आपण कधी विचार केला आहे का की वाहतूक नियंत्रण प्रणाली नसत्या तर शहरातील वाहतुकीची स्थिती काय असती? रस्त्यांवरील चौकाचौकात असलेले वाहतूक नियंत्रक दिवे शहरातील वाहतूक शिस्तबद्ध ठेवण्यात महत्वाची भूमिका बजावतात. अन्यथा रस्त्यांवर गोंधळ माजला असता. या प्रणाली जेव्हा वाहतूक नियंत्रणाचे काम उत्तमरित्या करतात तेव्हा वाहनांची ये-जा सुरळीत होते आणि प्रवाशांचा वेळही वाचतो.
अलीकडील काळात सुरू असलेल्या संशोधनांमुळे वाहतूक नियंत्रण प्रणाली अधिकाअधिक “स्मार्ट” होत चालल्या आहेत. शहरांमध्ये होणाऱ्या वाहतुकीच्या कोंडीची वाढती समस्या हाताळण्यासाठी नवनवीन अल्गोरिदम तयार केले जात असून, यामध्ये मशीन लर्निंगवर आधारित अल्गोरिदम तसेच सुधारित पारंपरिक पद्धती यांचाही समावेश आहे. हे नवीन अल्गोरिदम प्रत्यक्ष वापरात आणण्यापूर्वी त्यांची योग्य चाचणी व सत्यापन होणे महत्वाचे आहे. कारण त्यांच्या संरचना किंवा कार्यवाहीमध्ये त्रुटी राहिलेल्या असल्यास अशा अल्गोरिदम वर आधारित ट्रॅफिक सिग्नल वाहतुकीच्या समस्या अधिकच वाढवू शकतात. त्यामुळे, वाहतूकीचा प्रवाह सुरक्षित व सुरळीत सुरू राहावा यासाठी या नव्या प्राणलींचे काळजीपूर्वक मूल्यमापन करणे आवश्यक ठरते.
भारतीय तंत्रज्ञान संस्था मुंबई (आयआयटी मुंबई) येथील डॉ. नम्रता गुप्ता आणि प्रा. गोपाळ पाटील यांनी ऑस्ट्रेलियामधील मोनॅश विद्यापीठातील प्रा. हाई एल. वू यांच्या सहयोगाने केलेल्या अलीकडील एका अभ्यासाच्या माध्यमातून काही विशिष्ट वाहतूक नियंत्रण प्रणालींचे परीक्षण करण्यासाठी एक नवी पद्धत तयार केली आहे. ही पद्धत त्या मानाने कमी संगणकीय संसाधानांच्या सहाय्याने काम करू शकते आणि तिला खर्चिक सिम्युलेशनची फारशी गरज नाही.
शहरातील वाहतूक नियंत्रित करण्याचे दोन दृष्टिकोन आहेत. एक - पूर्ण शहरातील वाहतूक केंद्रीय पद्धतीने, एकाच नियंत्रण केंद्रातून नियंत्रित करणे; दोन - विकेंद्रीत पद्धती म्हणजेच प्रत्येक चौकातील वाहतूक स्थानिक पद्धतीने नियंत्रित करणे. केंद्रीय प्रणाली संपूर्ण शहरातील रस्त्यांच्या माहितीच्या आधारे निर्णयप्रक्रिया राबवते, त्यामुळे प्रवासाचा वेळ कमी होऊन कोंडी टाळण्यासाठी अधिक कार्यक्षम ठरू शकते. परंतु, या प्रणालीसाठी मोठ्या प्रमाणात संसाधने लागतात आणि प्रणालीमध्ये काही समस्या आल्यास संपूर्ण शहरातील वाहतुकीवर परिणाम होऊ शकतो. याउलट, विकेंद्रीत प्रणाली स्थानिक माहिती आणि प्रणालीच्या निर्णयांचे परिणाम ध्यानात घेऊन काम करते. त्यामुळे विकेंद्रीत प्रणाली स्वस्त आणि वापरायला सोप्या ठरतात व त्या स्थानिक असल्याने त्यांच्यामुळे शहरव्यापी व्यत्यय येण्याची शक्यता कमी होते.
