Revisiting mesoscopic traffic flow simulation in SUMO: Limitations, analysis, and an alternative

कल्पना कीजिए कि ट्रैफिक सिमुलेशन (traffic simulation) एक ऐसे तरीके के रूप में है जिससे आप वास्तविक कारों को सड़क पर उतारे बिना यह अनुमान लगा सकते हैं कि वे शहर में कैसे चलती हैं। इसे करने के तीन मुख्य तरीके हैं:

1. माइक्रोस्कोपिक (Microscopic): जैसे चींटियों की एक कॉलोनी में हर एक चींटी को देखना। यह अविश्वसनीय रूप से विस्तृत है लेकिन इसके लिए बहुत अधिक कंप्यूटर पावर की आवश्यकता होती है।
2. मैक्रोस्कोपिक (Macroscopic): जैसे हेलीकॉप्टर से एक नदी को देखना। आप पानी को एक संपूर्ण प्रवाह के रूप में देखते हैं, लेकिन आप व्यक्तिगत बूंदों को नहीं देख सकते। यह तेज़ है लेकिन इसमें विवरण की कमी है।
3. मेसोस्कोपिक (Mesoscopic): यह "गोल्डिलॉक्स" (Goldilocks) ज़ोन है। यह व्यक्तिगत कारों को ट्रैक करता है (जैसे चींटियाँ) लेकिन समय बचाने के लिए उन्हें समूहों में रखता है (जैसे नदी)।

यह शोध पत्र तर्क देता है कि लोकप्रिय ओपन-सोर्स सॉफ़्टवेयर SUMO में उपयोग किया जाने वाला वर्तमान "गोल्डिलॉक्स" टूल टूटा हुआ है। यह एक हाइब्रिड बनने की कोशिश कर रहा है, लेकिन यह खेल के नियमों को मिला रहा है, जिससे अवास्तविक भविष्यवाणियां हो रही हैं।

समस्या और प्रस्तावित समाधान का विवरण यहाँ दिया गया है, जिसमें सरल उपमाओं (analogies) का उपयोग किया गया है।

समस्या: टूटा हुआ "क्यू" (Queue) लॉजिक

SUMO का वर्तमान मेसोस्कोपिक मॉडल (जिसे MESO कहा जाता है) सड़कों को खंडों (segments) में विभाजित करके और यह तय करके ट्रैफिक को प्रबंधित करने की कोशिश करता है कि एक कार कब एक खंड से दूसरे खंड में जा सकती है। लेखकों ने पाया कि ट्रैफिक जाम को संभालने के तरीके में दो प्रमुख खामियां हैं:

1. "ब्लाइंड स्पॉट" की उपमा (पीछे की ओर यात्रा करने वाली जगह)
कल्पना कीजिए कि एक कॉन्सर्ट में प्रवेश करने के लिए लोगों की एक कतार खड़ी है। वास्तव में, यदि कतार में सबसे आगे खड़ा व्यक्ति अंदर चला जाता है, तो एक "गैप" (खाली जगह) बनता है। वह गैप तुरंत पीछे की ओर बढ़ता है, जिससे अगली व्यक्ति को आगे बढ़ने की अनुमति मिलती है।

• MESO कैसे विफल होता है: MESO एक ऐसे बाउंसर की तरह है जो गैप को तभी नोटिस करता है जब पूरी कतार पूरी तरह से रुक जाती है। यह तब तक इंतजार करता है जब तक कि लाइन पूरी तरह से जाम न हो जाए, तभी इसे एहसास होता है कि एक जगह खाली हुई है।
• परिणाम: क्योंकि यह गैप को पीछे की ओर पर्याप्त तेज़ी से नहीं देख पाता है, इसलिए यह सोचता है कि ट्रैफिक बहुत जल्दी साफ हो जाता है। यह कम अनुमान लगाता है कि जाम कितने समय तक रहता है और यह कितनी दूर तक फैलता है।

2. गलत "जाम के कारण" की उपमा
वर्तमान मॉडल में, शहर की सड़कों पर ट्रैफिक जाम का मुख्य कारण यह माना जाता है कि सड़क बहुत अधिक भीड़भाड़ होने के कारण कारें धीमी हो जाती हैं (एक "कैपेसिटी ड्रॉप")।

• वास्तविकता: शहरों में, जाम आमतौर पर मुड़ने (turning) के कारण होता है। कल्पना कीजिए कि एक सीधी सड़क है जहाँ कारें बगल की गली में बाईं ओर मुड़ने की कोशिश कर रही हैं। यदि वह बगल की गली भरी हुई है, तो मुड़ने वाली कारें फंस जाती हैं, जिससे उनके पीछे सीधी चल रही कारों का रास्ता भी रुक जाता है। इसे "क्यू स्पिलबैक" (queue spillback) कहा जाता है।
• कैसे MESO विफल होता है: मॉडल इस "साइड से अवरुद्ध होने" को प्रभावी ढंग से ध्यान में नहीं रखता है। यह मान लेता है कि जाम मुख्य रूप से इसलिए होते हैं क्योंकि कारें एक-दूसरे के बहुत करीब होती हैं, और यह इस तथ्य को अनदेखा कर देता है कि एक जाम वाली साइड स्ट्रीट मुख्य सड़क का दम घोंट सकती है।

