Evaluation and Optimization Method for Urban Signal Control Performance Based on Automatic Vehicle Identification Data
यह शोध पत्र एक क्लोज्ड-लूप कार्यप्रणाली प्रस्तावित करता है जो ऑटोमैटिक व्हीकल आइडेंटिफिकेशन (AVI) डेटा का लाभ उठाकर सिग्नल कंट्रोल लॉग का अनुमान लगाने, सूक्ष्म-स्तरीय चक्र-स्तर के प्रदर्शन मूल्यांकन को करने और प्लांट रूट ग्रोथ ऑप्टिमाइज़ेशन (PRGO) एल्गोरिदम के माध्यम से टाइमिंग को अनुकूलित करने के लिए है, जो प्रभावी रूप से वाहन विलंब को कम करता है और अनुभव-आधारित से डेटा-संचालित शहरी सिग्नल नियंत्रण की ओर संक्रमण को सक्षम बनाता 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
ट्रैफिक लाइट हमारे दैनिक आवागमन के मौन कंडक्टर हैं, फिर भी शहर योजनाकारों के लिए, वे अक्सर अंधेरे में काम करती हैं। जबकि आधुनिक सेंसर एक चौराहे से गुजरने वाली हर कार को ट्रैक कर सकते हैं, उन लाइटों को दिए जाने वाले वास्तविक निर्देश—वे सटीक क्षण जब वे हरी या लाल होती हैं—उन नियंत्रकों (कंट्रोलर्स) के भीतर ही छिपे रहते हैं। यह एक निराशाजनक ब्लाइंड स्पॉट पैदा करता है: इंजीनियरों के पास इस बारे में डेटा का सैलाब है कि कारें कहाँ हैं, लेकिन उनके पास उस ब्लूप्रिंट की कमी है कि लाइटें वास्तव में कैसे व्यवहार कर रही हैं। सटीक टाइमिंग सीक्वेंस को जाने बिना, यह बताना कठिन है कि ट्रैफिक जाम बहुत अधिक कारों के कारण है या एक खराब समयबद्ध सिग्नल के कारण। सड़क पर जो दृश्यमान है और मशीन के भीतर जो छिपा हुआ है, उसके बीच का यह अंतर शहरों को अनुमान लगाने से आगे बढ़कर वास्तविक डेटा-संचालित ट्रैफिक प्रबंधन की ओर बढ़ने से लंबे समय से रोकता आया है।
शेडोंग जियाओटोंगग विश्वविद्यालय, चीन के शोधकर्ताओं की एक टीम ने केवल वाहनों के स्वयं के डेटा का उपयोग करके उस पर्दे के पीछे झांकने का एक तरीका विकसित किया है। ऑटोमैटिक आइडेंटिफिकेशन सिस्टम से लैस वाहनों के मूवमेंट पैटर्न का विश्लेषण करके, उन्होंने सिग्नल कंट्रोल लॉजिक को रिवर्स-इंजीनियर करने की एक विधि बनाई। ट्रैफिक लाइट के आंतरिक कंप्यूटर तक सीधी पहुंच की आवश्यकता के बजाय, उनका सिस्टम ट्रैफिक की लय को सुनता है। यह पहचानता है कि कब कारें इकट्ठा होती हैं और कब वे स्वतंत्र रूप से चलती हैं, और इन पैटर्न का उपयोग यह पता लगाने के लिए करता है कि लाइट कब हरी हुई, चक्र (साइकिल) कितनी देर चला, और कौन सी लेन एक साथ चलने की अनुमति थी। यह प्रक्रिया प्रभावी रूप से अदृश्य टाइमिंग प्लान को एक दृश्य, मापने योग्य वास्तविकता में बदल देती है, जिससे इस बात का विस्तृत निरीक्षण संभव होता है कि चौराहा कितना अच्छा प्रदर्शन कर रहा है।