Intrinsic predictability rather than urban structure governs machine learning forecast skill for electricity demand
यह शोध पत्र यह तर्क देता है कि शहरी बिजली की मांग के लिए मशीन लर्निंग मॉडल का पूर्वानुमान कौशल मुख्य रूप से एक शहर के ऐतिहासिक लोड पैटर्न की अंतर्निहित पूर्वानुमेयता (विशेष रूप से मौसमी परिवर्तनशीलता और तापमान संवेदनशीलता) द्वारा निर्धारित होता है, न कि शहर की संरचनात्मक विशेषताओं या भौगोलिक स्थिति द्वारा।
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
शहर अपनी बिजली की जरूरतों को प्रबंधित करने के लिए तेजी से आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर मुड़ रहे हैं, इस उम्मीद में कि स्मार्ट एल्गोरिदम सटीक रूप से अनुमान लगा सकते हैं कि अगले महीने लोग कितनी बिजली का उपयोग करेंगे। सटीकता का यह वादा आधुनिक शहरी नियोजन के केंद्र में है, जहाँ अधिकारियों को ग्रिड को संतुलित करने, लागत कम करने और उत्सर्जन को कम करने के बीच सामंजस्य बिठाना होता है। तर्क सीधा प्रतीत होता है: यदि कोई कंप्यूटर मांग का सटीक पूर्वानुमान लगा सकता है, तो यह सिद्ध होता है कि शहर की ऊर्जा प्रणाली अच्छी तरह से समझी गई है; यदि पूर्वानुमान विफल होता है, तो यह सुझाव देता है कि उस विशिष्ट शहर के बुनियादी ढांचे या व्यवहार के भीतर कुछ छिपा हुआ या टूटा हुआ है। इस धारणा ने सार्वजनिक प्रशासन के लिए मशीन लर्निंग उपकरणों में निवेश की एक लहर को प्रेरित किया है, जो भविष्यवाणी की त्रुटियों को स्थानीय समस्याओं के प्रत्यक्ष सुराग के रूप में देखते हैं जिन्हें ठीक करने की आवश्यकता है। हालाँकि, यह दृष्टिकोण एक महत्वपूर्ण, अक्सर अनछुए विश्वास पर आधारित है: कि भविष्य की भविष्यवाणी करने की मॉडल की क्षमता स्वयं शहर की अनूठी संरचना पर निर्भर करती है।
एक नया अध्ययन इस मौलिक विश्वास को चुनौती देता है, जो संयुक्त राज्य अमेरिका के छियालीस बड़े शहरों में बिजली की मांग को देखता है। शोधकर्ताओं ने, जिनका नेतृत्व महयार हसानी और सहयोगियों ने किया, केवल एक बेहतर पूर्वानुमान इंजन नहीं बनाया; उन्होंने यह परीक्षण करने के लिए एक नैदानिक उपकरण (डायग्नोस्टिक टूल) बनाया कि क्या इंजन की सफलता या विफलता वास्तव में हमें किसी शहर के बारे में कुछ बताती है। उन्होंने 2007 से 2018 तक बारह वर्षों के मासिक बिजली डेटा का विश्लेषण किया, और एक कठोर परीक्षण पद्धति लागू की जो कंप्यूटर को भविष्य के डेटा का उपयोग करने से रोकती है। उनका लक्ष्य यह देखना था कि क्या भविष्यवाणियों की सटीकता इसलिए भिन्न थी क्योंकि शहर बड़ा था, या वह समृद्ध था, या उसके भवनों की व्यवस्था कैसी थी, या क्या यह भिन्नता किसी और चीज़ से आई थी।
परिणाम आश्चर्यजनक थे। अध्ययन में पाया गया कि मशीन लर्निंग मॉडल का कौशल शहर के आकार, उसकी जनसंख्या, या उसके विशिष्ट शहरी लेआउट से लगभग पूरी तरह से असंबंधित था। दस लाख लोगों वाले शहर को दो लाख पचास हजार लोगों वाले शहर की तुलना में स्वाभाविक रूप से अनुमान लगाना आसान या कठिन नहीं था। इसके बजाय, मांग का पूर्वानुमान लगाने की क्षमता पूरी तरह से शहर के बिजली उपयोग के इतिहास द्वारा नियंत्रित थी, विशेष रूप से दो सरल पैटर्न: मांग मौसमों का कितनी मजबूती से अनुसरण करती है और वह तापमान का कितनी बारीकी से पता लगाती है। सर्दियों में हीटिंग और गर्मियों में कूलिंग का एक मजबूत, अनुमानित लय रखने वाले शहर पूर्वानुमान के लिए आसान थे, चाहे वे रेगिस्तान में हों या मिडवेस्ट में। मध्यम जलवायु वाले शहर, जहाँ मौसम और बिजली का उपयोग महीने दर महीने नाटकीय रूप से नहीं बदलता था, पूर्वानुमान के लिए बहुत कठिन थे। शोधकर्ताओं ने पाया कि इन दो कारकों—मौसमी लय और तापमान संवेदनशीलता—ने पूर्वानुमान सटीकता के बीच के लगभग सभी अंतरों की व्याख्या की।
