Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML
यह अध्ययन पैदल यात्री विफलता-से-उपलब्धता (failure-to-yield) की घटनाओं को संचालित करने वाले विशिष्ट व्यवहार संबंधी और प्रासंगिक कारकों की पहचान करने के लिए अमेरिकी घातक दुर्घटना डेटा पर AutoML और SHAP व्याख्यात्मकता का उपयोग करता है, जो लक्षित सुरक्षा उपायों को सूचित करने के लिए विभिन्न क्रॉसिंग युद्धाभ्यास हेतु विशिष्ट जोखिम पैटर्न को प्रकट करता 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
हर दिन, लाखों लोग सड़क पार करने के लिए फुटपाथ से नीचे कदम रखते हैं, इस भरोसे के साथ कि ड्राइवर उन्हें देख लेंगे और रुक जाएंगे। फिर भी, संयुक्त राज्य अमेरिका के शहरों में, यह भरोसा अक्सर टूट जाता है। जब एक पैदल यात्री सुरक्षित अंतराल की प्रतीक्षा किए बिना या सिग्नल की अनदेखी करके सड़क पार करता है, और एक वाहन रास्ता देने में विफल रहता है, तो इसका परिणाम अक्सर एक त्रासदी होता है। ये "फेलियर-टू-यील्ड" (रास्ता न देने वाली) घटनाएं यादृच्छिक दुर्घटनाएं नहीं हैं; वे इस आधार पर विशिष्ट पैटर्न का पालन करती हैं कि व्यक्ति कहाँ खड़ा था, दिन का कौन सा समय था, और पहिए के पीछे कौन था। दशकों से, सुरक्षा विशेषज्ञों ने पुलिस रिपोर्टों की मैन्युअल समीक्षा करके या वीडियो फुटेज देखकर इन क्षणों को समझने की कोशिश की है, लेकिन ये तरीके धीमे हैं और आज उपलब्ध डेटा की विशाल मात्रा को संभालने में संघर्ष करते हैं। प्रश्न यह बना हुआ है: क्या हम खतरनाक अंतःक्रियाओं को नियंत्रित करने वाले छिपे हुए नियमों को उजागर करने के लिए यातायात रिकॉर्ड के विशाल संग्रहों का उपयोग कर सकते हैं, और क्या हम ऐसा कर सकते हैं जो यह समझा सके कि दुर्घटना क्यों हुई, न कि केवल यह कि वह हुई?
टेक्सास स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नए प्रकार की कंप्यूटर इंटेलिजेंस की ओर मुड़कर इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने फैटैलिटी एनालिसिस रिपोर्टिंग सिस्टम (FARS) से डेटा एकत्र किया, जो 2016 और 2023 के बीच संयुक्त राज्य अमेरिका में प्रत्येक घातक यातायात दुर्घटना के विस्तृत रिकॉर्ड वाला एक राष्ट्रीय डेटाबेस है। केवल एक संख्या, जैसे कि कुल मौतों की संख्या, की भविष्यवाणी करने के बजाय, उन्होंने कंप्यूटर से इन दुखद घटनाओं को इस आधार पर विशिष्ट श्रेणियों में वर्गीकृत करने के लिए कहा कि प्रभाव के क्षण में पैदल यात्री कैसे चल रहा था। उन्होंने 'पेडस्ट्रियन एंड बाइसिकल क्रैश एनालिसिस टूल' नामक वर्गीकरण प्रणाली का उपयोग किया, जो दुर्घटनाओं को विभिन्न प्रकारों में विभाजित करती है, जैसे कि बाईं ओर से पार करना, दाईं ओर से पार करना, असामान्य दिशा में पार करना, या अज्ञात दिशा में पार करना। इस डेटा को 'ऑटो ग्लूऑन' (AutoGluon) नामक एक स्वचालित मशीन लर्निंग सिस्टम में फीड करके, शोधकर्ताओं ने कंप्यूटर को अपने स्वयं के मॉडल बनाने की अनुमति दी ताकि यह विभिन्न प्रकार की दुर्घटनाओं के बीच अंतर करने का सबसे सटीक तरीका खोज सके।
