Classification of High-Risk Paratransit Drivers Using Ensemble Machine Learning
यह अध्ययन गाजीपुर, बांग्लादेश में सामाजिक-आर्थिक और परिचालन कारकों के आधार पर उच्च-जोखिम वाले पैराट्रांजिट ड्राइवरों को वर्गीकृत करने के लिए मशीन लर्निंग एल्गोरिदम के एक समूह का उपयोग करता है, जिसमें लॉजिस्टिक रिग्रेशन सबसे प्रभावी मॉडल के रूप में उभरा है, जिससे परिवहन अधिकारियों को लक्षित सुरक्षा हस्तक्षेपों के लिए एक डेटा-संचालित उपकरण प्राप्त होता है।
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
एक शहर की कल्पना एक विशाल, जीवित जीव के रूप में करें। कई विकासशील शहरों में, "औपचारिक" परिवहन प्रणाली—जैसे निश्चित समय सारणी पर चलने वाली बड़ी बसें—अक्सर कंकाल की तरह होती है, लेकिन इसमें कुछ हड्डियाँ गायब होती हैं। जब कंकाल हर कोने तक नहीं पहुँच पाता, तो छोटे वाहनों (रिक्शा, मोटर चालित तीन पहिया वाहन और ई-बाइक) की एक लचीली, अनौपचारिक परत इन अंतरालों को भरने के लिए आगे आती है। यह अनौपचारिक परत शहर की रोग प्रतिरोधक क्षमता (इम्यून सिस्टम) और उसकी आपातकालीन प्रतिक्रिया टीम का मिश्रण है; यह लोगों को तब भी चलते रहने में मदद करती है जब बाढ़ आती है, हड़ताल होती है, या ईंधन खत्म हो जाता है। लेकिन किसी भी रोग प्रतिरोधक क्षमता की तरह, इसकी भी कमजोरियाँ होती हैं। इस प्रणाली का सबसे बड़ा चर (variable) सड़क या मौसम नहीं है; वह ड्राइवर है। दशकों से, सुरक्षा विशेषज्ञ यह पता लगाने की कोशिश कर रहे हैं कि दुर्घटनाग्रस्त होने की संभावना किसकी है, लेकिन वे पुराने गणित का उपयोग करते हैं जो दुर्घटनाओं को दीवार पर निशान लगाने की तरह गिनता है। अतीत की दुर्घटनाओं को गिनना वैसा ही है जैसे बारिश होने के बाद ज़मीन पर बने गड्ढों को देखकर तूफान की भविष्यवाणी करने की कोशिश करना। असली चुनौती पहली बूंद गिरने से पहले "तूफान के बादलों" को पहचानने की है। यहीं पर विज्ञान की एक नई शाखा, जिसे मशीन लर्निंग कहा जाता है, काम आती है। मशीन लर्निंग को एक भविष्य बताने वाले जादुई गोले के रूप में नहीं, बल्कि एक अत्यंत बुद्धिमान जासूस के रूप में समझें जो एक ड्राइवर की पूरी जीवन कहानी—उनकी आय, उनका वाहन, उनकी आदतें—को देखता है ताकि यह अनुमान लगाया जा सके कि कल कौन मुसीबत में पड़ सकता है, बजाय इसके कि केवल कल जो हुआ उसके लिए उन्हें दंडित किया जाए।
यह शोध पत्र इसी जासूसी कार्य के बारे में है। शोधकर्ताओं की एक टीम गाजीपुर, बांग्लादेश में गई—जो एक हलचल भरा औद्योगिक शहर है जहाँ हजारों ऐसे अनौपचारिक ड्राइवर काम करते हैं—यह देखने के लिए कि क्या वे एक बेहतर "जोखिम रडार" बना सकते हैं। उन्होंने 507 ड्राइवरों का साक्षात्कार लिया, जिसमें उनके दैनिक जीवन, उनकी कमाई, उनके वाहनों और उनके दुर्घटना इतिहास के बारे में पूछा गया। केवल यह गिनने के बजाय कि किसी व्यक्ति का कितनी बार एक्सीडेंट हुआ, उन्होंने पांच अलग-अलग मशीन लर्निंग एल्गोरिदम (डिजिटल मस्तिष्क पैटर्न) का उपयोग किया ताकि इन ड्राइवरों को दो समूहों में वर्गीकृत किया जा सके: "सुरक्षित" (Safe) और "उच्च-जोखिम" (High-Risk)। वे यह देखना चाहते थे कि क्या ये डिजिटल जासूस पुराने गणितीय तरीकों की तुलना में खतरनाक ड्राइवरों को बेहतर ढंग से पहचान सकते हैं।
