Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods
यह अध्ययन यह प्रदर्शित करता है कि एक व्याख्या योग्य बिडायरेक्शनल एलएसटीएम (BiLSTM) मॉडल, जिसे एडेप्टिव पैरामीटर चयन और फीचर एलिमिनेशन द्वारा उन्नत किया गया है, कोविड-19 के विभिन्न कालखंडों के दौरान अलामेडा काउंटी में यातायात भीड़ की प्रभावी रूप से भविष्यवाणी करता है, यह प्रकट करते हुए कि नए मामले, अस्पताल में भर्ती होने की संख्या और ईंधन की कीमतें यात्रा व्यवहार और भीड़ के स्तर को विशिष्ट रूप से कैसे प्रभावित करती हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन बादलों और बारिश के बजाय, आप यह अनुमान लगाने की कोशिश कर रहे हैं कि ट्रैफिक में कितने वाहन फंसेंगे। यह ट्रैफिक कंजेशन प्रेडिक्शन (यातायात भीड़ भविष्यवाणी) की दुनिया है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक वाहनों के भविष्य के प्रवाह का पूर्वानुमान लगाने के लिए गणित और कंप्यूटर का उपयोग करते हैं। आमतौर पर, ये भविष्यवाणियाँ उन पैटर्न पर निर्भर करती हैं जिन्हें हम अच्छी तरह जानते हैं: जैसे जब लोग काम पर जाते हैं तो रश ऑवर होता है, वीकेंड पर चीजें शांत होती हैं, और बारिश सबको धीरे गाड़ी चलाने पर मजबूर कर देती है। लेकिन तभी, एक विशाल, अदृश्य व्यवधान आया: कोविड-19 महामारी। अचानक, पुराने नियम काम नहीं कर रहे थे। लोग घरों में ही रहने लगे, सरकारों ने शहरों को लॉकडाउन में डाल दिया, और जिस तरह से हम चलते-फिरते थे, वह ऐसे तरीकों से बदल गया जो पहले कभी नहीं देखे गए थे। इस नए पहेली को सुलझाने के लिए, शोधकर्ताओं ने "मशीन लर्निंग" की ओर रुख किया—जो कि एक प्रकार का कंप्यूटर प्रोग्राम है जो इंसानों द्वारा लिखे गए सख्त नियमों का पालन करने के बजाय, भारी मात्रा में डेटा का अध्ययन करके सीखता है। इसे एक कुत्ते को गेंद लाने (फेच) के लिए सिखाने जैसा समझें; आप उसे गेंद फेंकने के भौतिक विज्ञान (फिजिक्स) के बारे में नहीं समझाते, बल्कि आप बस उसे गेंद और ट्रीट दिखाते रहते हैं जब तक कि वह पैटर्न को समझ न ले। वैज्ञानिकों के लिए बड़ा सवाल यह था: क्या ये स्मार्ट कंप्यूटर संकट के दौरान महामारी के नए, अजीब पैटर्न को सीख सकते हैं, और क्या हम वास्तव में यह समझ सकते हैं कि वे जो भविष्यवाणियां करते हैं उनके पीछे का कारण क्या है?
नेशनल यूनिवर्सिटी ऑफ सिंगापुर के शोधकर्ताओं द्वारा किया गया यह अध्ययन, इस सवाल का जवाब देने के लिए कैलिफोर्निया के अलामेडा काउंटी के ट्रैफिक डेटा का गहराई से विश्लेषण करता है। वे यह देखना चाहते थे कि क्या वे महामारी के तीन अलग-अलग अध्यायों के दौरान ट्रैफिक जाम की भविष्यवाणी कर सकते हैं: लॉकडाउन से पहले, जब लॉकडाउन पूरी तरह से लागू था, और प्रतिबंधों के ढीले होने के बाद। ऐसा करने के लिए, उन्होंने अपने कंप्यूटर मॉडल को कई सामग्रियों का मिश्रण दिया: मौसम की रिपोर्ट, सप्ताह का दिन, और सबसे महत्वपूर्ण रूप से, वायरस के बारे में वास्तविक समय का डेटा, जैसे कि नए मामले और अस्पताल में भर्ती होने वाले लोग। उन्होंने अपने कंप्यूटर के लिए कई अलग-अलग "मस्तिष्क" का परीक्षण किया, जिसमें सरल सांख्यिकीय विधियों से लेकर उन्नत डीप लर्निंग नेटवर्क तक शामिल थे जो पिछली घटनाओं को याद रख सकते हैं।
