Spatiotemporal prediction of unsafe road conditions using weather and infrastructure proximity information - A comparative study across model learning paradigms

हर साल, जैसे-जैसे मौसम बदलता है और मौसम के पैटर्न में बदलाव आता है, हमारे द्वारा तय किए जाने वाले रास्ते अदृश्य खतरों का सामना करते हैं। भारी बारिश एक चिकनी हाईवे को उथली झील में बदल सकती है, जबकि भीषण गर्मी और शुष्क हवाएं सड़क किनारे आग लगा सकती हैं। ये घटनाएं, जिन्हें असुरक्षित सड़क स्थितियां कहा जाता है, केवल यातायात में देरी ही नहीं करतीं; वे सड़क को भी नुकसान पहुंचा सकती हैं, ड्राइवरों को खतरे में डाल सकती हैं और हमारे शहरों को गतिशील रखने के लिए डिज़ाइन की गई प्रणालियों पर दबाव डाल सकती हैं। जैसे-जैसे जलवायु परिवर्तन हो रहा है, ये चरम मौसम की घटनाएं अधिक बार और तीव्र होती जा रही हैं, जिससे सड़क प्रबंधकों के सामने एक कठिन प्रश्न खड़ा हो गया है: अगली समस्या कहाँ और कब होगी? इस उत्तर को खोजने के लिए, वैज्ञानिकों ने डेटा की ओर रुख किया है, और भविष्य के खतरों की भविष्यवाणी करने के लिए सड़क संबंधी घटनाओं के इतिहास में पैटर्न की तलाश की है। लक्ष्य केवल संकट के प्रति प्रतिक्रिया देना नहीं है, बल्कि मौसम और स्थानीय सड़क विशेषताओं के उस विशिष्ट मिश्रण को समझना है जो परेशानी का कारण बनता है, ताकि आपदा आने से पहले अधिकारी संवेदनशील स्थानों का निरीक्षण और मरम्मत कर सकें।

डेल्फ़्ट यूनिवर्सिटी ऑफ़ टेक्नोलॉजी, नीदरलैंड की शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ बढ़ाया कि विभिन्न कंप्यूटर लर्निंग विधियां इन विशिष्ट सड़क खतरों की कितनी अच्छी तरह भविष्यवाणी कर सकती हैं। उन्होंने डच मोटरवे नेटवर्क पर ध्यान केंद्रित किया, जो प्रमुख शहरों और क्षेत्रों को जोड़ने वाला राजमार्गों का एक विशाल तंत्र है। 2014 से 2022 तक दर्ज लगभग 4,700 घटनाओं के डेटाबेस का उपयोग करते हुए, उन्होंने पांच अलग-अलग प्रकार की समस्याओं का परीक्षण किया: सड़क पर पानी का जमा होना, सड़क के किनारे की वनस्पतियों में लगने वाली आग, फिसलन भरी सतह, सड़क के बुनियादी ढांचे को नुकसान, और अन्य मौसम संबंधी कारण। प्रत्येक घटना के लिए, शोधकर्ताओं ने दो प्रकार की जानकारी एकत्र की: घटना के समय की मौसम संबंधी स्थितियां, जैसे कि घटना से एक घंटे पहले कितनी बारिश हुई थी और दिन का अधिकतम तापमान, और सड़क के तत्काल परिवेश का विवरण, जिसमें यह भी शामिल था कि वह फुटपाथ, वनस्पति और जल प्रबंधन प्रणालियों से कितनी निकट थी।

शोधकर्ताओं ने इन पांच अलग-अलग प्रकार के कंप्यूटर मॉडलों को एक-दूसरे के विरुद्ध खड़ा किया ताकि यह देखा जा सके कि कौन सा इतिहास से बेहतर सीख सकता है और भविष्य की भविष्यवाणी कर सकता है। एक तरफ पारंपरिक मशीन लर्निंग उपकरण थे, जो अनुभवी विश्लेषकों की तरह हैं जो तथ्यों के स्प्रेडशीट में पैटर्न खोजते हैं। दूसरी ओर अधिक जटिल डीप लर्निंग मॉडल थे, जिन्हें मानव मस्तिष्क द्वारा समय के साथ घटनाओं के अनुक्रम या विभिन्न स्थानों के बीच संबंधों को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया था। इनमें से कुछ उन्नत मॉडल यह समझने के लिए बनाए गए थे कि घटनाओं का क्रम क्या है, जबकि अन्य यह मानचित्रण करने के लिए डिज़ाइन किए गए थे कि एक क्षेत्र में होने वाली घटनाएं पास के क्षेत्रों से कैसे संबंधित हो सकती हैं। टीम ने इन मॉडलों को पिछले डेटा पर प्रशिक्षित किया और फिर उन्हें समय की एक पूरी तरह से अनदेखी अवधि पर परीक्षण किया ताकि यह देखा जा सके कि वे सटीक रूप से पहचान कर सकते हैं कि किस प्रकार की सड़क संबंधी समस्या होने की संभावना है।

