⚡ electrical engineering

Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

यह शोध पत्र गुआंगज़ौ के बस मार्गों को वर्गीकृत करने के लिए मशीन लर्निंग के साथ टोपोलॉजिकल और कार्यात्मक संकेतकों को संयोजित करते हुए एक नवीन "संरचना-कार्य-समता" मूल्यांकन ढांचे का प्रस्ताव करता है, जो महत्वपूर्ण अक्षमताओं की पहचान करता है और अतिरेक को कम करने, मेट्रो एकीकरण को बढ़ाने और ग्रामीण समता में सुधार करने के लिए लक्षित रणनीतियों को उत्पन्न करने हेतु एक द्वि-उद्देश्यीय अनुकूलन मॉडल का उपयोग करता है।

मूल लेखक: caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

मूल पेपर CC BY 4.0 (https://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 शहर की बस प्रणाली एक विशाल, व्यस्त रसोई के रूप में है जो एक बहुत बड़े रेस्टोरेंट में स्थित है। इसका लक्ष्य हर भूखे ग्राहक (निवासियों) को कुशलतापूर्वक, निष्पक्ष रूप से और बिना भोजन या ईंधन बर्बाद किए सेवा प्रदान करना है। हालाँकि, गुआंगज़ौ जैसे कई बड़े शहरों में, रसोई अस्त-व्यस्त हो गई है: कुछ शेफ गोल-गोल घूम रहे हैं, कुछ मेजें भूख से मर रही हैं जबकि अन्य ज़रूरत से ज़्यादा भर दी गई हैं, और मेनू भी भ्रमित करने वाला हो गया है।

यह शोध पत्र विशेषज्ञ रसोई निरीक्षकों की एक टीम की तरह है जो इस गंदगी को साफ करने, यह समझने कि क्या गलत है, और रसोई को फिर से डिज़ाइन करने के लिए आए हैं ताकि यह सभी के लिए बेहतर तरीके से काम कर सके। उन्होंने इसे सरल चरणों में कैसे किया, यहाँ दिया गया है:

1. निदान: रसोई के स्वास्थ्य का मापन

सबसे पहले, शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने माप लिए। उन्होंने दो मुख्य उपकरणों का उपयोग करके बस नेटवर्क का अध्ययन किया:

"मानचित्र" उपकरण (संरचना): उन्होंने मापा कि प्रति वर्ग मील कितने बस मार्ग मौजूद हैं, लोगों के घरों के पैदल चलने की दूरी के भीतर कितने स्टॉप हैं, और बस रूट कितने ओवरलैप (एक दूसरे के ऊपर) होते हैं।
- समस्या: उन्होंने पाया कि रसोई उन शेफों से भरी हुई थी जो बिल्कुल एक ही रास्ते पर दौड़ रहे थे। "ओवरलैप" इतना अधिक था (अनुशंसित मात्रा से 4.9 गुना अधिक) कि यह ऐसा था जैसे एक ही चॉपिंग बोर्ड पर प्याज काटने के लिए पांच शेफों का होना। साथ ही, औसत बस मार्ग 16.7 किमी लंबा था, लेकिन अधिकांश लोगों को केवल 7.5 किमी की यात्रा करनी थी। यह ऐसा था जैसे किसी ग्राहक को सिर्फ एक सैंडविच चाहिए और आप उसे 10-कोर्स का भोजन परोस रहे हों।
"लोग" उपकरण (कार्य और निष्पक्षता): उन्होंने देखा कि किसे सेवा दी जा रही है। क्या बसें बुजुर्गों और बच्चों की मदद कर रही हैं? क्या वे भीड़भाड़ वाली हैं या खाली हैं? क्या वे वहां चलती हैं जहाँ सबवे (शहर की तेज़ ट्रेन) पहले से ही जा रहा है?

