मौसम की भविष्यवाणी करने की कोशिश करें, लेकिन बादलों और हवा के बजाय, आप एक सबवे सिस्टम के माध्यम से गुजरने वाले हजारों लोगों को ट्रैक कर रहे हैं। यह शहरी रेल पारगमन भविष्यवाणी (urban rail transit prediction) की दुनिया है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक यह अनुमान लगाने की कोशिश करते हैं कि अगले कुछ मिनटों में एक ट्रेन स्टेशन में कितने यात्री प्रवेश करेंगे। यह क्यों मायने रखता है? क्योंकि यदि आप जानते हैं कि भीड़ कब आने वाली है, तो आप अधिक टिकट गेट खोल सकते हैं, अतिरिक्त ट्रेनें भेज सकते हैं, और सभी को दबने या फंसने से बचा सकते हैं। ऐसा करने के लिए, कंप्यूटरों को एक साथ दो जटिल चीजों को समझने की आवश्यकता होती है: स्थान (कैसे स्टेशन एक जाल की तरह आपस में जुड़े हुए हैं) और समय (कैसे भीड़ ज्वार-भाटे की तरह आती-जाती रहती है)। पुराने कंप्यूटर प्रोग्राम कठोर रोबोटों की तरह थे; वे केवल सरल, सीधी रेखा वाले नियमों का पालन कर सकते थे और व्यस्त शहर की अव्यवस्थपूर्ण, बदलती वास्तविकता को नहीं संभाल सकते थे। वे यह देखने में संघर्ष करते थे कि एक स्टेशन सुबह शांत हो सकता है लेकिन दोपहर के भोजन के समय अराजक हो सकता है, या एक स्टेशन पर देरी एक मील दूर स्थित स्टेशन को प्रभावित करने के लिए लहरों की तरह फैल सकती है।

यहाँ शोधकर्ताओं की एक नई टीम आई है जिन्होंने AGHA-Net नामक एक स्मार्ट, अधिक लचीला डिजिटल मस्तिष्क बनाया है। इस नई पद्धति को एक अत्यंत चौकस कंडक्टर के रूप में सोचें जो न केवल एक स्थिर मानचित्र को देखता है, बल्कि वास्तव में वास्तविक समय में भीड़ को चलते हुए देखता है। यह मानते हुए नहीं कि सबवे स्टेशनों के बीच के संबंध स्थिर हैं, AGHA-Net चलते-फिरते मानचित्र को फिर से बनाने (redraw) में सक्षम है, यह नोटिस करता है कि रश ऑवर के उछाल के कारण कौन से स्टेशन अचानक एक-दूसरे से "बात" कर रहे हैं। यह इसे एक विशेष 'अटेंशन सिस्टम' के साथ जोड़ता है जो मानव स्मृति की तरह कार्य करता है, जो न केवल पिछले पांच मिनटों में क्या हुआ था उसे याद रखता है, बल्कि घंटों या दिनों पहले के पैटर्न को भी पहचान लेता है। शोधकर्ताओं ने चीन के हांग्जो मेट्रो (Hangzhou Metro) के वास्तविक डेटा पर इसका परीक्षण किया। उन्होंने पाया कि AGHA-Net पुराने तरीकों की तुलना में यात्री संख्या की भविष्यवाणी करने में काफी बेहतर है, और चाहे वह 15 मिनट या 45 मिनट आगे की भविष्यवाणी कर रहा हो, यह कम गलतियाँ करता है। यह एक ऐसे क्रिस्टल बॉल से अपग्रेड करने जैसा है जो केवल धूप वाले दिनों में काम करता है, एक उच्च-तकनीकी मौसम रडार में जो तूफान के बीच भी देख सकता है।

पुराने मानचित्रों के साथ समस्या

कल्पना कीजिए कि आप दस साल पहले बनाए गए और कभी अपडेट न किए गए मानचित्र का उपयोग करके शहर में रास्ता खोजने की कोशिश कर रहे हैं। यदि एक नया पुल खुलता है या कोई सड़क बंद हो जाती है, तो आपका मानचित्र बेकार हो जाता है। कई पुराने सबवे भविष्यवाणी उपकरणों के साथ यही हुआ। वे एक पूर्व-निर्धारित मानचित्र (जिसे एडजेसेंसी मैट्रिक्स कहा जाता है) पर निर्भर थे जो कहता था, "स्टेशन A, स्टेशन B से जुड़ा है," और हमेशा उसी पर टिके रहते थे। लेकिन वास्तविक दुनिया में, स्टेशनों के बीच का "संबंध" लगातार बदलता रहता है। सुबह के रश ऑवर के दौरान, एक ऑफिस पार्क के पास का स्टेशन सबसे महत्वपूर्ण केंद्र हो सकता है, जबकि रात में, शॉपिंग मॉल के पास का स्टेशन प्रमुख हो जाता है। पुराने मॉडल इस अनुकूलन में सक्षम नहीं थे; वे अपने स्थिर मानचित्र के साथ फंसे हुए थे, जिससे वे भीड़ के गतिशील नृत्य को देखने में चूक जाते थे।

