भारत की सड़कों पर, जहां कारें, बसें, तिपहिया और दोपहिया वाहन अक्सर सीमित स्थान साझा करने के लिए मजबूर होते हैं, यातायात कुछ ही सेकंड में नाटकीय रूप से बदल सकता है। शहरी नियोजन विशेषज्ञों और सड़क यातायात इंजीनियरों के लिए इस गतिशीलता को समझना एक जटिल कार्य है, क्योंकि कई पारंपरिक मॉडल यह मानते हैं कि वाहन सख्ती से लेन का पालन करते हैं और अनुमानित गति बनाए रखते हैं, जो भारत की सड़कों पर शायद ही कभी सच होता है।
इंडियन इंस्टीट्यूट ऑफ टेक्नोलॉजी (IIT) गुवाहाटी के शोधकर्ता इस कमी को दूर करने पर काम कर रहे हैं। उन्होंने गणितीय मॉडल विकसित किए हैं जो भारत की सड़कों पर परिवहन के अप्रत्याशित व्यवहार को बेहतर ढंग से ध्यान में रखते हैं, जिसमें ड्रोन से प्राप्त वीडियो सामग्री, स्वचालित वाहन ट्रैकिंग और मशीन लर्निंग को जोड़ा गया है।
लगभग नौ मिलियन वाहनों की स्थिति को ट्रैक करना
प्रोफेसर अहीलेश कुमार मौर्य के नेतृत्व में सिविल इंजीनियरिंग विभाग की शोध टीम ने दिल्ली के बाहरी इलाके में एक आठ-लेन वाले विभाजित राजमार्ग पर यातायात की गति का अध्ययन किया। उच्च-रिज़ॉल्यूशन कैमरों से लैस ड्रोनों का उपयोग करके, उन्होंने 4K रिज़ॉल्यूशन में लगभग पांच घंटे के दिन के यातायात को रिकॉर्ड किया। इन वीडियो को फिर DataFromSky सॉफ़्टवेयर का उपयोग करके संसाधित किया गया, जो हवाई तस्वीरों से वाहनों की गतिविधियों को निकालता है।
परिणामस्वरूप, एक डेटासेट प्राप्त हुआ जिसमें 36,818 वाहन और 8,938,920 वाहन स्थिति डेटा बिंदु शामिल थे, जिन्हें प्रति सेकंड 10 फ्रेम की दर से कैप्चर किया गया था। शोधकर्ताओं ने वाहनों को छह श्रेणियों में विभाजित किया: दोपहिया, तिपहिया, कारें, बसें, भारी वाणिज्यिक वाहन और हल्के वाणिज्यिक वाहन। इसने विभिन्न प्रकार के परिवहन के चलने, एक दूसरे का कितनी करीब अनुसरण करने और यातायात घनत्व बढ़ने पर उनकी गति कैसे बदलने की विस्तृत तस्वीर प्रदान की।
प्रोफेसर मौर्य ने भारत-विशिष्ट डेटा के उपयोग की आवश्यकता पर जोर दिया, यह समझाते हुए कि 'भारत की सड़क की स्थितियाँ उन कई देशों की स्थितियों से अलग हैं जहां मौजूदा यातायात मॉडल विकसित किए गए थे। हमें ऐसे यातायात डेटा की आवश्यकता है जो भारतीय सड़कों की विविधता और विशिष्टताओं को दर्शाता हो।'
ड्रोन-आधारित डेटा संग्रह बड़ी संख्या में वाहनों और सड़क खंड पर उनकी गतिविधियों का उच्च स्थानिक और लौकिक विवरण के साथ अवलोकन करने की अनुमति देता है।
शोधकर्ताओं ने पाया कि वाहनों के बीच की दूरी यातायात घनत्व पर निर्भर करती थी। अपेक्षाकृत खाली सड़कों पर वाहन बड़े अंतराल बनाए रखते थे, लेकिन जैसे-जैसे यातायात बढ़ता था, ये अंतराल कम होते जाते थे। हालांकि, अत्यधिक भीड़भाड़ होने पर व्यवस्थाएँ फिर से बदल जाती थीं।