परिणामों ने उन लोगों के लिए एक आश्चर्यजनक मोड़ पेश किया जो उम्मीद कर सकते थे कि सबसे जटिल तकनीक जीतेगी। सरल, पारंपरिक मशीन लर्निंग मॉडल, विशेष रूप से वे जो कई छोटे निर्णय वृक्ष (decision trees) बनाने और उनके उत्तरों को संयोजित करने का काम करते हैं, सबसे विश्वसनीय भविष्यवक्ता साबित हुए। वे लगातार उन परिष्कृत डीप लर्निंग नेटवर्क से बेहतर प्रदर्शन करते रहे जो समय और स्थान को ट्रैक करने के लिए डिज़ाइन किए गए थे। हालांकि उन्नत मॉडलों ने सीखने की कुछ क्षमता दिखाई, लेकिन उन्होंने सरल उपकरणों की तुलना में सटीकता में कोई महत्वपूर्ण सुधार नहीं किया। वास्तव में, अध्ययन में पाया गया कि इस विशिष्ट प्रकार के विरल (sparse), घटना-आधारित डेटा के साथ काम करते समय इन डीप लर्निंग सिस्टम की अतिरिक्त जटिलता बेहतर भविष्यवाणियों में अनुवादित नहीं हुई। शोधकर्ताओं ने निष्कर्ष निकाला कि इस विशेष कार्य के लिए, एकल घटना के मौसम और सड़क विशेषताओं का विश्लेषण करने का सीधा दृष्टिकोण पिछले घटनाओं के जटिल इतिहास या पूरे नेटवर्क के भूगोल को मॉडल करने की तुलना में अधिक प्रभावी था।

जब शोधकर्ताओं ने सड़क की समस्याओं के विशिष्ट प्रकारों को करीब से देखा, तो एक स्पष्ट पैटर्न उभर कर आया। मॉडल सड़क पर पानी जमा होने और सड़क किनारे लगने वाली आग की भविष्यवाणी करने में काफी अच्छे थे। ये घटनाएं विशिष्ट मौसम स्थितियों से मजबूती से जुड़ी हुई हैं: भारी बारिश से पानी जमा होता है, जबकि गर्म, शुष्क मौसम से आग लगती है। क्योंकि ये संबंध प्रत्यक्ष हैं और डेटा में ये घटनाएं पर्याप्त बार होती हैं, इसलिए मॉडल इन्हें अच्छी तरह सीख सके। हालांकि, मॉडल फिसलन भरी सड़क और सड़क के बुनियादी ढांचे को होने वाले नुकसान की भविष्यवाणी करने में काफी संघर्ष करते रहे। ये समस्याएं अधिक जटिल और विविध हैं; फिसलन भरी सड़क बर्फ की एक पतली परत, तापमान में अचानक गिरावट, या सड़क की एक विशिष्ट बनावट के कारण हो सकती है, जिसे उपलब्ध डेटा में पूरी तरह से नहीं पकड़ा जा सका। इसी तरह, बुनियादी ढांचे को नुकसान कई अलग-अलग कारणों से हो सकता है, जैसे कटाव या संरचनात्मक विफलता, जिससे कंप्यूटर के लिए केवल मौसम और सामान्य स्थान के आधार पर सटीक ट्रिगर का पता लगाना कठिन हो जाता है।

