Predicting Traffic Accidents and Fatalities with Transformer-Based Models and Big Data for Enhanced Policy and Safety Insights
यह अध्ययन बैंकॉक में यातायात दुर्घटनाओं और मौतों की सटीक भविष्यवाणी करने के लिए एक स्पैटियो-टेम्पोरल पैरेलल ट्रांसफॉर्मर (STPT) और क्लस्टरिंग तकनीकों का उपयोग करते हुए एक स्केलेबल, बिग डेटा-संचालित ढांचे का प्रस्ताव करता है, जिससे शहरी सड़क सुरक्षा बढ़ाने के लिए साक्ष्य-आधारित नीतिगत हस्तक्षेपों को सक्षम बनाया जा सके।
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
बैंकॉक की सड़कों की कल्पना एक विशाल, अराजक 'टैग' (पकड़ने वाला खेल) के खेल के रूप में करें, जिसे हर दिन लाखों कारों, मोटरसाइकिलों और पैदल यात्रियों द्वारा खेला जाता है। कभी-कभी, यह खेल बिल्कुल सही चलता है; अन्य समय में, खिलाड़ी आपस में टकरा जाते हैं, और दुख की बात यह है कि कुछ लोग फिर कभी नहीं उठ पाते। शोधकर्ताओं की एक टीम ने केवल "अनुमान लगाने" का खेल खेलना बंद करने का फैसला किया और इसके बजाय एक सुपर-स्मार्ट डिजिटल जासूस बनाया ताकि यह पता लगाया जा सके कि दुर्घटनाएं ठीक कब और कहाँ होने की सबसे अधिक संभावना है, और वे कितनी गंभीर हो सकती हैं।
जासूस का टूलकिट: गणित से बना एक भविष्यदर्शी यंत्र
केवल एक मानचित्र देखकर और अनुमान लगाने के बजाय, टीम ने अपने जासूस को डेटा का एक विशाल बुफे खिलाया: 2019 से 2024 तक के 10,163 दुर्घटना रिकॉर्ड, 387 अलग-अलग स्थानों से ट्रैफिक काउंट, मौसम की रिपोर्ट, और यहाँ तक कि शामिल वाहनों के विशिष्ट प्रकार भी। उन्होंने केवल एक दिमाग का उपयोग नहीं किया; उन्होंने डिजिटल दिमागों की एक पूरी टीम बनाई।
मुख्य खिलाड़ी एक नए प्रकार का AI था जिसे ट्रांसफॉर्मर (विशेष रूप से, एक स्पैटियो-टेम्पोरल पैरेलल ट्रांसफॉर्मर, या STPT) कहा जाता है। इस मॉडल को एक अत्यंत व्यवस्थित लाइब्रेरियन की तरह समझें जो पुस्तकालय की हर किताब को एक ही समय में पढ़ सकता है, और यह देख सकता है कि एक सेक्शन की कहानी दूसरे सेक्शन की कहानी से मीलों दूर कैसे जुड़ी हुई है। इसने समय (कब दुर्घटना हुई) और स्थान (कहाँ दुर्घटना हुई) दोनों को एक साथ देखा।
बड़ा खुलासा: डेटा वास्तव में क्या कहता है
परिणाम काफी दिलचस्प थे, लेकिन वे कुछ महत्वपूर्ण चेतावनियों के साथ आए।
- सबसे अच्छा जासूस: ट्रांसफॉर्मर मॉडल दुर्घटनाओं और मौतों की संख्या की भविष्यवाणी करने में सबसे अच्छा था, जिसने पुराने तरीकों जैसे कि मानक गणितीय समीकरणों या सरल AI की तुलना में सबसे कम गलतियाँ कीं। हालाँकि, पेपर नोट करता है कि क्योंकि घातक दुर्घटनाएँ दुर्लभ होती हैं (जैसे घास के ढेर में सुई ढूँढना), मॉडल कभी-कभी मौतों की संख्या को कम करके बताता है। यह यह कहने में बहुत अच्छा है कि "कुछ बुरा नहीं होगा," लेकिन यह वास्तव में बड़ी, दुर्लभ आपदाओं की भविष्यवाणी करने में थोड़ा संकोच करता है।
- उपविजेता: ग्रेडिएंट बूस्टिंग नामक एक मॉडल भी एक मजबूत दावेदार था। यह मामूली टक्कर और गंभीर दुर्घटना के बीच अंतर करने में बहुत अच्छा था, जो एक पैनी नज़र वाले रेफरी की तरह काम करता है।