इस निष्कर्ष पर पहुँचने के लिए, टीम को भ्रम के कई स्तरों को हटाना पड़ा। उन्होंने अपने उन्नत मशीन लर्निंग मॉडलों की तुलना एक बहुत ही सरल नियम से की: यह अनुमान लगाना कि अगले महीने की बिजली का उपयोग पिछले वर्ष के उसी महीने के समान होगा। लगभग आधे शहरों में, इस सरल "सीज़नल-नैइव" (ऋतुनिष्ठ-सरल) नियम ने जटिल आर्टिफिशियल इंटेलिजेंस के समान ही प्रदर्शन किया। कुछ मामलों में, सरल नियम वास्तव में बेहतर था। इससे पता चला कि कई शहरों के लिए, मौसमों का "सिग्नल" इतना मजबूत था कि कोई भी कंप्यूटर शक्ति उसमें बहुत अधिक मूल्य नहीं जोड़ सकती थी। उन शहरों के लिए जहाँ जटिल मॉडल बेहतर प्रदर्शन करते थे, सुधार अक्सर मामूली था। अध्ययन ने प्रदर्शित किया कि जब कोई मॉडल किसी शहर की मांग की भविष्यवाणी करने में विफल रहता है, तो यह शायद ही कभी इसलिए होता है क्योंकि शहर अराजक है या खराब तरीके से शासित है। इसके बजाय, विफलता आमतौर पर इसलिए होती है क्योंकि शहर के बिजली उपयोग में शुरू से ही कोई मजबूत, अनुमानित पैटर्न नहीं होता है।
शोधकर्ताओं ने डेटा को संभालने के तरीके में एक छिपे हुए खतरे का भी खुलासा किया। उन्होंने दिखाया कि गायब डेटा बिंदुओं को एक दोहराए गए मान (रिपीटेड वैल्यू) के साथ भरने की एक सामान्य, नियमित प्रक्रिया एक नकली भौगोलिक पैटर्न बना सकती है। यदि कुछ शहरों के पास गायब डेटा था जिसे इस तरह भरा गया था, तो मॉडल अचानक एक विशिष्ट क्षेत्र में विफल होता हुआ दिखाई देगा, जिससे एक क्षेत्रीय समस्या का भ्रम पैदा होगा जो वास्तव में मौजूद नहीं थी। यह निष्कर्ष एक सख्त चेतावनी के रूप में कार्य करता है: जो शहरी शासन की गहरी अंतर्दृष्टि जैसा दिखता है, वह केवल संख्याओं को साफ करने के तरीके का एक प्रभाव (आर्टिफैक्ट) हो सकता है। इन डेटा संबंधी विसंगतियों और मांग की अंतर्निहित पूर्वानुमान क्षमता को नियंत्रित करके, अध्ययन में इस बात का कोई प्रमाण नहीं मिला कि पूर्वानुमान कौशल किसी क्षेत्र में क्लस्टर (समूहित) होता है या यह किसी छिपे हुए स्थानीय विफलता को प्रकट करता है।
शहर के अधिकारियों के लिए व्यावहारिक निष्कर्ष उनके पूर्वानुमानों की व्याख्या करने के तरीके में एक बदलाव है। एक खराब भविष्यवाणी, अपने आप में, जांच के योग्य टूटी हुई प्रणाली या छिपे हुए स्थानीय संकट का प्रमाण नहीं है। यह केवल तभी समस्या का प्रमाण बनता है जब शहर की अंतर्निहित पूर्वानुमान क्षमता को ध्यान में रखा जाता है। यदि किसी शहर में एक सपाट, गैर-मौसमी मांग पैटर्न है, तो कम पूर्वानुमान स्कोर अपेक्षित है और यह अधिकारी को कुछ भी नया नहीं बताता है। यदि किसी शहर में एक मजबूत मौसमी पैटर्न है लेकिन मॉडल फिर भी विफल हो जाता है, तो तभी अलार्म बजना चाहिए। अध्ययन सुझाव देता है कि "बुरे" पूर्वानुमानों को ठीक करने के लिए ऑडिट या नए कार्यक्रमों पर पैसा खर्च करने से पहले, प्रशासकों को पहले यह जांच लेना चाहिए कि क्या शहर के मांग इतिहास में वास्तव में एक अच्छा पूर्वानुमान संभव है। एल्गोरिदम की जटिलता के बजाय डेटा की अंतर्निहित प्रकृति पर ध्यान केंद्रित करके, सार्वजनिक अधिकारी वास्तविक समस्याओं वाले शहरों और प्रणालियों पर अपना संसाधन केंद्रित कर सकते हैं और भ्रम के पीछे भागने से बच सकते हैं।
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।