अध्ययन ने यह भी जांचा कि क्या सड़क के परिवेश के बारे में जानना मौसम के बारे में जानने जितना महत्वपूर्ण था। उन्होंने केवल मौसम डेटा, केवल सड़क-परिवेश डेटा, और दोनों को मिलाकर प्रयोग किए। निष्कर्ष स्पष्ट थे: मौसम के डेटा में लगभग सारी भविष्य कहने वाली शक्ति थी। यह जानना कि वर्षा और तापमान कितना था, इसने मॉडलों को लगभग उतना ही अच्छा प्रदर्शन करने दिया जितना कि उनके पास सभी जानकारी होने पर होता। इसके विपरीत, केवल सड़क के परिवेश के विवरण का उपयोग करने से, जैसे कि पास की वनस्पति या जल प्रणालियां, बहुत खराब भविष्यवाणियां हुईं। इससे पता चलता है कि हालांकि स्थानीय वातावरण मायने रखता है, लेकिन तत्काल मौसम की स्थिति इन सड़क घटनाओं का प्राथमिक चालक है। शोधकर्ताओं ने उल्लेख किया कि उनके द्वारा उपयोग किए गए डेटा ने परिवेश का वर्णन व्यापक शब्दों में किया था, जैसे कि एक निश्चित दूरी के भीतर वनस्पति का प्रतिशत, जो शायद उन विशिष्ट बारीकियों को पकड़ने के लिए पर्याप्त विस्तृत नहीं होगा जो फिसलन भरी सड़कों या संरचनात्मक क्षति का कारण बनती हैं।

अपने निष्कर्षों को सड़क अधिकारियों के लिए उपयोगी बनाने के लिए, टीम ने दृश्य मानचित्र (visual maps) बनाए जिनमें दिखाया गया कि सबसे अच्छा प्रदर्शन करने वाले मॉडल ने प्रत्येक प्रकार की घटना के लिए उच्च जोखिम कहाँ पहचाना। इन मानचित्रों ने विशिष्ट गलियारों को उजागर किया, जैसे कि रॉटरडैम और यूट्रेक्ट के आसपास के राजमार्ग, जहाँ पानी जमा होने की भविष्यवाणी अक्सर की जाती थी, और अन्य हिस्से जहाँ सड़क किनारे की आग एक आवर्ती चिंता का विषय थी। ये मानचित्र पूर्ण क्रिस्टल बॉल नहीं हैं; वे गारंटी नहीं देते कि कल आग लगेगी या अगले सप्ताह सड़क पर बाढ़ आएगी। इसके बजाय, वे एक स्क्रीनिंग टूल के रूप में कार्य करते हैं, जो अधिकारियों को उन क्षेत्रों की ओर संकेत करते हैं जिन्होंने भेद्यता का इतिहास दिखाया है और जिन्हें गहन निरीक्षण की आवश्यकता है। इन हॉटस्पॉट्स पर अपने संसाधनों को केंद्रित करके, सड़क प्रबंधक रखरखाव को प्राथमिकता दे सकते हैं, जैसे कि नालियों को साफ करना या वनस्पतियों की छंटाई करना, इससे पहले कि एक छोटी सी समस्या एक बड़ी बाधा बन जाए।

अंततः, यह शोध हमारे रास्तों को सुरक्षित रखने के लिए डेटा के उपयोग की क्षमता और सीमाओं दोनों को रेखांकित करता है। यह दर्शाता है कि मौसम संबंधी सड़क खतरों की भविष्यवाणी करने के लिए, जटिल, भविष्यवादी एल्गोरिदम की तुलना में सरल, मजबूत उपकरण जो तत्काल मौसम की स्थितियों पर ध्यान केंद्रित करते हैं, वर्तमान में अधिक प्रभावी हैं। अध्ययन यह भी प्रकट करता है कि जबकि हम कुछ प्रकार की घटनाओं की विश्वसनीय भविष्यवाणी कर सकते हैं, अन्य अभी भी मायावी बनी हुई हैं क्योंकि हमारे पास मौजूद डेटा पूर्ण चित्र को पकड़ने के लिए पर्याप्त विस्तृत नहीं है। इन खोजपूर्ण मानचित्रों से दैनिक संचालन के लिए विश्वसनीय पूर्वानुमान प्रणाली तक पहुँचने के लिए, भविष्य के कार्यों को निरंतर मौसम रिकॉर्ड, यातायात प्रवाह की जानकारी और सड़क की सतह के विस्तृत माप सहित समृद्ध डेटा एकत्र करने की आवश्यकता होगी। तब तक, ये मॉडल एक मूल्यवान मार्गदर्शक के रूप में कार्य करते हैं, जो सड़क अधिकारियों को बदलते जलवायु के अनिश्चितता के बीच नेविगेट करने में मदद करते हैं, यह दिखाते हुए कि जमीन के टूटने की सबसे अधिक संभावना कहाँ है।