Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

शहर पहले से कहीं अधिक भारी सांस ले रहे हैं। सड़कों पर वाहनों की अत्यधिक संख्या ने दैनिक आवाजाही और डिलीवरी मार्गों को रुकने और चलने वाली निराशा के एक उलझे हुए जाल में बदल दिया है, जिससे हवा घुट रही है और समय बर्बाद हो रहा है। एक "स्मार्ट सिटी" की दृष्टि में, तकनीक को इस उलझन को सुलझाने के लिए बनाया जाना चाहिए, न कि केवल यह अनुमान लगाने के लिए कि ट्रैफिक कहाँ होगा, बल्कि इस बात का भी सक्रिय प्रबंधन करने के लिए कि सामान ग्रिड के माध्यम से कैसे आगे बढ़ेगा। मुख्य चुनौती दो कठिन कार्यों में निहित है: यह जानना कि कोई ट्रक डिपो से निकलने से पहले ही एक सड़क कितनी व्यस्त होगी, और फिर उस काम के लिए सही वाहन का चयन करना। एक डिलीवरी वैन शांत पड़ोस के माध्यम से एक छोटी यात्रा के लिए तो उत्तम हो सकती है, लेकिन एक भीड़भाड़ वाले राजमार्ग पर लंबी दूरी तय करने के लिए एक बुरा विकल्प हो सकती है, खासकर यदि वह सीमित रेंज वाली बिजली (इलेक्ट्रिसिटी) पर चलती हो। इन दोनों निर्णयों को सही ढंग से लेना—प्रवाह का पूर्वानुमान लगाना और मशीन का चयन करना—सड़क पर वाहनों की संख्या को कम करने की कुंजी है, जो बदले में कार्बन उत्सर्जन को कम करता है और सभी के लिए यात्रा के समय को छोटा करता है।

शोधकर्ताओं की एक टीम ने इस समस्या से निपटने के लिए एक नए सिस्टम के साथ काम किया है जिसे शहरी डिलीवरी के लिए एक केंद्रीय तंत्रिका तंत्र (सेंट्रल नर्वस सिस्टम) के रूप में कार्य करने के लिए डिज़ाइन किया गया है। वे अपनी इस रचना को "नेबर-एम्बेडेड ग्राफ न्यूरल नेटवर्क-आधारित क्राउड डिलीवरी ट्रैफिक मैनेजमेंट मॉडल" कहते हैं। हालांकि इसका नाम तकनीकी है, लेकिन अवधारणा सरल है: यह एक दो-भाग वाला इंजन है जो पहले ट्रैफिक जाम की भविष्यवाणी करता है और फिर उस भविष्यवाणी का उपयोग करके एक विशिष्ट डिलीवरी रूट के लिए सबसे अच्छे वाहन का चयन करता है। यह सिस्टम "क्राउड डिलीवरी" को संभालने के लिए बनाया गया है, जो एक ऐसी रणनीति है जहाँ कई नजदीकी पैकेजों को प्रत्येक के लिए अलग वाहन भेजने के बजाय एक ही यात्रा में समेकित किया जाता है। इस दृष्टिकोण का उद्देश्य सड़क पर सक्रिय वाहनों की कुल संख्या को कम करना है, जो सीधे तौर पर शहरों को अधिक टिकाऊ बनाने के लक्ष्य को संबोधित करता है।

इस सिस्टम का पहला भाग, "ट्रैफिक कंजेशन प्रेडिक्शन यूनिट", सड़क की स्थितियों के लिए एक क्रिस्टल बॉल (भविष्य बताने वाला यंत्र) की तरह कार्य करता है। ट्रैफिक डेटा को अलग-थलग देखने के बजाय, यह शहर के डिलीवरी स्टेशनों को एक मानचित्र पर बिंदुओं के रूप में देखता है जो एक दूसरे से जुड़े हुए हैं। सिस्टम यह सीखता है कि एक स्टेशन पर ट्रैफिक उसके पड़ोसियों के ट्रैफिक को कैसे प्रभावित करता है, ठीक वैसे ही जैसे तालाब में एक लहर बाहर की ओर फैलती है। वाहन गणना, गति और यात्रा समय के ऐतिहासिक डेटा का विश्लेषण करके, यह एक गतिशील चित्र बनाता है कि नेटवर्क के माध्यम से भीड़भाड़ कैसे प्रवाहित होती है। यह विशिष्ट डिलीवरी स्टॉप पर ट्रैफिक स्तरों का उच्च सटीकता के साथ पूर्वानुमान लगाने की अनुमति देता है, भले ही डेटा गायब हो या स्थितियाँ अस्थिर हों। शोधकर्ताओं ने पाया कि इन पड़ोसी संबंधों पर ध्यान देने से, सिस्टम पुराने तरीकों की तुलना में ट्रैफिक प्रवाह की बहुत बेहतर भविष्यवाणी कर सका, जो प्रत्येक स्थान को एक अलग द्वीप के रूप में देखते थे।