कंप्यूटर ने केवल अनुमान नहीं लगाया; इसने सीखा। दर्जनों अलग-अलग गणितीय दृष्टिकोणों का परीक्षण करने के बाद, सिस्टम ने 'लाइट जीबीएम' (LightGBM) नामक एक विधि को चुना, जो सबसे सटीक साबित हुई। इस मॉडल ने परीक्षण किए गए घातक मामलों में लगभग 80 प्रतिशत मामलों में पैदल यात्री के पैंतरेबाज़ी के प्रकार की सही पहचान की। अधिक महत्वपूर्ण बात यह है कि शोधकर्ताओं ने कंप्यूटर को एक "ब्लैक बॉक्स" के रूप में नहीं छोड़ा जो बिना स्पष्टीकरण के केवल उत्तर देता है। उन्होंने 'शैप' (SHAP) नामक तकनीक का उपयोग किया, जो एक आवर्धक लेंस (मैग्निफाइंग ग्लास) की तरह काम करती है, ताकि मॉडल के भीतर देखा जा सके और यह पता लगाया जा सके कि कौन से कारक भविष्यवाणी को किस दिशा में धकेल रहे थे। इससे पता चला कि दुर्घटना का वर्ष, पैदल यात्री की सटीक स्थिति, सड़क का प्रकार और ड्राइवर की आयु, यह निर्धारित करने में सबसे शक्तिशाली सुराग थे कि दुर्घटना कैसे हुई।
जब शोधकर्ताओं ने परिणामों को करीब से देखा, तो प्रत्येक प्रकार के क्रॉसिंग के लिए अलग-अलग कहानियाँ उभर कर आईं। उन दुर्घटनाओं के लिए जहाँ एक पैदल यात्री बाईं ओर से पार कर रहा था, कंप्यूटर ने दिखाया कि सबसे महत्वपूर्ण कारक पैदल यात्री की स्थिति थी। ये घटनाएं चिह्नित क्रॉसिंग से दूर, ब्लॉक के बीच में से पार करने वाले लोगों से गहराई से जुड़ी थीं, जहाँ ड्राइवरों को उनके प्रकट होने की उम्मीद नहीं होती है। विश्लेषण ने यह भी रेखांकित किया कि पुराने ड्राइवर विशेष रूप से संवेदनशील थे, संभवतः इसलिए क्योंकि अचानक सामने आने वाले व्यक्ति का सामना करने पर उनकी प्रतिक्रिया करने की गति धीमी हो जाती है।
दाईं ओर से पैदल यात्री के पार करने वाली दुर्घटनाओं के मामले में कहानी अलग थी। यहाँ, ड्राइवर की आयु ने फिर से प्रमुख भूमिका निभाई, लेकिन साथ ही वाहन का प्रकार और दिन का समय भी महत्वपूर्ण था। डेटा बताता है कि ये दुर्घटनाएं अक्सर तब होती हैं जब एक ड्राइवर दाहिनी ओर मुड़ रहा होता है, एक ऐसा पैंतरा जिसमें एक साथ कई दिशाओं में देखना आवश्यक होता है। कंप्यूटर के विश्लेषण ने संकेत दिया कि ड्राइवर अक्सर उस क्षेत्र को स्कैन करने में विफल रहते हैं जहाँ एक पैदल यात्री निकल सकता है, खासकर यदि दृश्य कार के अपने पिलर (स्तंभों) द्वारा बाधित हो, या यदि सड़क का डिज़ाइन 'स्लिप लेन' शामिल करता है जो कारों को पूरी तरह से रुके बिना मुड़ने की अनुमति देता है। इन मामलों में, ड्राइवर का ध्यान विभाजित होता है, और पैदल यात्री बहुत देर होने तक एक ब्लाइंड स्पॉट में छिपा रहता है।