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण जिनान के एक व्यस्त चौराहे पर किया, जहाँ उन्होंने अपने अनुमानित डेटा की तुलना वास्तविक, छिपे हुए सिग्नल लॉग से की ताकि यह देखा जा सके कि उनकी विधि कितनी सटीक थी। परिणाम उल्लेखनीय रूप से सटीक थे। सिस्टम ने पांच सेकंड से भी कम की त्रुटि के साथ सिग्नल चक्र की लंबाई का अनुमान लगाया और केवल दो सेकंड की त्रुटि के साथ उस सटीक क्षण का पता लगाया जब लाइट हरी हुई थी। इस सटीक टाइमलाइन के हाथ में होने के साथ, टीम फिर उन विशिष्ट प्रदर्शन मेट्रिक्स की गणना कर सकी जिन्हें आंतरिक डेटा के बिना मापना पहले असंभव था। उन्होंने निर्धारित किया कि लेन कितनी भरी हुई थीं, प्रतीक्षा कर रही कारों की कतारें कितनी लंबी हुईं, और ड्राइवरों ने देरी के कारण वास्तव में कितना समय गंवाया। उन्होंने पाया कि जबकि कुछ दिशाओं में प्रवाह सुचारू था, अन्य दिशाएं गंभीर रूप से भीड़भाड़ वाली थीं, जिसमें कुछ लेन संतृप्ति (सैचुरेशन) के ऐसे स्तर पर काम कर रही थीं जो महत्वपूर्ण अक्षमता का संकेत देती थीं।
इस जटिल डेटा को समझने के लिए, शोधकर्ताओं ने चौराहे के प्रदर्शन को मुक्त-प्रवाह से लेकर भारी भीड़भाड़ तक के विभिन्न स्तरों में समूहित करने के लिए एक क्लस्टरिंग तकनीक का उपयोग किया। इस विश्लेषण से पता चला कि पश्चिम दिशा की 'थ्रू लेन' मुख्य बाधा थी, जो सुबह के पीक ऑवर के लगभग आधे समय तक खराब स्थिति में रही। इस निदान के साथ, टीम ने एक नया अनुकूलन मॉडल (ऑप्टिमाइज़ेशन मॉडल) बनाया जिसे वाहनों द्वारा प्रतीक्षा में बिताए गए कुल समय को कम करने के लिए डिज़ाइन किया गया था। उन्होंने सर्वोत्तम समाधान खोजने के लिए तीन अलग-अलग गणितीय रणनीतियों का परीक्षण किया, जिसमें दो प्रसिद्ध तरीके और एक नया दृष्टिकोण शामिल था जो इस बात से प्रेरित था कि पौधों की जड़ें मिट्टी में पोषक तत्वों की तलाश में कैसे बढ़ती हैं। यह रूट-ग्रोथ (जड़-विकास) विधि, जो संसाधनों का पता लगाने के लिए जड़ों के अन्वेषण और शाखाओं में बंटने के तरीके की नकल करती है, सबसे प्रभावी साबित हुई।
जब शोधकर्ताओं ने रूट-ग्रोथ विधि द्वारा उत्पन्न नए टाइमिंग प्लान को चौराहे के एक कंप्यूटर सिमुलेशन पर लागू किया, तो सुधार स्पष्ट थे। वाहनों के लिए औसत देरी लगभग 9.34 प्रतिशत कम हो गई, और ट्रैफिक क्यू (कतारों) की अधिकतम लंबाई काफी कम हो गई। पश्चिम दिशा की लेन, जो सबसे खराब प्रदर्शन करने वाली थी, उसमें देरी में 18 प्रतिशत से अधिक की कमी देखी गई, जो यह सिद्ध करता है कि सिस्टम विशिष्ट समस्या वाले क्षेत्रों को प्रभावी ढंग से लक्षित कर सकता है। हालांकि ये परिणाम लाइव स्ट्रीट टेस्ट के बजाय एक सिमुलेशन से आए हैं, लेकिन यह अध्ययन शहरों के लिए एक व्यवहार्य मार्ग प्रदर्शित करता है। यह दिखाता है कि वाहनों द्वारा पहले से ही उत्पन्न किए जा रहे डेटा को ध्यान से सुनकर, ट्रैफिक इंजीनियर अपने सिग्नलों के छिपे हुए तर्क को उजागर कर सकते हैं, विशिष्ट विफलताओं का निदान कर सकते हैं, और शहर को अधिक कुशलता से चलाने के लिए लाइटों को समायोजित कर सकते हैं, और वह भी बिना किसी नया हार्डवेयर स्थापित किए या मालिकाना कंट्रोलर सिस्टम तक पहुंच प्राप्त किए।
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।