इसके अलावा, ये पुराने मॉडल अतीत को याद रखने में खराब थे। वे पिछले कुछ मिनटों के डेटा को देख सकते थे लेकिन लंबे समय के रुझानों को समझने में संघर्ष करते थे, जैसे कि मंगलवार के सफर और शनिवार की रात की पार्टी के बीच का अंतर। वे अक्सर ऐसी गलतियाँ करते थे जो भविष्य में जितनी दूर जाने की कोशिश करते, उतनी ही बढ़ती जाती थीं।

नया समाधान: AGHA-Net

लेखक AGHA-Net का प्रस्ताव देते हैं, एक ऐसी विधि जो कंप्यूटर को तीन महाशक्तियाँ देकर इन समस्याओं को ठीक करती है:

1. आकार बदलने वाला मानचित्र (Adaptive Graph Convolution)
एक निश्चित मानचित्र का उपयोग करने के बजाय, AGHA-Net एक लर्नेबल नोड एम्बेडिंग (learnable node embedding) का उपयोग करता है। कल्पना कीजिए कि प्रत्येक सबवे स्टेशन के पास एक गुप्त आईडी कार्ड है जो दिन के समय के आधार पर अपना आकार बदल लेता है। कंप्यूटर इन आईडी कार्डों को देखता है और पता लगाता है कि अभी कौन से स्टेशन "दोस्त" हैं। यदि सुबह का रश स्टेशन A और स्टेशन B को इस तरह व्यवहार करने पर मजबूर करता है कि वे बिल्कुल बगल में हों, तो कंप्यूटर उनके बीच एक नई रेखा खींच देता है। इसे एडैप्टिव ग्राफ कन्वोल्यूशन (Adaptive Graph Convolution - AdaGCN) कहा जाता है। यह मॉडल को केवल कागज के मानचित्र पर मौजूद संबंधों के बजाय, स्टेशनों के बीच के वास्तविक, बदलते संबंधों को पकड़ने की अनुमति देता है।

2. मेमोरी गियर्स (Spatiotemporal Gated Unit)
एक बार जब मानचित्र अपडेट हो जाता है, तो मॉडल को लोगों के प्रवाह को प्रोसेस करने की आवश्यकता होती है। शोधकर्ताओं ने ST-GRU (स्पैटियोटेम्पोरल गेटेड रिकरेंट यूनिट) नामक एक विशेष इंजन बनाया है। इसे एक गियर सिस्टम के रूप में सोचें जो दो चीजों को एक साथ मिलाता है: कहाँ (स्थानिक) और कब (कालिक)। पुराने मॉडलों में, कंप्यूटर पहले मानचित्र को देखता था, फिर घड़ी को देखता था, और फिर अनुमान लगाने की कोशिश करता था। AGHA-Net दोनों को एक साथ करता है। यह भीड़ के स्थान और गति की अपनी स्मृति को एक ही धड़कन में अपडेट करता है, जिससे यह ट्रैफिक के अचानक उछाल या गिरावट को बहुत तेजी से पकड़ पाता है।

3. डबल-लेंस अटेंशन (Hybrid Attention)
अंत में, मॉडल को बड़ी तस्वीर देखने की आवश्यकता होती है। शोधकर्ताओं ने एक हाइब्रिड अटेंशन (Hybrid Attention) लेयर जोड़ी है जिसमें दो अलग-अलग लेंस समानांतर में काम करते हैं:

• सीक्वेंशियल सेल्फ-अटेंशन (Sequential Self-Attention): यह एक वाइड-एंगल लेंस की तरह है जो लंबी अवधि के पैटर्न खोजने के लिए पूरी टाइमलाइन को स्कैन करता है। यह आज की भविष्यवाणी करने में मदद करने के लिए पूछता है, "पिछले सप्ताह इस समय क्या हुआ था?"
• बाइलीनियर टेम्पोरल अटेंशन (Bilinear Temporal Attention): यह एक विशेष, कुशल लेंस है जो जानकारी को संकुचित (compress) करता है। हर एक सेकंड को देखने के बजाय (जो बहुत धीमा होगा), यह डेटा को एक प्रबंधनीय आकार में सिकोड़ देता है ताकि छिपे हुए रुझानों को खोजा जा सके। यह एक जासूस की तरह है जो डायरी का हर शब्द नहीं पढ़ता बल्कि जल्दी से आवर्ती विषयों को पहचान लेता है।