2. बसों की छंटनी: "चार प्रकार के शेफ"

एक स्मार्ट कंप्यूटर प्रोग्राम (मशीन लर्निंग) का उपयोग करके, उन्होंने 3,214 बस मार्गों को चार अलग-अलग "व्यक्तित्व प्रकारों" में वर्गीकृत किया, ठीक वैसे ही जैसे रसोई के कर्मचारियों को उनके विशिष्ट कार्यों के आधार पर वर्गीकृत किया जाता है:

"सुरक्षा जाल" वाले शेफ (31%): ये बसें भारी भीड़ तो नहीं ढोतीं, लेकिन वे महत्वपूर्ण हैं। वे सुनिश्चित करती हैं कि बुजुर्ग, बच्चे और कम आय वाले परिवार डॉक्टर या स्कूल तक पहुँच सकें। वे भरोसेमंद और स्थिर कार्यकर्ता हैं।
"स्टार परफॉर्मर्स" (6%): ये शहर के केंद्र में चलने वाली अत्यधिक व्यस्त मार्ग हैं। वे कुल यात्रियों का लगभग आधा हिस्सा ढोते हैं। वे कुशल हैं लेकिन अनुचित हो सकते हैं क्योंकि वे गरीब मोहल्लों की अनदेखी करते हैं।
"ट्रेन सहायक" (36%): ये बसें सबवे के ठीक बगल में चलती हैं। उनका मुख्य काम लोगों को बस से ट्रेन में बदलने (ट्रांसफर) में मदद करना है, यानी एक सेतु के रूप में कार्य करना।
"भ्रमित शेफ" (27%): यह सबसे बड़ी खोज थी। लगभग एक चौथाई बसें ऐसी थीं जो किसी स्पष्ट श्रेणी में फिट नहीं बैठती थीं। वे न तो बहुत व्यस्त थीं, न विशेष रूप से गरीबों की मदद कर रही थीं, और न ही स्पष्ट रूप से सबवे की मदद कर रही थीं। वे बस बिना किसी स्पष्ट उद्देश्य के इधर-उधर घूम रही थीं, जिससे ईंधन और पैसा बर्बाद हो रहा था।

3. समाधान: तीन-चरणीय योजना

एक बार जब उन्होंने "भ्रमित शेफ" की पहचान कर ली, तो शोधकर्ताओं ने यह पता लगाने के लिए कि उन्हें कैसे ठीक किया जाए, एक गणितीय मॉडल का उपयोग किया। उन्होंने तीन विशिष्ट रणनीतियाँ बनाईं:

रणनीति 1: अतिरेक (Redundancy) को कम करना ( "छोटा करने" की योजना)
- समस्या: 17 मार्ग लगभग ठीक वहीं चल रहे थे जहाँ सबवे पहले से ही जा रहा था।
- समाधान: इन मार्गों को छोटा करें। कल्पना कीजिए कि एक डिलीवरी ड्राइवर को कहना, "आपको शहर के दूसरे छोर तक जाने की ज़रूरत नहीं है; ट्रेन अब वहां जा रही है। बस आखिरी कुछ ब्लॉक ही चलाएं।" इससे बेकार ओवरलैप में 38% की कमी आई और यातायात की भीड़ कम हुई।
रणनीति 2: "लास्ट माइल" कनेक्टर बनना ("फीडर" योजना)
- समस्या: शहर जल्द ही नए सबवे लाइन बना रहा है। वर्तमान में, 112 बस मार्ग इन नई लाइनों के रास्ते में हैं लेकिन वे मदद करने के लिए तैयार नहीं हैं।
- समाधान: इन बसों को "फीडर" सेवाओं में बदल दें। लंबे, धीमे मार्गों के बजाय, उन्हें छोटी, बार-बार चलने वाली शटल सेवा बनाएं जो लोगों को उनके घरों के पास से उठाए और उन्हें नए सबवे स्टेशनों पर छोड़ दे। यह उन 340,000 निवासियों की मदद करता है जो वर्तमान में आसानी से नई ट्रेनों तक नहीं पहुँच पा रहे हैं।
रणनीति 3: भूले हुए गाँवों की मदद करना ("ग्रामीण" योजना)
- समस्या: ग्रामीण इलाकों में बसें दुर्लभ थीं, जिससे बुजुर्गों के लिए घूमना कठिन हो गया था।
- समाधान: भ्रमित मार्गों से संसाधन लें और उन्हें इन ग्रामीण क्षेत्रों को दें। बसों को अधिक बार चलाकर (हर 30 मिनट के बजाय हर 15 मिनट में), उन्होंने बुजुर्गों के लिए निष्पक्षता में सुधार किया। उन्होंने अनुमान लगाया कि इससे 15% अधिक लोग वापस बसों में लौट आएंगे।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि डेटा का उपयोग करके अनुमान लगाना बंद करने से, शहर उन बसों पर पैसा बर्बाद करना बंद कर सकते हैं जो कहीं नहीं जातीं और उस संसाधन को वहां लगा सकते हैं जहाँ वास्तव में उनकी आवश्यकता है।