सबसे भ्रमित करने वाली श्रेणी के लिए, जहाँ पैदल यात्री की दिशा अज्ञात या असामान्य थी, पैटर्न ने वृद्ध पैदल यात्रियों और खराब दृश्यता की ओर इशारा किया। इन दुर्घटनाओं में अक्सर आधी रात का समय और खराब मौसम शामिल था, और ये अक्सर किसी भी निर्धारित क्रॉसिंग बिंदु से दूर हुईं। डेटा ने दिखाया कि ये घटनाएं सर्दियों के महीनों में अधिक आम थीं और अक्सर एसयूवी (SUV) जैसे बड़े वाहनों में शामिल थीं, जो ड्राइवर के दृष्टि क्षेत्र को बाधित कर सकते हैं। कंप्यूटर ने सीखा कि जब एक पैदल यात्री अप्रत्याशित तरीके से पार करता है, तो अंधेरा, मौसम और वाहन का आकार मिलकर एक घातक त्रुटि के लिए एक आदर्श स्थिति (परफेक्ट स्टॉर्म) बना देते हैं।
ये निष्कर्ष इस विचार को चुनौती देते हैं कि सभी पैदल यात्री दुर्घटनाएं एक जैसी होती हैं। इसके बजाय, वे दिखाते हैं कि प्रत्येक प्रकार की क्रॉसिंग विफलता के अपने अनूठे कारण होते हैं। ब्लॉक के बीच में जेवॉकर (crosswalk के बिना सड़क पार करने वाला) के कारण होने वाली दुर्घटना के कारक, दाहिनी ओर मुड़ते समय पैदल यात्री के बाहर निकलने से होने वाली दुर्घटना से भिन्न होते हैं। यह अंतर सुरक्षा योजनाकारों के लिए अत्यंत महत्वपूर्ण है। यह सुझाव देता है कि एक एकल समाधान, जैसे कि अधिक क्रॉसवॉक बनाना, हर समस्या को ठीक नहीं करेगा। वास्तव में जीवन बचाने के लिए, शहरों को दृष्टि रेखाओं (sight lines) में सुधार करने के लिए विशिष्ट चौराहों को फिर से डिजाइन करने, रात के क्रॉसिंग के लिए बेहतर लाइटिंग लगाने और उन पुराने ड्राइवरों के लिए लक्षित शिक्षा कार्यक्रम बनाने की आवश्यकता हो सकती जो अचानक आने वाले पैदल यात्रियों पर प्रतिक्रिया करने में संघर्ष करते हैं।
घातक दुर्घटना डेटा को छानने के लिए ऑटोमेटेड लर्निंग का उपयोग करके, इस अध्ययन ने सरल आंकड़ों से आगे बढ़कर खतरे के विशिष्ट तंत्रों को उजागर किया है। यह सिद्ध करता है कि सही उपकरणों के साथ, हम उन सटीक स्थितियों को समझ सकते हैं जो त्रासदी का कारण बनती हैं। यह शोध कोई जादुई समाधान पेश नहीं करता है, बल्कि यह एक स्पष्ट मानचित्र प्रदान करता है कि जोखिम कहाँ स्थित हैं। यह दिखाता है कि सुरक्षा केवल नियमों का पालन करने के बारे में नहीं है, बल्कि मानव व्यवहार, वाहन डिजाइन और सड़क ज्यामिति के उस जटिल नृत्य को समझने के बारे में है जो दुर्घटना से ठीक एक सेकंड पहले होता है। इस ज्ञान के साथ, इंजीनियर और नीति निर्माता अंततः ऐसे रास्ते बनाने की दिशा में बढ़ सकते हैं जो न केवल औसत दिन के लिए सुरक्षित हों, बल्कि संकट के समय सबसे कमजोर लोगों की रक्षा करने के लिए भी सक्षम हों।
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।