Real-Time Urban Traffic Flow Prediction Based on Graph Convolutional Networks and Big Data Analytics

शहर की कल्पना एक विशाल, जीवित जीव के रूप में करें। इसकी सड़कें नसें हैं, जो कारों, बसों और ट्रकों के जीवनरक्त को ले जाती हैं। ठीक मानव शरीर की तरह, इस शहर-जीव का एक जटिल तंत्रिका तंत्र है: चौराहों और राजमार्गों पर लगे सेंसर नन्ही आँखों और कानों की तरह कार्य करते हैं, जो लगातार इस बात पर नज़र रखते हैं कि रक्त कितनी तेज़ी से बह रहा है और कहाँ अटक रहा है। लंबे समय तक, वैज्ञानिकों ने सरल गणित का उपयोग करके ट्रैफिक जाम की भविष्यवाणी करने की कोशिश की, जैसे कि एक सीधी रेखा को देखना और यह अनुमान लगाना कि वह आगे कहाँ जाएगी। लेकिन शहर सीधी रेखाएँ नहीं हैं; वे उलझे हुए, घुमावदार जाल हैं जहाँ एक पड़ोस में रुकावट एक लहर की तरह फैल सकती है और तीन मील दूर अराजकता पैदा कर सकती है। यह "इंटेलिजेंट ट्रांसपोर्टेशन" (बुद्धिमान परिवहन) की दुनिया है, जो कंप्यूटर का उपयोग करके इन जटिल पैटर्न को समझने के लिए समर्पित एक क्षेत्र है ताकि हम यातायात को सुचारू रूप से चला सकें। बड़ी चुनौती यह है कि ट्रैफिक डेटा विशाल, अव्यवस्थित है और हर सेकंड बदलता रहता है, जिससे पुराने कंप्यूटरों के लिए यह समझना मुश्किल हो जाता है कि आगे क्या होने वाला है।

इस शोध पत्र में वर्णित एक नए प्रकार के डिजिटल जासूसी कार्य में प्रवेश करें। लेखक, एझो वोकेशनल यूनिवर्सिटी के जियानमिंग झांग, एक ऐसी प्रणाली का प्रस्ताव करते हैं जो शहर के सड़क नेटवर्क को संख्याओं की सूची के रूप में नहीं, बल्कि एक विशाल, जुड़े हुए मानचित्र—एक "ग्राफ" के रूप में देखती है। इस ग्राफ की कल्पना सड़कों के सोशल नेटवर्क की तरह करें: प्रत्येक चौराहा एक व्यक्ति (नोड) है, और उन्हें जोड़ने वाली प्रत्येक सड़क एक दोस्ती (एज) है। शोध पत्र एक विशेष प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करने का सुझाव देता है जिसे ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) कहा जाता है। यदि आप पारंपरिक AI की कल्पना एक ऐसे छात्र के रूप में करते हैं जो केवल एक समय में किताब का एक पन्ना पढ़ता है, तो एक GCN उस छात्र की तरह है जो एक साथ पूरी कक्षा को देख सकता है, यह देख सकता है कि प्रत्येक छात्र अपने पड़ोसियों से कैसे बात कर रहा है ताकि पूरे कमरे के मिजाज को समझा जा सके। सड़कों के इस "सोशल नेटवर्क" दृश्य को "बिग डेटा" (वास्तविक समय की भारी मात्रा में जानकारी) के साथ जोड़कर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो वास्तविक समय में ट्रैफिक प्रवाह की भविष्यवाणी कर सकती है।

शोध ने इस विचार का परीक्षण एक प्रमुख पूर्वी एशियाई शहर के विशाल डेटासेट का उपयोग करके किया, जिसमें 2023 में छह महीनों में लगभग 218 सेंसरों से डेटा एकत्र किया गया। इन सेंसरों ने हर पांच मिनट में ट्रैफिक प्रवाह, गति और लेन कितनी भरी हुई थी, इसे रिकॉर्ड किया। शोधकर्ताओं ने इस डेटा को अपने नए "स्पैटियो-टेम्पोरल GCN" मॉडल में डाला, जो सड़कों के भौतिक लेआउट (स्थान) और समय के साथ ट्रैफिक में होने वाले बदलावों (समय) दोनों को समझने के लिए डिज़ाइन किया गया है। परिणाम उत्साहजनक थे: नया मॉडल LSTM (एक प्रकार का मेमोरी-आधारित AI) और मानक GCN जैसे पुराने तरीकों की तुलना में अधिक सटीक था। विशेष रूप से, 15 मिनट आगे की भविष्यवाणी करते समय, नए मॉडल में औसत त्रुटि 47.9 कारें थी; 30 मिनट के लिए, 67.2 कारें; और 60 मिनट के लिए, 114.6 कारें थी। इसकी तुलना में, पुराने मॉडलों ने बड़ी गलतियाँ कीं, जहाँ त्रुटियाँ समय सीमा के आधार पर 55.8 से लेकर 159 कारों से अधिक तक थीं।

यह पत्र इस बात पर प्रकाश डालता है कि यह नया दृष्टिकोण उन अव्यवस्थित, वास्तविक दुनिया की स्थितियों को संभालने में विशेष रूप से अच्छा है जो अन्य प्रणालियों को उलझा देती हैं। उदाहरण के लिए, जब शोधकर्ताओं ने जून में भारी बारिश के दौरान मॉडल का परीक्षण किया, तो यह अधिक लचीला साबित हुआ। यहाँ तक कि जब उन्होंने यह नाटक किया कि 10% सेंसर खराब हैं या डेटा गायब है, तब भी नए मॉडल की त्रुटि दर 18% से कम बढ़ी, जबकि पुराने LSTM मॉडल की त्रुटि 35% से अधिक बढ़ गई। यह सुझाव देता है कि नया सिस्टम सूचना गायब होने पर "खाली जगहों को भरने" में बेहतर है, क्योंकि यह संभवतः यह समझता है कि सड़कें एक-दूसरे से कैसे जुड़ी हुई हैं। शोधकर्ताओं ने यह भी नोट किया कि हालांकि मॉडल बेहतरीन है, लेकिन यह नदी के किनारों और बार-बार होने वाली अनियोजित दुर्घटनाओं वाले क्षेत्रों के पास थोड़ा संघर्ष करता है, जो यह दर्शाता है कि इन घटनाओं के बारे में विशिष्ट डेटा जोड़ने से यह और भी बेहतर हो सकता है।

अंततः, यह पत्र सुझाव देता है कि शहर को एक जुड़े हुए ग्राफ के रूप में मानकर और उस ग्राफ के पैटर्न को पढ़ने के लिए डीप लर्निंग का उपयोग करके, हम स्मार्ट ट्रैफिक सिस्टम बना सकते हैं। लेखक का तर्क है कि यह विधि पिछले तकनीकों की तुलना में अधिक सटीक और स्थिर है, विशेष रूप से जटिल, परिवर्तनशील वातावरण में। हालांकि वे यह दावा नहीं करते हैं कि उन्होंने ट्रैफिक को हमेशा के लिए हल कर दिया है, उनके प्रयोग दिखाते हैं कि यह डेटा-संचालित दृष्टिकोण शहरी गतिशीलता के प्रबंधन के लिए एक मजबूत कदम है, जो संभावित रूप से शहरों को उनकी "नसों" को साफ रखने और उनके "तंत्रिका तंत्र" को शांत रखने में मदद कर सकता है।