Predictive Forecasting of Care Load & Placement Demand

उन बच्चों की देखभाल का प्रबंधन करना जो अपने माता-पिता के बिना किसी देश में पहुँचते हैं, एक ऐसा कार्य है जो सटीकता, दूरदर्शिता और मानव आवाजाही की गहरी समझ की मांग करता है। जब हजारों युवा सीमा पार करते हैं और सरकारी अभिरक्षा में प्रवेश करते हैं, तो अधिकारियों को यह जानना आवश्यक होता है कि कल, अगले सप्ताह या अगले महीने कितने बिस्तरों, कर्मचारियों और संसाधनों की आवश्यकता होगी। यह केवल सिरों की गिनती का मामला नहीं है; यह समय और प्रवाह की एक जटिल पहेली है। चुनौती यह अनुमान लगाने में निहित है कि किसी भी दिए गए क्षण में देखभाल में कितने बच्चे होंगे, एक ऐसी संख्या जो नए आगमन, अन्य सुविधाओं में स्थानांतरण और प्रस्थान के आधार पर प्रतिदिन बदलती रहती है। इसे हल करने के लिए, शोधकर्ता 'टाइम-सीरीज फोरकास्टिंग' (समय-श्रृंखला पूर्वानुमान) के विज्ञान की ओर मुड़ते हैं, जो भविष्य के रुझानों का अनुमान लगाने के लिए पिछले पैटर्न को देखता है। ऐतिहासिक डेटा की लय का अध्ययन करके—कि समय के साथ संख्याएँ कैसे ऊपर-नीचे होती हैं—विश्लेषक ऐसे मॉडल बना सकते हैं जो जनसंख्या की जरूरतों के लिए एक मौसम रिपोर्ट की तरह कार्य करते हैं, जो संगठनों को तैयारी करने में मदद करने के लिए भविष्य की एक झलक प्रदान करते हैं।

हाल ही में एक अध्ययन में, हैदराबाद के चैतन्य भारती इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने संयुक्त राज्य अमेरिका के स्वास्थ्य और मानव सेवा विभाग के डेटा का उपयोग करके इस विशिष्ट समस्या का समाधान किया। उन्होंने "अनअकंपैनीड एलियन चिल्ड्रन" (अकेले आए विदेशी बच्चों) कार्यक्रम पर ध्यान केंद्रित किया, जो सरकारी देखभाल में नाबालिगों की दैनिक संख्या को ट्रैक करता है। टीम ने एक हजार से अधिक दैनिक रिकॉर्ड वाला एक डेटासेट एकत्र किया, जो 2023 की शुरुआत से लेकर 2025 के अंत तक फैला हुआ है। डेटा से अंतराल और विसंगतियों को हटाने के लिए उसे साफ करने के बाद, उनके पास देखभाल में बच्चों की 720 विश्वसनीय दैनिक गणनाएँ बची थीं। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जो इस इतिहास को देख सके और उच्च सटीकता के साथ अगले तीस दिनों की मांग की भविष्यवाणी कर सके।

इन भविष्यवाणियों को करने के लिए, शोधकर्ताओं ने केवल एक विधि पर भरोसा नहीं किया। इसके बजाय, उन्होंने एक ऐसा पाइपलाइन बनाया जिसने पारंपरिक सांख्यिकीय तकनीकों को आधुनिक मशीन लर्निंग के साथ जोड़ा। उन्होंने कंप्यूटर को अतीत से प्राप्त विशिष्ट सुरागों को खिलाकर पैटर्न पहचानने के लिए प्रशिक्षित किया। इन सुरागों में यह शामिल था कि एक दिन पहले, एक सप्ताह पहले और दो सप्ताह पहले देखभाल में कितने बच्चे थे, साथ ही पिछले एक सप्ताह और दो सप्ताह के औसत आंकड़े भी शामिल थे। उन्होंने अल्पकालिक उतार-चढ़ाव के माप और सिस्टम पर "दबाव" की गणना भी जोड़ी, जिसने यह तुलना की कि देखभाल में कितने बच्चों को स्थानांतरित किया जा रहा है बनाम कितने बच्चों को छुट्टी दी जा रही है। सप्ताह के दिन और महीने को शामिल करके, सिस्टम साप्ताहिक या मौसमी बदलावों का भी हिसाब रख सकता था।

टीम ने कई अलग-अलग दृष्टिकोणों का परीक्षण किया यह देखने के लिए कि कौन सा सबसे अच्छा काम करता है। उन्होंने सरल तरीकों से शुरुआत की, जैसे यह मान लेना कि कल बिल्कुल आज जैसा ही होगा, और फिर अधिक जटिल सांख्यिकीय मॉडलों की ओर बढ़े जो रुझानों को ध्यान में रखते हैं। अंत में, उन्होंने 'रैंडम फॉरेस्ट' और 'ग्रेडिएंट बूस्टिंग' जैसे शक्तिशाली मशीन लर्निंग टूल्स को प्रशिक्षित किया। ये उपकरण कई 'डिसीजन ट्री' (निर्णय वृक्ष) बनाकर काम करते हैं जो उत्तर पर मतदान करते हैं, जिससे वे डेटा में जटिल, गैर-रेखीय संबंधों को पहचान पाते हैं जिन्हें सरल विधियाँ शायद छोड़ दें। शोधकर्ताओं ने अपने डेटा को सावधानीपूर्वक विभाजित किया, शुरुआती रिकॉर्ड का उपयोग मॉडल को प्रशिक्षित करने के लिए किया और अंतिम तीस दिनों के डेटा को यह परीक्षण करने के लिए सुरक्षित रखा कि मॉडल अनदेखी जानकारी पर कैसा प्रदर्शन करते हैं। इस दृष्टिकोण ने यह सुनिश्चित किया कि मूल्यांकन निष्पक्ष हो और मॉडल केवल अतीत को याद न कर रहे हों।