- जिसे उन्होंने खारिज कर दिया: अध्ययन ने स्पष्ट रूप से दिखाया कि पुराने, सरल मॉडल (जैसे बुनियादी लीनियर रिग्रेशन) इस अव्यवस्थित डेटा में जटिल पैटर्न को पहचानने में उतने अच्छे नहीं थे। उन्होंने यह भी पाया कि केवल ट्रैफिक वॉल्यूम को देखना पर्याप्त नहीं था; आपको इसमें यह भी मिलाना था कि सड़क कहाँ थी, मौसम कैसा था, और ड्राइवर कौन था।
"हॉट ज़ोन": जहाँ खतरा छिपा है
शहर को 10 अलग-अलग "ट्रैफिक डेंसिटी क्लस्टर" में समूहीकृत करके (जैसे एक बिखरे हुए कमरे को 10 अलग-अलग ढेरों में छाँटना), शोधकर्ताओं ने कुछ आश्चर्यजनक पैटर्न पाए:
- "कम ट्रैफिक" का जाल: आप सोच सकते हैं कि व्यस्त सड़कें सबसे खतरनाक होती हैं, लेकिन दूसरी सबसे अधिक दुर्घटना दर शांत, अज्ञात सड़कों पर देखी गई जहाँ बहुत कम ट्रैफिक था। यहाँ, मुख्य अपराधी तेज़ गति (स्पीडिंग) थी। इन सीधी, सपाट सड़कों पर चलने वाले ड्राइवरों को ऐसा लगा, जैसे, "कोई देख नहीं रहा है, तो मैं तेज़ दौड़ूँगा!" इसके कारण बहुत सारी पीछे से होने वाली टक्करें हुईं, विशेष रूप से मोटरसाइकिलों के मामले में।
- "कार्गो ट्रक" ज़ोन: एक अन्य हॉटस्पॉट एक विशिष्ट मार्ग था जहाँ कार्गो पिकअप ट्रक मुख्य समस्या पैदा करने वाले थे। इसका कारण? सीधी सड़कों पर रेड लाइट जंप करना और ट्रैफिक संकेतों की अनदेखी करना।
- "मृत्यु दर" का कारक: जब सबसे घातक स्थानों की बात आई, तो पैटर्न बदल गया। उच्चतम अनुमानित मृत्यु दर ग्रामीण सड़कों पर मोटरसाइकिल और तेज़ गति के कारण देखी गई। दूसरी सबसे अधिक मृत्यु दर शहर में थी, लेकिन इस बार, यह पैदल चलने वालों के टकराने के बारे में थी, जो अक्सर शराब पीकर गाड़ी चलाने या कारों के सामने अचानक आने के कारण हुआ।
"क्या होगा अगर" का खेल (और यह क्या नहीं है)
शोधकर्ताओं ने एक "डिसीजन ट्री" (जो कि "यदि यह, तो वह" जैसा एक फ्लोचार्ट है) का उपयोग यह पता लगाने के लिए किया कि किन परिस्थितियों के कारण ये दुर्घटनाएं हुईं। उदाहरण के लिए, उन्होंने पाया कि यदि सड़क सीधी है, उसमें कोई ढलान नहीं है, और एक मोटरसाइकिल शामिल है, तो दुर्घटना का जोखिम बढ़ जाता है।
फैसला: एक मानचित्र, जादू की छड़ी नहीं
पेपर सुझाव देता है कि यह नया ढांचा शहर योजनाकारों के लिए एक शक्तिशाली उपकरण है। यह कोई जादू की छड़ी नहीं है जो तुरंत सभी दुर्घटनाओं को रोक देती है। इसके बजाय, यह एक हाई-टेक मानचित्र है जो कहता है, "हे, यदि आप इन विशिष्ट सीधी सड़कों पर स्पीड कैमरा लगाते हैं, या यदि आप इन विशिष्ट ग्रामीण क्षेत्रों में मोटरसाइकिल चालकों को बेहतर गियर पहनने के बारे में सिखाते हैं, तो आप जीवन बचा सकते हैं।"
लेखक सावधानी बरतते हुए कहते हैं कि हालांकि उनका मॉडल पुराने मॉडलों की तुलना में बेहतर है, लेकिन यह अभी भी सीख रहा है। वे सुझाव देते हैं कि भविष्य में, यदि वे ड्राइवरों के चेहरे और व्यवहार के वीडियो फुटेज को जोड़ सकें, तो जासूस और भी स्मार्ट हो सकता है। फिलहाल के लिए, उन्होंने साबित कर दिया है कि बड़े डेटा को फैंसी AI के साथ मिलाने से हम दुर्घटनाओं की अदृश्य पैटर्न को देख सकते हैं, जिससे हमें उनके होने से पहले उन्हें ठीक करने का बेहतर मौका मिलता है।
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।