प्रयोगों ने क्या दिखाया

टीम ने हांग्जो में तीन मेट्रो लाइनों के 80 स्टेशनों के वास्तविक यात्री डेटा का उपयोग करके AGHA-Net का परीक्षण किया, जिसमें 1 जनवरी से 25 जनवरी 2019 तक का डेटा शामिल था। उन्होंने विभिन्न समय अंतरालों को देखा: 15 मिनट, 30 मिनट, और 45 मिनट।

परिणाम स्पष्ट थे: AGHA-Net इस खेल में सर्वश्रेष्ठ था।

• 15-मिनट की भविष्यवाणी के लिए, इसने 21.65 की त्रुटि दर (MAE) प्राप्त की, जबकि अगले सर्वश्रेष्ठ मॉडल के लिए यह 24.01 थी।
• 30 मिनट के लिए, इसकी त्रुटि 22.37 थी, जिसने प्रतिस्पर्धा को पीछे छोड़ दिया।
• यहाँ तक कि कठिन 45-मिनट की भविष्यवाणी के लिए भी, यह 22.96 की त्रुटि के साथ सटीक बना रहा।

शोधकर्ताओं ने यह भी जांचा कि यह विभिन्न प्रकार के स्टेशनों पर कितनी अच्छी तरह काम करता है:

• कम्यूटर स्टेशन (स्टेशन A): वे स्थान जहाँ सुबह और शाम को भारी भीड़ होती है। AGHA-Net ने काम पर जाने वाली भीड़ के "ज्वारीय" पैटर्न को बखूबी पकड़ा।
• व्यावसायिक स्टेशन (स्टेशन B): उच्च मात्रा के साथ पूरे दिन व्यस्त। मॉडल ने बिना भ्रमित हुए निरंतर अराजकता को संभाला।
• आवासीय स्टेशन (स्टेशन C): शाम के उछाल के दौरान दिन में शांत। इसने शाम की भीड़ से पहले की शांति का सटीक अनुमान लगाया।

यह क्यों मायने रखता है

यह साबित करने के लिए कि उनकी नई मशीन का प्रत्येक हिस्सा आवश्यक था, शोधकर्ताओं ने "एब्लेशन स्टडीज" (ablation studies) चलाईं—मूल रूप से, उन्होंने एक-एक करके मॉडल के हिस्सों को निकाला यह देखने के लिए कि क्या टूट जाता है।

• जब उन्होंने एडैप्टिव ग्राफ कन्वोल्यूशन (आकार बदलने वाला मानचित्र) को हटाया, तो त्रुटि 35% से अधिक बढ़ गई। इससे सिद्ध हुआ कि एक निश्चित मानचित्र पर्याप्त नहीं है।
• जब उन्होंने बाइलीनियर टेम्पोरल अटेंशन (कुशल लेंस) को हटाया, तो भविष्य की भविष्यवाणी करने के प्रयास में मॉडल ने अधिक गलतियाँ करना शुरू कर दिया। इससे पता चला कि भविष्य में त्रुटियों को जमा होने से रोकने के लिए यह हिस्सा अत्यंत महत्वपूर्ण है।

पेपर यह निष्कर्ष निकालता है कि एक लचीले मानचित्र, तुरंत अपडेट होने वाली स्मृति और एक दोहरे-लेंस वाले अटेंशन सिस्टम को जोड़कर, AGHA-Net सबवे की भीड़ की भविष्यवाणी करने का एक बहुत अधिक विश्वसनीय तरीका प्रदान करता है। यह केवल एक गणितीय ट्रिक नहीं है; इसका अर्थ है कि शहर योजनाकार बेहतर निर्णय ले सकते हैं, जब वास्तव में आवश्यकता हो तब ट्रेनें भेज सकते हैं, और सभी के लिए सबवे को सुचारू रूप से चलाने में मदद कर सकते हैं। हालाँकि मॉडल वर्तमान में दिए गए डेटा को संभालने में बहुत अच्छा है, लेखक सुझाव देते हैं कि भविष्य के संस्करण और भी स्मार्ट होने के लिए मौसम या छुट्टियों जैसे बाहरी कारकों को भी देख सकते हैं।