परिणाम: जब लेखकों ने इसका परीक्षण किया, तो सॉफ़्टवेयर ने भविष्यवाणी की कि ट्रैफिक जाम देरी से आएंगे, जल्दी खत्म हो जाएंगे और बहुत छोटे होंगे। यह मौसम के पूर्वानुमान जैसा था जो कहता है, "10 मिनट में बारिश होगी," जबकि वास्तव में वह तीन घंटे की मूसलाधार बारिश थी।

समाधान: एक नया "लिंक ट्रांसमिशन" मॉडल

लेखक एक नया मॉडल प्रस्तावित करते हैं जिसे LIFT कहा जाता है (उन्होंने इसे इस अध्ययन के लिए एक डिस्क्रीट-टाइम संस्करण में अनुकूलित किया है)।

"एलिवेटर" की उपमा
यह अनुमान लगाने के बजाय कि एक कार कब चल सकती है, LIFT स्पष्ट रूप से ट्रैफिक के माध्यम से पीछे की ओर चलने वाली खाली जगहों (रिक्तियों) को ट्रैक करता है।

• एक लिंक (सड़क खंड) को निश्चित संख्या में स्थानों वाले एक लिफ्ट (elevator) के रूप में सोचें।
• मॉडल गिनता है: अंदर कितने लोग हैं? + कितनी खाली जगहें पीछे की ओर चल रही हैं?
• यदि कुल (लोग + खाली जगहें) लिफ्ट की क्षमता से कम है, तो एक नया व्यक्ति अंदर आ सकता है।
• यह मॉडल को "गैप" को पीछे की ओर तुरंत चलते हुए देखने की अनुमति देता है, ठीक वैसे ही जैसे वास्तविक जीवन में होता है।

यह बेहतर क्यों काम करता है:
इन पीछे की ओर चलने वाली रिक्तियों को स्पष्ट रूप से ट्रैक करके, नया मॉडल "क्यू स्पिलबैक" को पूरी तरह से पकड़ लेता है। यदि एक साइड स्ट्रीट भरी हुई है, तो मॉडल तुरंत जान जाता है कि मुख्य सड़क बाधित है।

प्रमाण: टेस्ट ड्राइव

लेखकों ने अपने नए मॉडल को सिद्ध करने के लिए दो परीक्षण चलाए:

1. सिटी इंटरसेक्शन टेस्ट (शहर का चौराहा परीक्षण): उन्होंने ट्रैफिक लाइट और एक साइड स्ट्रीट के साथ एक व्यस्त सड़क का सिमुलेशन किया।

   • MESO (पुराना): भविष्यवाणी की कि जाम जल्दी साफ हो जाएगा और बहुत पीछे तक नहीं फैलेगा।
   • LIFT (नया): भविष्यवाणी की कि जाम धीरे-धीरे बनेगा, काफी पीछे तक फैलेगा और धीरे-धीरे साफ होगा।
   • फैसला: नया मॉडल "माइक्रोस्कोपिक" (अत्यधिक विस्तृत) सिमुलेशन के लगभग समान था, जबकि पुराना मॉडल बहुत गलत था।

2. हाइवे बॉटलनेक टेस्ट (हाईवे बाधा परीक्षण): उन्होंने एक हाईवे का सिमुलेशन किया जहाँ दो लेन एक लेन में मिल रही थीं।

   • MESO (पुराना): ट्रैफिक डेटा अराजक दिखता था और भौतिकी के नियमों को तोड़ रहा था (ऐसी ट्रैफिक अवस्थाएं दिखा रहा था जो अस्तित्व में नहीं होनी चाहिए)।
   • LIFT (नया): ट्रैफिक डेटा ट्रैफिक फ्लो थ्योरी के सुचारू, अनुमानित वक्रों (curves) का पालन करता था।

निष्कर्ष

लेखक निष्कर्ष निकालते हैं कि SUMO में वर्तमान मेसोस्कोपिक टूल मौलिक रूप से त्रुटिपूर्ण है क्योंकि यह विभिन्न ट्रैफिक सिद्धांतों को मिला देता है और इस बात को अनदेखा करता है कि खाली स्थान (empty space) जाम के माध्यम से पीछे की ओर कैसे चलता है।

उनका नया मॉडल, LIFT, इसे ठीक करता है क्योंकि यह ट्रैफिक को एक तरल पदार्थ (fluid) की तरह मानता है जहाँ खाली स्थान कारों के आगे बढ़ने की तरह ही वास्तविक रूप से पीछे की ओर चलते हैं। इसके परिणामस्वरूप, सिमुलेशन बड़े नेटवर्क चलाने के लिए पर्याप्त तेज़ है और वास्तविक दुनिया के ट्रैफिक जाम की भविष्यवाणी करने के लिए भरोसेमंद रूप से सटीक भी है। लेखकों को उम्मीद है कि वे अंततः इस नए कोड को सीधे SUMO सॉफ़्टवेयर में डाल देंगे ताकि हर कोई इसका उपयोग कर सके।