थूलदर्शी मॉडल चलाए। परिणाम प्रभावशाली थे: दोनों मॉडल सूक्ष्मदर्शी सिमुलेशन से बहुत करीब से मेल खाते थे, जिससे सिद्ध हुआ कि उनका गणितीय अनुवाद काम कर रहा है।

इसके बाद, उन्होंने परीक्षण किया कि मॉडल ट्रैफिक जाम के खत्म होने को कैसे संभालते हैं। उन्होंने एक परिदृश्य बनाया जहाँ एक लेन धीमी कारों से भरी थी और दूसरी खाली थी। जैसे-जैसे सिमुलेशन चला, जाम में फंसी कारों ने खाली लेन में जाना शुरू किया। दोनों मॉडलों ने दिखाया कि जाम समाप्त हो रहा है, लेकिन मॉडल 2 ने इसे अधिक तेज़ी से और अधिक यथार्थवादी तरीके से किया। प्रथम-क्रम मॉडल (सरल मॉडल) प्रतिक्रिया देने में बहुत धीमे थे क्योंकि वे "गैर-संतुलन" (नॉन-इक्विलिब्रियम) प्रभावों—यानी उस घबराहट और अचानक गति समायोजन को नहीं समझ सके जो ट्रैफिक के स्थिर होने से पहले होता है।

उन्होंने अपने मॉडलों की तुलना वास्तविक दुनिया के डेटा से भी की। उन्होंने इटली (A4) और जर्मनी (A3) के राजमार्गों से ट्रैफिक माप लिए। इन डेटासेट में वास्तविक संख्याएँ शामिल थीं कि सड़क पर कितनी कारें थीं, उनकी गति कितनी थी, और कितना ट्रैफिक प्रवाहित हो रहा था। लेखकों ने इन वास्तविक संख्याओं के अनुरूप अपने मॉडलों को कैलिब्रेट किया और फिर यह देखने के लिए सिमुलेशन चलाया कि क्या वे प्रसिद्ध "फंडामेंटल डायग्राम" (ग्राफ जो ट्रैफिक घनत्व और प्रवाह के बीच संबंध दिखाते हैं) को पुनरुत्पादित कर सकते हैं।

यहाँ, अंतर स्पष्ट हो गया। जबकि दोनों मॉडल ट्रैफिक प्रवाह के सामान्य आकार को पकड़ सकते थे, मॉडल 2 स्पष्ट विजेता था। इसने वास्तविक डेटा में देखे जाने वाले "स्कैटरिंग" (बिखराव) को भी पुनरुत्पादित किया—जहाँ समान घनत्व पर ट्रैफिक की गति थोड़ी भिन्न हो सकती है, जिससे बिंदुओं का एक बादल बनता है न कि एक एकल रेखा। इसने "कैपेसिटी ड्रॉप" (क्षमता में गिरावट) को भी पकड़ा, जो वह घटना है जहाँ भीड़ बढ़ने के बाद सड़क अचानक कम कुशल हो जाती है। मॉडल 1 इन सूक्ष्म, जटिल विवरणों से मेल खाने में संघर्ष करता रहा।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि हालांकि दोनों मॉडल गणितीय रूप से सही हैं और सूक्ष्मदर्शी नियमों से कठोरता से प्राप्त किए गए हैं, वास्तविक ट्रैफिक को समझने के लिए मॉडल 2 एक बेहतर उपकरण है। इसकी संरचना, जो "सामान्यीकृत संवेग" को संरक्षित करने पर आधारित है, इसे लेन परिवर्तन को स्वाभाविक रूप से संभालने और एक स्थिर अवस्था में लौटने की अनुमति देती है जो वास्तविकता से मेल खाती है। मॉडल 1, दिलचस्प होने के बावजूद, एक अधिक जटिल प्रणाली बनाता है जो अनुभवजन्य डेटा (एम्पिरिकल डेटा) के साथ उतना अच्छा नहीं बैठता है।

यह कार्य यह दावा नहीं करता है कि इसने ट्रैफिक की समस्या को हमेशा के लिए हल कर दिया है। इसके बजाय, यह एक मजबूत, नया ढांचा प्रदान करता है जो व्यक्तिगत ड्राइवर व्यवहार और ट्रैफिक प्रवाह के व्यापक चित्र के बीच के अंतर को पाटता है। यह दिखाकर कि लेन बदलने को संभालने का एक विशिष्ट तरीका (संवेग को संरक्षित करना) बेहतर भविष्यवाणियां करने में मदद करता है, लेखक ट्रैफिक योजनाकारों को एक शक्तिशाली नया उपकरण प्रदान करते हैं। यह सुझाव देता है कि ट्रैफिक जाम क्यों होते हैं और उन्हें कैसे ठीक किया जाए, इसे वास्तव में समझने के लिए, हमें ऐसे मॉडल की आवश्यकता है जो केवल कारों को सरल, अनुमानित कणों के रूप में मानने के बजाय, एक-दूसरे पर प्रतिक्रिया देने वाले ड्राइवरों के जटिल, द्वितीय-क्रम (सेकंड-ऑर्डर) गतिकी का सम्मान करें।