Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

शहर की कल्पना एक विशाल, जीवित पहेली के रूप में करें जहाँ हर सड़क एक टुकड़ा है और हर ड्राइवर एक खिलाड़ी जो इसे सुलझाने की कोशिश कर रहा है। जब मरम्मत के लिए कोई सड़क बंद की जाती है, तो यह पहेली से एक टुकड़ा निकालने जैसा होता है; अचानक, सभी को एक नया स्थान खोजने के लिए भागदौड़ करनी पड़ती है, और पूरी तस्वीर बदल जाती है। यह ट्रैफिक इंजीनियरिंग की दुनिया है, जो इस बात को समझने के लिए समर्पित एक क्षेत्र है कि लोग इन जटिल नेटवर्कों के माध्यम से कैसे चलते हैं। इस पहेली के केंद्र में "इक्विलिब्रियम" (संतुलन) नामक एक अवधारणा है, जो केवल एक फैंसी तरीका है यह कहने का कि हर किसी ने एक ऐसा मार्ग ढूंढ लिया है जहाँ वे रास्ता बदलकर अपने गंतव्य तक अधिक तेज़ी से नहीं पहुँच सकते। यदि आप कभी ट्रैफिक में फंसे हैं जबकि आपका जीपीएस आपको नया रास्ता बताता है, और फिर भी वह नया रास्ता भी उतना ही जाम मिलता है, तो आपने इस संतुलन को क्रिया में अनुभव किया है। शहर के योजनाकारों के लिए बड़ा सवाल यह है: हम सड़क मरम्मत का समय कैसे निर्धारित करें ताकि हम एक छोटे से गड्ढे की मरम्मत को शहरव्यापी ट्रैफिक दुस्वप्न में न बदल दें? पारंपरिक रूप से, इस पर विचार करना हर बार एक विशाल गणितीय समीकरण को हल करने जैसा रहा है, एक ऐसी प्रक्रिया जो इतनी धीमी और भारी है कि अक्सर योजनाकारों को सर्वोत्तम निर्णय लेने से रोक देती है।

यह शोध पत्र, जिसे 2026 IISE वार्षिक सम्मेलन में प्रस्तुत किया गया है, उस भारी गणितीय समस्या को हल करता है—कंप्यूटर को हर बार शून्य से गणना करने के बजाय उत्तर का अनुमान लगाना सिखाकर। लेखक, चरिथा नंदेपु और उनकी टीम ने न्यूर्क, न्यू जर्सी के एक वास्तविक ट्रैफिक नेटवर्क को देखा, विशेष रूप से गार्डन स्टेट पार्कवे के रूप में जाने जाने वाले एक व्यस्त कॉरिडोर पर ध्यान केंद्रित किया। उन्होंने पहले एक सुपर-सटीक, लेकिन बहुत धीमी कंप्यूटर सिमुलेशन चलाकर यह पता लगाया कि यदि सड़कें बंद होती हैं तो ट्रैफिक वास्तव में कैसे प्रवाहित होगा। इसे "गोल्ड स्टैंडर्ड" या "ग्राउंड ट्रुथ"—परफेक्ट आंसर की (उत्तर कुंजी)—के रूप में सोचें। उन्होंने इस डेटा का उपयोग चार अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) मॉडल को प्रशिक्षित करने के लिए किया, जो अनिवार्य रूप से उन्हें यह सिखाने के लिए था कि वे देखें कि लोग कहाँ जाना चाहते हैं (ओरिजिन-डेस्टिनेशन डिमांड) और तुरंत भविष्यवाणी करें कि भारी गणित की आवश्यकता के बिना ट्रैफिक कैसा व्यवहार करेगा।

टीम ने अपने AI के लिए चार अलग-अलग "मस्तिष्क" का परीक्षण किया: एक मानक मल्टी-लेयर्ड नेटवर्क (MLP), एक पैटर्न-स्पॉटर (CNN), एक नेटवर्क-स्ट्रक्चर एक्सपर्ट (GNN), और एक मॉडल जो सिस्टम के सभी हिस्सों के बीच संबंधों पर ध्यान देता है (अटेंशन-बेस्ड NN)। परिणाम स्पष्ट थे: वह मॉडल जिसने बड़ी तस्वीर पर ध्यान दिया, वह जीत गया। "अटेंशन-बेस्ड" न्यूरल नेटवर्क मुख्य आकर्षण रहा, जिसने लगभग 98% बार (R² स्कोर 0.9835) ट्रैफिक पैटर्न की सही भविष्यवाणी की और सबसे व्यस्त सड़कों पर सबसे कम गलतियाँ कीं। इसके विपरीत, अन्य मॉडल, विशेष रूप से मानक मॉडल, भारी ट्रैफिक होने पर काफी लड़खड़ा गए, जहाँ महत्वपूर्ण लिंक पर त्रुटियाँ प्रति घंटा लगभग 1,000 वाहनों तक बढ़ गईं। ग्राफ-आधारित मॉडल (GNN) ने ठीक-ठाक काम किया, लेकिन अटेंशन-बेस्ड मॉडल सबसे सटीक था, जिसकी समग्र त्रुटि दर केवल 35.87 वाहन प्रति घंटा थी।

यह शोध पत्र यह दावा नहीं करता है कि इसने सड़क मरम्मत के शेड्यूलिंग की पूरी समस्या को हमेशा के लिए हल कर दिया है। इसके बजाय, यह सुझाव देता है कि इन तेज़, डेटा-संचालित AI मॉडलों का उपयोग करना नियोजन प्रक्रिया को गति देने का एक आशाजनक तरीका है। भारी गणनाओं को एक त्वरित AI भविष्यवाणी से बदलकर, शहर के प्रबंधक एक ही समय में कई मरम्मत शेड्यूल का परीक्षण कर सकते हैं जितना समय पहले केवल एक के परीक्षण में लगता था। अध्ययन दिखाता है कि न्यूर्क क्षेत्र के लिए, यह दृष्टिकोण पर्याप्त रूप से अच्छा काम करता है, जो एक उपयोगी उपकरण के रूप में कार्य करने का एक तरीका प्रदान करता है, जिससे निर्माण के दौरान भी ट्रैफिक को सुचारू रूप से बहते रहने का अवसर मिलता है। यह एक स्मार्ट भविष्यवाणी के माध्यम से हमारे शहरों को कम ग्रिडलॉक (जाम) बनाने की दिशा में एक कदम है।