वाहतूक नियंत्रण प्रणालींच्या चाचणीसाठी वाहतुकीच्या संगणकीय अनुरूपणाचा (सिम्युलेशन) वापर बरेच वेळा केला जातो. परंतु, जास्तीत जास्त बारकावे दाखवणाऱ्या संगणकीय अनुरूपणाची किंमतही अधिक असते व त्यासाठी वेळही अधिक लागतो. तसेच, अत्याधिक प्रमाणात संगणकीय संसाधने वापरली तरी अनुरूपणाद्वारे प्रत्यक्ष स्थानावरील सर्व शक्यतांचा इत्यंभूत अंदाज करणे व मॉडेल तयार करणे शक्य होईलच असे नाही. ही अडचण दूर करण्यासाठी आयआयटी मुंबईच्या संशोधकांनी तयार केलेल्या पद्धतीनुसार नेटवर्क सिद्धांतातील गणितीय प्रतिमानांचा वापर केला जातो.
या नव्या पद्धतीद्वारे संशोधकांनी वाहतूक नियंत्रणाच्या धोरणांचे मूल्यांकन करण्यासाठी दोन मापदंड समोर ठेवले आहेत. ‘टू-बिन नेटवर्क सिस्टिम्स’ नावाचे तंत्र वापरून विशिष्ट धोरणाचे अनुरूपण करून या दोनही मापदंडांचे संगणन करता येते. या अनुरूपणासाठी लागणारी संगणन ऊर्जा व वेळ बराच कमी आहे. पहिला मापदंड हे मोजतो की एखाद्या दिशेची वाहतूक ठप्प होणे किंवा वाहतूक अडकून पडणे ही स्थिती टाळण्याची प्रभावी क्षमता एखाद्या धोरणामध्ये आहे का. म्हणजेच एखाद्या धोरणाद्वारे वाहने वेगवेगळ्या दिशांना समप्रमाणात वितरित होऊन सर्व वाहतूक सुरळीतपणे चालू शकते का ही क्षमता हा मापदंड मोजू शकतो. दुसऱ्या मापदंडाद्वारे हे पहिले जाते की एखादे धोरण वाहतुकीची कोंडी किती पटकन सोडवू शकते.
याविषयी प्रा. पाटील सांगतात, “आम्ही प्रस्तावित केलेले मापदंड कोणत्याही वाहतूक नियंत्रण धोरणाला लागू करता येऊ शकतात. मशीन लर्निंगवर आधारित धोरणासाठी देखील ते वापरता येऊ शकतात, मात्र ते धोरण टू-बिन नेटवर्क सिस्टिमच्या रचनेत बसवता येणारे असले पाहिजे.”
टू-बिन, म्हणजेच दोन गट असणाऱ्या तंत्राच्या सहाय्याने दोन प्रमुख दिशांचा वाहन-प्रवाह आणि संख्या संतुलित करण्यासाठी वापरल्या जाणाऱ्या पारंपरिक अल्गोरीदम-आधारित किंवा कृत्रिम बुद्धिमत्तेवर (AI) आधारित वाहतूक धोरणांचे मॉडेल तयार करता येऊ शकते. या पद्धतीमध्ये प्रत्येक दिशा ही स्वतंत्र ‘बिन’ (गट) म्हणून धरली जाते आणि वाहनांच्या दिशेतील बदल हा एका बिनमधून दुसऱ्या बिनमध्ये जाणारा प्रवाह म्हणून पाहिला जातो.