एक बार जब सिस्टम को पता चल जाता है कि ट्रैफिक कैसा होगा, तो दूसरा भाग, "ट्रैफिक ऑब्जर्वेशन एंड मैनेजमेंट यूनिट", वास्तविक निर्णय लेने के लिए कार्यभार संभालता है। यह यूनिट ट्रैफिक पूर्वानुमान प्राप्त करती है और उसे एक विशिष्ट डिलीवरी अनुरोध की आवश्यकताओं के साथ मिलाती है। यह कई कारकों पर विचार करती है: वाहन को कितनी दूर यात्रा करनी होगी, इसे कितने स्टॉप लेने होंगे, यह किस प्रकार की सड़क का उपयोग करेगा, और वाहन की अपनी क्षमताएं, जैसे कि उसका ईंधन प्रकार और कार्गो क्षमता। इसके बाद सिस्टम यह निर्धारित करने के लिए एक स्कोर की गणना करता है कि कौन सा वाहन सबसे उपयुक्त है। उदाहरण के लिए, यह निर्णय ले सकता है कि कई स्टॉप वाले लंबे रूट के लिए एक भारी-भरकम डीजल ट्रक आवश्यक है, जबकि एक छोटी स्थानीय यात्रा के लिए एक छोटा इलेक्ट्रिक वाहन सही विकल्प है। यह बुद्धिमान मिलान सुनिश्चित करता है कि चुना गया वाहन न केवल उपलब्ध है, बल्कि वास्तव में उस काम के लिए उपयुक्त भी है, जिससे ऐसी स्थितियां पैदा नहीं होतीं जहाँ एक छोटा वैन लंबी दूरी की यात्रा में फंस जाए या एक बड़ा ट्रक एक छोटे से काम में ऊर्जा बर्बाद करे।

यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने बीजिंग के प्रक्षेपवक्र (ट्रैजेक्टरी) डेटा के एक विस्तृत वास्तविक दुनिया के डेटासेट का उपयोग करके व्यापक मूल्यांकन किया, जो एक जटिल और भारी ट्रैफिक पैटर्न वाला शहर है। उन्होंने सिस्टम में हजारों डिलीवरी अनुरोध डाले और देखा कि यह मौजूदा तरीकों की तुलना में कैसा प्रदर्शन करता है। परिणाम स्पष्ट थे: नए मॉडल ने अपनी भविष्यवाणियों में कम गलतियाँ कीं और अपने उत्तरों को संसाधित करने के लिए कम समय की आवश्यकता पड़ी। विशेष रूप रूप से, सिस्टम ने मानक मॉडलों की तुलना में अपने ट्रैफिक अनुमानों में त्रुटि को एक उल्लेखनीय अंतर से कम किया, और डेटा को प्रोसेस करने में लगने वाले समय को भी कम कर दिया। मूल्यांकन में, मॉडल ने सबसे कुशल रूट और वाहन संयोजनों की सफलतापूर्वक पहचान की, जिससे सिद्ध हुआ कि यह शहर के अराजक और बदलते ट्रैफिक को बिना अभिभूत हुए संभाल सकता है।

अध्ययन ने यह भी रेखांकित किया कि क्या होता है जब आप शहर के विभिन्न हिस्सों के बीच के कनेक्शन को अनदेखा कर देते हैं। जब शोधकर्ताओं ने सिस्टम के उन संस्करणों का परीक्षण किया जो यह नहीं देखते थे कि पड़ोसी स्टेशन एक-दूसरे को कैसे प्रभावित करते हैं, तो भविष्यवाणियाँ कम सटीक हो गईं। इसने पुष्टि की कि ट्रैफिक केवल अलग-थseits घटनाओं का संग्रह नहीं है बल्कि एक जुड़ा हुआ प्रवाह है जहाँ एक क्षेत्र में जाम अनिवार्य रूप से अगले क्षेत्र को प्रभावित करता है। इन संबंधों को सीधे सीखने की प्रक्रिया में शामिल करके, नया मॉडल इस वास्तविकता को पकड़ लेता है कि ट्रैफिक कैसे चलता है। शोधकर्ताओं ने निष्कर्ष निकाला कि यह एकीकृत दृष्टिकोण—सटीक पूर्वानुमान के साथ स्मार्ट वाहन चयन को जोड़ना—सड़क पर डिलीवरी वाहनों की संख्या को कम करने की दिशा में एक व्यवहार्य मार्ग प्रदान करता है। हालांकि इस कार्य में मूल्यांकन के लिए ऐतिहासिक प्रक्षेपवक्र डेटा का उपयोग किया गया था, लेकिन इसके परिणाम बताते हैं कि ऐसा सिस्टम शहरी लॉजिस्टिक्स की दक्षता में काफी सुधार कर सकता है, जिससे शहरों को कम भीड़भाड़ और स्वच्छ वातावरण वाले भविष्य की ओर बढ़ने में मदद मिल सकती है।