परिणाम: एक स्वच्छ, निष्पक्ष और अधिक कुशल बस प्रणाली जहाँ "स्टार परफॉर्मर्स" शहर को गतिमान रखते हैं, "सुरक्षा जाल" कमजोर वर्गों की रक्षा करता है, "ट्रेन सहायक" कड़ियों को जोड़ते हैं, और "भ्रमित शेफ" को अंततः एक स्पष्ट काम दिया जाता है या उन्हें सेवानिवृत्त कर दिया जाता है।

लेखक स्वीकार करते हैं कि यह समय का एक स्नैपशॉट है (2023 के अंत के डेटा पर आधारित) और उन्होंने इसे केवल गुआंगज़ौ में टेस्ट किया है, लेकिन उन्होंने जिस पद्धति का उपयोग किया है वह एक सार्वभौमिक रेसिपी की तरह है जिसे अन्य शहर अपने लिए बेहतर बस प्रणाली बनाने के लिए आज़मा सकते हैं।

तकनीकी सारांश: सार्वजनिक परिवहन नेटवर्क के व्यापक मूल्यांकन पर आधारित नेटवर्क वर्गीकरण और अनुकूलन का विश्लेषण – गुआंगज़ौ का एक केस स्टडी

समस्या विवरण
मेगासिटीज (विशाल शहरों) में शहरी बस नेटवर्क तीन चुनौतियों का सामना कर रहे हैं: यात्रियों की संख्या में गिरावट, संरचनात्मक अक्षमताएं, और स्थानिक असमानता। मौजूदा मूल्यांकन ढांचे अक्सर टोपोलॉजिकल तर्कसंगतता (topological rationality), सेवा कार्य विविधता, और सामाजिक समानता को अलग-अलग देखते हैं। इसके अलावा, विशेष रूप से "कार्यात्मक रूप से संदिग्ध" (functionally ambiguous) बस मार्गों के लिए अनुकूलित मात्रात्मक अनुकूलन रणनीतियों की कमी है—ऐसे मार्ग जिनका कोई स्पष्ट परिचालन उद्देश्य नहीं है, फिर भी वे महत्वपूर्ण नेटवर्क संसाधनों का उपभोग करते हैं। यह अध्ययन गुआंगज़ौ, चीन पर लागू एक एकीकृत मूल्यांकन और अनुकूलन ढांचे के माध्यम से इन अंतरालों को संबोधित करता है, जहाँ महामारी पूर्व के स्तरों की तुलना में बस यात्री संख्या में 52% की गिरावट आई है, और प्रति किलोमीटर उपनगरीय यात्री संख्या गंभीर रूप से कम बनी हुई है।

कार्यप्रणाली
यह अध्ययन तीन-चरणीय कार्यप्रणाली दृष्टिकोण अपनाता है:

टोपोलॉजिकल मूल्यांकन: एक छह-सूचक प्रणाली नेटवर्क की संरचनात्मक तर्कसंगतता का आकलन करती है। संकेतकों में नेटवर्क घनत्व ( $P_1$ ), कवरेज दर ( $P_2$ ), स्टॉप कवरेज ( $P_3$ ), रूट लंबाई ( $P_4$ ), पुनरावृत्ति गुणांक ( $P_5$ ), और गैर-रेखीय गुणांक ( $P_6$ ) शामिल हैं। इनका बेंचमार्किंग TCRP रिपोर्ट 165 और चीन के शहरी सड़क यातायात योजना के तकनीकी विनिर्देशों जैसे मानकों के विरुद्ध किया गया है।
मशीन लर्निंग के माध्यम से कार्यात्मक वर्गीकरण: एक दो-चरणीय पाइपलाइन 3,214 बस मार्गों को पांच कार्यात्मक संकेतकों के आधार पर वर्गीकृत करती है: आपूर्ति सूचकांक, जनसंख्या कवरेज, गिनी गुणांक (समानता), यात्री प्रवाह, और मेट्रो ओवरलैप गुणांक।
- चरण 1 (अनसुपरवाइज्ड): K-मीन्स क्लस्टरिंग कार्यात्मक प्रकारों की इष्टतम संख्या निर्धारित करती है, जो एल्बो मेथड (elbow method) के माध्यम से $k=4$ की पहचान करती है।
- चरण 2 (सुपरवाइज्ड वैलिडेशन): एक रैंडम फॉरेस्ट क्लासिफायर क्लस्टर्स को मान्य करता है, जो 92.3% क्रॉस-वैलिडेटेड सटीकता प्राप्त करता है। फीचर इम्पॉर्टेंस विश्लेषण मेट्रो ओवरलैप और यात्री प्रवाह को प्राथमिक विभेदक के रूप में रेखांकित करता है।
द्वि-उद्देश्यीय अनुकूलन (Bi-Objective Optimization): पहचाने गए "कार्यात्मक रूप से संदिग्ध" मार्गों के लिए, NSGA-II एल्गोरिदम का उपयोग करके एक मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन मॉडल तैयार किया गया है। यह मॉडल रूट की रेखीयता, हेडवे (headway), और कुल नेटवर्क लंबाई में कमी के प्रतिबंधों के अधीन, रेडंडेंसी (ओवरलैप पेनल्टी) को न्यूनतम करने और समानता सुधार (गिनी गुणांक में कमी) को अधिकतम करने का कार्य एक साथ करता है।

प्रमुख योगदान
यह शोध सार्वजनिक परिवहन नियोजन के क्षेत्र में चार विशिष्ट योगदान देता है:

एकीकृत ढांचा: एक नवीन "संरचना-कार्य-समानता" मूल्यांकन सूचकांक प्रणाली का विकास जो टोपोलॉजिकल मेट्रिक्स को कार्यात्मक और वितरण निष्पक्षता मेट्रिक्स के साथ एकीकृत करती है।
ML-आधारित वर्गीकरण: एक मान्य मशीन लर्निंग ढांचा जो बस मार्गों को चार विशिष्ट सेवा प्रकारों में वर्गीकृत करता है, जिससे 'वन-साइज़-फिट्स-ऑल' दृष्टिकोण के बजाय लक्षित अनुकूलन संभव होता है।
अनुभवजन्य निदान (Empirical Diagnosis): गुआंगज़ौ के नेटवर्क का एक व्यापक विश्लेषण, जो गंभीर संरचनात्मक कमियों को प्रकट करता है, जिसमें नेटवर्क-व्यापी पुनरावृत्ति गुणांक 4.9 (अनुशंसित 2.5 से बहुत अधिक) और कार्यात्मक रूप से संदिग्ध मार्गों की 27% व्यापकता शामिल है।
क्रियाशील अनुकूलन: संदिग्ध मार्गों के लिए एक द्वि-उद्देश्यीय मॉडल जो ठोस रणनीतियाँ उत्पन्न करता है, जो केवल सैद्धांतिक निदान से आगे बढ़कर विशिष्ट, मात्रात्मक हस्तक्षेपों तक जाता है।

परिणाम
गुआंगज़ौ के नेटवर्क (3,214 मार्ग, 6,968 स्टॉप, 54,000 किमी) पर इस ढांचे के अनुप्रयोग से निम्नलिखित निष्कर्ष प्राप्त हुए:

टोपोलॉजिकल अक्षमताएं: जबकि नेटवर्क घनत्व राष्ट्रीय मानकों को पूरा करता है, महत्वपूर्ण विषमताएं मौजूद हैं। ग्रामीण क्षेत्र नेटवर्क की लंबाई का 59% हिस्सा रखते हैं लेकिन यात्री प्रवाह का केवल 17% (200 यात्राएं/किमी/दिन) हैं। औसत रूट लंबाई (16.7 किमी) औसत वास्तविक यात्रा दूरी (7.5 किमी) से दोगुनी से भी अधिक है। केंद्रीय क्षेत्र में अत्यधिक रूट ओवरलैप दिखता है, जहाँ पुनरावृत्ति गुणांक 10 से अधिक है।
कार्यात्मक वर्गीकरण: K-मीन्स क्लस्टरिंग ने चार रूट प्रकारों की पहचान की:
- सामाजिक सुरक्षा-उन्मुख (30.8%): कम प्रवाह लेकिन कमजोर समूहों के लिए न्यायसंगत सेवा।
- लाभ-उन्मुख (6.1%): उच्च यात्री संख्या (कुल प्रवाह का 45.6%) लेकिन उच्च असमानता, जो मुख्य केंद्र में केंद्रित है।
- मेट्रो-एकीकृत (36.4%): मेट्रो लाइनों के साथ उच्च ओवरलैप, जो ट्रांसफर कनेक्टर्स के रूप में कार्य करते हैं।
- कार्यात्मक रूप से संदिग्ध (27.0%): कम आपूर्ति, कम प्रवाह, और मध्यम ओवरलैप, जो अनुकूलन का प्राथमिक लक्ष्य हैं।
अनुकूलन रणनीतियाँ: NSGA-II मॉडल ने 868 संदिग्ध मार्गों के लिए तीन क्रियाशील रणनीतियाँ प्रदान कीं:
1. उच्च-ओवरलैप मार्गों को छोटा करना: 17 मार्गों को, जिनमें >50% मेट्रो ओवरलैप है, औसतन 4.2 किमी कम करने से ओवरलैप पेनल्टी में 38% की कमी और अनुमानित जमीनी यातायात दबाव में 12% की कमी आती है।
2. फीडर रूपांतरण: नियोजित मेट्रो विस्तार (लाइन 10, 11, 12) के साथ ओवरलैप करने वाले 112 मार्गों को उच्च-आवृत्ति फीडर सेवाओं में बदलना, जिससे 3,40,000 निवासियों के लिए लास्ट-माइल कनेक्टिविटी में सुधार होता है।
3. ग्रामीण पुनर्वितरण: 22 ग्रामीण मार्गों के लिए आवृत्ति बढ़ाना और डिमांड-रिस्पॉन्सिव ज़ोन पेश करना, जिससे बुजुर्गों का गिनी गुणांक 0.42 से घटकर 0.35 हो जाता है और यात्री संख्या में 15% की वृद्धि का अनुमान है।

महत्व और सीमाएं
यह शोध दावा करता है कि यह ढांचा ट्रांजिट प्लानर्स को नेटवर्क की अक्षमताओं को पहचानने और समानता-जागरूक हस्तक्षेपों को डिजाइन करने के लिए एक हस्तांतरणीय, डेटा-संचालित दृष्टिकोण प्रदान करता है। यह प्रदर्शित करता है कि मशीन लर्निंग प्रभावी रूप से उन मार्गों की पहचान कर सकती है जिनमें स्पष्ट परिचालन उद्देश्यों की कमी है, जिससे दक्षता और सामाजिक समानता के बीच संतुलन बनाते हुए संसाधनों का पुनर्वितरण संभव होता है।

हालाँकि, लेखक विनम्रतापूर्वक कई सीमाओं को स्वीकार करते हैं:

डेटा सामयिकता (Data Temporality): विश्लेषण अक्टूबर 2023 के IC कार्ड डेटा पर आधारित है; महामारी के बाद के यात्रा व्यवहार स्थिर नहीं हो सकते हैं।
स्थिर समानता धारणा (Static Equity Assumption): गिनी गुणांक की गणना स्थिर जनसंख्या ग्रिड का उपयोग करके की गई है, जो समानता में अस्थायी विविधताओं (जैसे पीक बनाम ऑफ-पीक भीड़) को पकड़ने में विफल रहती है।
एकल-शहर सत्यापन: वर्गीकरण मॉडल को केवल गुआंगज़ौ डेटा पर प्रशिक्षित और मान्य किया गया है; विभिन्न शहरी रूपों वाले अन्य मेगासिटीज में इसकी हस्तांतरणीयता के लिए और अधिक परीक्षण की आवश्यकता है।

लेखकों द्वारा प्रस्तावित भविष्य के कार्यों में गतिशील मूल्यांकन के लिए रीयल-टाइम डेटा को शामिल करना, क्रॉस-सिटी ट्रांसफर लर्निंग फ्रेमवर्क विकसित करना, और इंटरैक्टिव परिदृश्य विश्लेषण के लिए डिजिटल ट्विन प्लेटफॉर्म में अनुकूलन मॉडल को एकीकृत करना शामिल है।

1. निदान: रसोई के स्वास्थ्य का मापन

2. बसों की छंटनी: "चार प्रकार के शेफ"

3. समाधान: तीन-चरणीय योजना

निष्कर्ष

इसी तरह के और पेपर