शोधकर्ताओं ने पाया कि सबसे परिष्कृत मॉडल, जिसे "बाइडायरेक्शनल एलएसटीएम" (या Bi-LSTM) कहा जाता है, स्पष्ट विजेता था। एक नियमित ट्रैफिक प्रेडिक्टर की कल्पना ऐसे व्यक्ति के रूप में करें जो केवल सामने की सड़क को देख रहा है; वह देख सकता है कि आगे क्या आने वाला है। हालाँकि, Bi-LSTM एक ऐसे व्यक्ति की तरह है जो एक ही समय में आगे और पीछे दोनों तरफ देख सकता है। पिछले सप्ताह के ट्रैफिक पैटर्न का दोनों दिशाओं में विश्लेषण करके, यह मॉडल डेटा को "रिवर्स-लर्न" (विपरीत दिशा से सीखना) कर सकता था, जिससे यह उन छिपे हुए रिदम (लय) को पकड़ सका जिन्हें अन्य मॉडल मिस कर गए थे। इसने अन्य मॉडलों की तुलना में लगातार बेहतर प्रदर्शन किया, जिससे यह साबित हुआ कि अराजक समय के दौरान ट्रैफिक की भविष्यवाणी करने के लिए घटनाओं के पूर्ण टाइमलाइन को समझना महत्वपूर्ण है।
लेकिन यहाँ एक पेचीदा बात है: आमतौर पर, ये सुपर-स्मार्ट कंप्यूटर मॉडल "ब्लैक बॉक्स" होते हैं। आप डेटा डालते हैं, और एक भविष्यवाणी बाहर आती है, लेकिन आपको पता नहीं चलता कि कंप्यूटर ने वह निर्णय कैसे लिया। यह एक रेस्तरां में भोजन ऑर्डर करने जैसा है जहाँ शेफ आपको रेसिपी बताए बिना बस एक प्लेट थमा देता है। इसे ठीक करने के लिए, टीम ने "इंटीग्रेटेड ग्रेडिएंट्स" और "SHAP" जैसे विशेष उपकरणों का उपयोग किया ताकि वे ब्लैक बॉक्स के अंदर झांक सकें और देख सकें कि कौन सी सामग्रियां सबसे अधिक महत्वपूर्ण थीं।
उनके अन्वेषण ने कुछ दिलचस्प सच्चाइयां उजागर कीं। लॉकडाउन और उसके बाद की अवधि के दौरान, कोविड-19 के नए मामलों की संख्या एक प्रमुख कारक बन गई। डेटा ने एक मजबूत नकारात्मक संबंध दिखाया: जब नए मामले बढ़े, तो ट्रैफिक कम हो गया। यह इसलिए नहीं था क्योंकि वायरस ने शारीरिक रूप से कारों को रोका था; बल्कि, शोधकर्ता सुझाव देते हैं कि ऐसा इसलिए था क्योंकि लोग अधिक सतर्क हो गए थे, स्वेच्छा से घर पर रहे या सरकारी नियमों का पालन किया। दिलचस्प बात यह है कि अध्ययन में यह भी पाया गया कि भले ही ईंधन की कीमतें बढ़ी हों, लोगों ने अपनी निजी कारों को चलाना बंद नहीं किया; वास्तव में, ट्रैफिक कंजेशन बढ़ गया। यह सुझाव देता है कि महामारी के बाद के चरण में, सार्वजनिक परिवहन के प्रति डर ने लोगों को निजी वाहनों की ओर धकेल दिया, और पेट्रोल की बढ़ती लागत भी उन्हें रोकने के लिए पर्याप्त नहीं थी।
अध्ययन ने इस विचार को भी खारिज कर दिया कि साधारण, पुराने गणितीय मॉडल इस अराजकता को संभाल सकते हैं। जबकि एक पारंपरिक मॉडल जिसे SARIMA कहा जाता है, महामारी से पहले ठीक-ठाक काम करता था, लॉकडाउन शुरू होते ही वह तालमेल बिठाने में विफल रहा। शोधकर्ताओं ने दिखाया कि जटिल, लचीले मशीन लर्निंग मॉडल अचानक और अनियमित परिवर्तनों के अनुकूल होने में कहीं अधिक बेहतर थे। उन्होंने यह भी पुष्टि की कि उनके सबसे महत्वपूर्ण डेटा बिंदुओं को चुनने का तरीका (जैसे अप्रासंगिक मौसम विवरणों को अनदेखा करना) महत्वपूर्ण था; जब उन्होंने "नए मामले" या "वीकेंड" जैसे प्रमुख फीचर्स को हटाया, तो मॉडल ट्रैफिक की भविष्यवाणी करने में बहुत कमजोर हो गए।
संक्षेप में, यह पेपर सुझाव देता है कि संकट के दौरान ट्रैफिक को समझने के लिए, हमें ऐसे स्मार्ट मॉडल्स की आवश्यकता है जो इतिहास को सभी कोणों से देख सकें, और हमें मौसम पर ध्यान देने के साथ-साथ मानवीय तत्वों—डर, सावधानी और नीति—पर भी उतना ही ध्यान देने की आवश्यकता है। शोधकर्ताओं ने यह दावा नहीं किया कि उन्होंने ट्रैफिक को हमेशा के लिए हल कर दिया है, लेकिन उन्होंने दिखाया कि उन्नत एआई (AI) को स्पष्ट स्पष्टीकरणों के साथ जोड़कर, हम अपने शहरों की नई, अप्रत्याशित लय को समझना शुरू कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।