परिणामों ने एक स्पष्ट तस्वीर पेश की कि अगले एक महीने में क्या होने की संभावना है। सिस्टम ने देखभाल में बच्चों की संख्या में धीरे-धीरे, निरंतर वृद्धि की भविष्यवाणी की, जो पूर्वानुमान अवधि की शुरुआत में लगभग 2,274 से बढ़कर अंत तक लगभग 2,324 हो गई। इस तीस-दिवसीय विंडो के लिए औसत भविष्यवाणी लगभग 2,299 बच्चे थी। जब शोधकर्ताओं ने यह जांचा कि ये भविष्यवाणियां परीक्षण अवधि के वास्तविक आंकड़ों के कितने करीब थीं, तो उन्होंने पाया कि औसत त्रुटि प्रति दिन लगभग 15 बच्चे थी। प्रतिशत के संदर्भ में, यह त्रुटि दर बहुत कम थी, जो लगभग 0.64 प्रतिशत थी। सटीकता का यह स्तर बताता है कि मॉडल सिस्टम की अंतर्निहित गतिशीलता को योजना बनाने के लिए पर्याप्त रूप से पकड़ रहे हैं।

हालाँकि, अध्ययन ने इन उपकरणों के उपयोग के तरीके में एक महत्वपूर्ण बारीकी को भी उजागर किया। जबकि शोधकर्ताओं ने तैनाती के लिए एक 'रैंडम फॉरेस्ट' मॉडल को अंतिम उपकरण के रूप में सुरक्षित रखा था, रिपोर्ट किए गए विशिष्ट त्रुटि आंकड़े एक अलग मॉडल, 'ग्रेडिएंट बूस्टिंग' को चलाने के बाद गणना किए गए थे। इसका अर्थ है कि सुरक्षित उपकरण और रिपोर्ट किए गए प्रदर्शन मेट्रिक्स वर्तमान संस्करण में पूरी तरह से मेल नहीं खाते हैं। लेखक इस तकनीकी विवरण को स्वीकार करते हैं और नोट करते हैं कि भविष्य के कार्य के संस्करण को यह सुनिश्चित करना चाहिए कि सबसे अच्छा प्रदर्शन करने वाला मॉडल ही सुरक्षित और उपयोग किया जाए। इस तकनीकी विवरण के बावजूद, परियोजना ने सफलतापूर्वक प्रदर्शित किया कि ऐतिहासिक डेटा, परिचालन संबंधी सुराग और मशीन लर्निंग का संयोजन एक विश्वसनीय पूर्वानुमान प्रदान कर सकता है।

शोधकर्ताओं ने यह भी नोट किया कि डेटा ने 2025 की शुरुआत में एक महत्वपूर्ण बदलाव दिखाया, जहाँ जनवरी में 6,000 से अधिक बच्चों की संख्या से गिरकर अप्रैल तक लगभग 2,000 रह गई। इस तरह का अचानक परिवर्तन, या "रेजीम शिफ्ट" (व्यवस्था परिवर्तन), भविष्यवाणी करना कठिन होता है, और यह अध्ययन ऐसे संरचनात्मक परिवर्तनों के अनुकूल होने वाले मॉडलों की आवश्यकता पर प्रकाश डालता है। अंतिम सिस्टम को एक उपयोगकर्ता के अनुकूल डैशबोर्ड में पैक किया गया था, जिससे अधिकारी डेटा देख सकते हैं, चार्ट पर पूर्वानुमान देख सकते हैं और अपने उपयोग के लिए भविष्यवाणियों को डाउनलोड कर सकते हैं। कच्चे आंकड़ों को स्पष्ट, तीस-दिवसीय आउटलुक में बदलकर, यह कार्य क्षमता नियोजन के लिए एक व्यावहारिक उपकरण प्रदान करता है, जो संगठनों को स्टाफिंग, आश्रय स्थान और परिवहन को अधिक विश्वास के साथ प्रबंधित करने में मदद करता है। अध्ययन इस निष्कर्ष के साथ समाप्त होता है कि हालांकि वर्तमान मॉडल एक मजबूत शुरुआती बिंदु है, भविष्य के सुधारों में सभी मॉडलों की अधिक कठोरता से तुलना करने और भविष्यवाणियों की अनिश्चितता को मापने वाले उपकरण जोड़ने पर ध्यान केंद्रित किया जाएगा, ताकि यह सुनिश्चित हो सके कि निर्णय लेने वालों के पास सबसे मजबूत जानकारी उपलब्ध हो।