परिणाम थोड़े आश्चर्यजनक और बहुत व्यावहारिक थे। शोधकर्ताओं ने पाया कि उनके पास मौजूद सबसे सरल उपकरण, एक मॉडल जिसे 'लॉजिस्टिक्स रिग्रेशन' (Logistic Regression) कहा जाता है, ने वास्तव में सबसे अच्छा काम किया। इसने वास्तव में जोखिम वाले ड्राइवरों में से लगभग 57% को सही ढंग से पहचाना, जो पारंपरिक गणना विधियों की तुलना में एक बहुत बड़ा सुधार था—उन्हें पकड़ने में लगभग 40% बेहतर। पुराने तरीके इतने सटीक होने पर केंद्रित थे कि वे वास्तविक समस्या पैदा करने वालों को पहचानने में चूक जाते थे। हालाँकि, नया मॉडल संभावित खतरों को पहचानने में बेहतर था, भले ही इसने कभी-कभार गलती से एक सुरक्षित ड्राइवर को भी चिह्नित किया (जिसे शोधकर्ताओं ने एक सुरक्षित समझौता माना, क्योंकि एक खतरनाक ड्राइवर को पहचानने से चूक जाने की तुलना में गलत तरीके से चिह्नित करना बेहतर था)।
इस कहानी का सबसे दिलचस्प हिस्सा वह है जो मॉडल ने यह पता लगाने के लिए खोजा कि ड्राइवर जोखिम भरे क्यों होते हैं। डेटा ने एक आम धारणा को ध्वस्त कर दिया: कि जिस ड्राइवर के पास जितना अधिक अनुभव होता है, वह उतना ही सुरक्षित होता है। इस अध्ययन में, "उच्च-जोखिम" समूह में वास्तव में "सुरक्षित" समूह (औसत 6.2 वर्ष) की तुलना में ड्राइविंग का अधिक अनुभव (औसत 8.6 वर्ष) था। शोधकर्ता सुझाव देते हैं कि ऐसा इसलिए हो सकता है क्योंकि अनुभवी ड्राइवर अति-आत्मविश्वासी या लापरवाह हो जाते हैं, यह सोचकर कि वे सड़कों को इतनी अच्छी तरह जानते हैं कि उनसे गलतियाँ नहीं हो सकतीं। यह एक अनुभवी गेमर की तरह है जो यह सोचकर कोनों की जाँच करना बंद कर देता है कि उसने सब कुछ पहले ही देख लिया है।
एक और बहुत बड़ा रेड फ्लैग (चेतावनी का संकेत) वाहन का प्रकार था। मोटर चालित तीन-पहिया वाहन (जैसे सीएनजी ऑटो-रिक्शा) चलाने वाले ड्राइवर, गैर-मोटर चालित रिक्शा या ई-बाइक चलाने वालों की तुलना में लगभग तीन गुना अधिक उच्च-जोखिम वाले होने की संभावना रखते थे। मशीन लर्निंग मॉडल ने वाहन के प्रकार को सबसे महत्वपूर्ण सुराग माना, जो उम्र या शिक्षा से भी अधिक महत्वपूर्ण था। यह स्पष्ट है कि मोटर चालित वाहनों की गति और शक्ति, अधिक पैसा कमाने के दबाव के साथ मिलकर, दुर्घटनाओं के लिए एक आदर्श स्थिति पैदा करती है।
तो, वास्तविक दुनिया के लिए इसका क्या अर्थ है? शोध पत्र सुझाव देता है कि शहर के अधिकारियों को केवल दुर्घटना होने का इंतज़ार नहीं करना चाहिए और फिर ड्राइवरों को दंडित नहीं करना चाहिए। इसके बजाय, वे लाइसेंस नवीनीकरण से पहले ड्राइवरों की जांच करने के लिए इस "जोखिम रडार" का उपयोग कर सकते हैं। यदि किसी ड्राइवर के पास मोटर चालित वाहन है, उच्च दैनिक आय है (जिसका अर्थ हो सकता है कि वे जल्दबाजी कर रहे हैं), और बहुत अधिक अनुभव है, तो सिस्टम उन्हें रिफ्रेशर कोर्स या सुरक्षा जांच के लिए चिह्नित कर सकता है। शोधकर्ता तर्क देते हैं कि यह दृष्टिकोण लाइसेंस धारकों की एक उबाऊ प्रशासनिक सूची को एक जीवित सुरक्षा मानचित्र में बदल देता है। इसके लिए महंगे कैमरों या सेंसरों की आवश्यकता नहीं है; यह केवल उस जानकारी का उपयोग करता है जो शहर के पास पहले से ही मौजूद है। वाहन के प्रकार, अनुभव और आर्थिक दबाव के विशिष्ट मिश्रण पर ध्यान केंद्रित करके, शहर अपने सबसे संवेदनशील परिवहन स्तर की रक्षा कर सकते हैं, जिससे शहर की "रोग प्रतिरोधक क्षमता" मजबूत और भविष्य की चुनौतियों के लिए तैयार बनी रहे।
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।