यह परिवर्तनशीलता महत्वपूर्ण है, क्योंकि समान दिखने वाली परिस्थितियों में चल रहे दो वाहन जरूरी नहीं कि एक ही गति से चलें। इन अंतरों को समझने के लिए, टीम ने ग्रीन्सफील्ड्स और अंडरवुड जैसे स्थापित दृष्टिकोणों सहित छह यातायात गणितीय मॉडल का परीक्षण किया। इसके अलावा, उन्होंने दो मशीन लर्निंग मॉडल को प्रशिक्षित किया: आर्टिफिशियल न्यूरल नेटवर्क्स (ANN) और रैंडम फॉरेस्ट (RF)।
सबसे दिलचस्प पहलू स्टोकेस्टिक मौलिक आरेखों का निर्माण था। सरल शब्दों में, पारंपरिक यातायात मॉडल आमतौर पर दी गई यातायात घनत्व के लिए एक गति का मूल्यांकन करते हैं। स्टोकेस्टिक मॉडल आगे बढ़कर गति की सीमा पर विचार करते हैं जिस गति से वाहन वास्तव में उन परिस्थितियों में चल सकते हैं। यह मॉडलों को व्यक्तिगत वाहनों के बीच के अंतरों को सुचारू करने के बजाय भारतीय यातायात की यादृच्छिकता का अधिक यथार्थवादी प्रतिनिधित्व करने की अनुमति देता है।
भविष्यवाणियों में सुधार से लेकर अधिक स्मार्ट सड़क योजना तक
शोधकर्ताओं ने पाया कि अंडरवुड मॉडल परीक्षण किए गए गणितीय मॉडलों में सबसे अधिक स्थिरता प्रदर्शित करता है, जिसने 0.86 का R² मान प्राप्त किया। दोनों मशीन लर्निंग मॉडल ने लगभग 0.83 दिखाया।
प्राप्त परिणाम राजमार्गों की क्षमता का आकलन करने, चौराहों के डिजाइन, सड़कों पर गति निर्धारित करने और यातायात मॉडलिंग में सुधार के लिए व्यावहारिक अनुप्रयोग पा सकते हैं। यह डेटा शोधकर्ताओं को कार फॉलोइंग मॉडल को कैलिब्रेट करने में भी मदद कर सकता है, जो अध्ययन करते हैं कि ड्राइवर सामने के वाहनों के संबंध में अपनी दूरी और गति को कैसे नियंत्रित करते हैं।
प्रोफेसर मौर्य ने टिप्पणी की: 'यातायात का विश्वसनीय प्रबंधन उन मॉडलों से शुरू होता है जो दर्शाते हैं कि भारत की सड़कों पर यातायात वास्तव में कैसा व्यवहार करता है। ड्रोन द्वारा प्राप्त उच्च-विस्तृत ट्रैजेक्टरी डेटा हमें विभिन्न प्रकार के वाहनों के बीच की परस्पर क्रिया और उस बड़ी परिवर्तनशीलता को दर्ज करने की अनुमति देता है जिसे पारंपरिक यातायात मॉडल अक्सर नजरअंदाज कर देते हैं।'
भारत-विशिष्ट ऐसे मॉडल यातायात के अधिक यथार्थवादी मॉडलिंग का समर्थन कर सकते हैं, सड़कों और चौराहों के डिजाइन में सुधार कर सकते हैं, भीड़भाड़ का प्रबंधन कर सकते हैं, क्षमता का आकलन कर सकते हैं और भारत की परिस्थितियों के अनुकूल बुद्धिमान यातायात प्रबंधन प्रणाली विकसित कर सकते हैं।
किसी भी व्यक्ति के लिए जो भारत में सड़क पर समय बिता चुका है, यातायात की भविष्यवाणी की जटिलता आसानी से समझ में आती है: कार धीमी हो जाती है, दोपहिया वाहन एक संकीर्ण अंतराल में आ जाता है, ऑटो रिक्शा लेन बदलता है, और सैकड़ों वाहनों की गति सेकंडों में बदल सकती है। इन इंटरैक्शन के विस्तृत दस्तावेजीकरण के साथ, आईआईटी गुवाहाटी की टीम यातायात मॉडल को यात्रियों द्वारा प्रतिदिन अनुभव की जाने वाली चीज़ों के अधिक अनुरूप बनाने की उम्मीद करती है। यह शोध न केवल इस बात को समझने की दिशा में एक कदम है कि कितने वाहन सड़क का उपयोग करते हैं, बल्कि यह भी कि वे एक दूसरे के सापेक्ष कैसे चलते हैं, जो अंततः दैनिक यात्रा को अधिक अनुमानित बनाने में मदद कर सकता है।