सदर अभ्यासात, संशोधकांनी रस्त्यांचे आयताकृती जाळे विचारात घेतले. या पद्धतीचे आयताकृती रचना असलेले रस्त्यांचे जाळे चंदीगडसारख्या नियोजित शहरांमध्ये आढळते. या जाळ्यातील रस्त्यांचे दोन गटांमध्ये वर्गीकरण केले - उत्तर-दक्षिण धावणारे रस्ते एका गटात म्हणजेच एका बिनमध्ये (N-S) आणि पूर्व-पश्चिम धावणारे रस्ते दुसऱ्या गटात म्हणजेच दुसऱ्या बिनमध्ये (E-W). वाहनांची दिशा उत्तर-दक्षिण रस्त्यांकडून पूर्व-पश्चिम रस्त्यांकडे किंवा त्याउलट वळली तर तो एका बिनकडून दुसऱ्या बिनकडे गेलेला प्रवाह म्हणून गणला जातो. या टू-बिन पद्धतीच्या सहाय्याने रस्त्यांच्या जाळ्याचे आणि वाहतूक प्रवाहाचे गणीतीय समीकरणांमध्ये रूपांतर करता येते. या समीकरणांना सामान्य विकलक समीकरण (डिफरेन्शिअल इक्वेशन) म्हणतात. या समीकरणाची उकल करून संशोधकांना सर्वोत्तम संभाव्य वाहतूक प्रवाह स्थिती निश्चित करता येते, तसेच, वाहतूक प्रवाहाची स्थूल मूलभूत आकृती म्हणजेच ‘मॅक्रोस्कोपिक फंडामेंटल डायग्राम’ (MFD) देखील मिळवता येते. या अकृतीमध्ये रस्त्यांच्या नेटवर्कच्या पातळीवरील सरासरी वाहन वेग, सरासरी घनता आणि सरासरी वाहतूक प्रवाह या घटकांचा परस्परसंबंध दाखवला जातो. यावरून, वाहतुकीचा कल किंवा वर्तन आणि विविध वाहन भार असताना होणाऱ्या कोंडीच्या शक्यता याचे आकलन होते.
(अ) रस्त्यांचे जाळे (ब) टू-बिन वर्गीकरण व प्रवाहाचे रेखाचित्र. (श्रेय: अभ्यासाचे लेखक)
या विश्लेषणातून मिळालेले सैद्धांतिक निष्कर्ष टू-बिन प्रणालीमधील सर्वोत्तम संभाव्य वाहतूक प्रवाहाच्या निष्कर्षांचा एक संदर्भ निश्चित करतात. हा संदर्भ निश्चित झाल्यानंतर कोणतेही वाहतूक धोरण टू-बिन प्रतिमानामध्ये अनुरूपित करून या संदर्भ उच्चांकाशी त्याची तुलना करून पाहता येऊ शकते. ज्या धोरणांद्वारे होणारे वाहतूक नियंत्रण या आदर्श संदर्भाच्या जास्तीतजास्त जवळ येते, ती धोरणे अधिक प्रभावी मानली जातात. प्रस्तावित मापदंड, एखादे वाहतूक धोरण या संदर्भ उच्चांकाच्या किती जवळ जाते याचे मापन करतात.
या रचनेचा सर्वात मोठा फायदा म्हणजे कार्यक्षमता. काही सोप्या समीकरणांवरून नेटवर्कची कार्यक्षमता शोधून काढता येऊ शकते. यासाठी प्रत्येक वाहन आणि प्रत्येक चौक अशा तपशीलांचे मॉडेल करण्याची आवश्यकता नाही.
याविषयी डॉ. गुप्ता यांनी सांगितले, “टू-बिन मॉडेल ही एक व्यापक कल्पना (मॅक्रोस्कोपिक ॲब्स्ट्रॅक्शन) आहे. दोन सरल विकलक समीकरणांद्वारे ही नियंत्रित होते. आपल्याला नेटवर्कचे इष्टतम कार्य सैद्धांतिकरित्या मिळू शकते. शिवाय, या मॉडेलसाठी आवश्यक असलेल्या संगणनाचे प्रमाण बरेच कमी आहे, त्यामुळे वाहतुकीतील अनेक शक्यता याद्वारे वेगाने पडताळून पाहिल्या जाऊ शकतात.”
संशोधकांनी PTV VISSIM हा सामान्यतः वापरला जाणारा वाहतूक सिम्युलेटर वापरून त्यांच्या या पद्धतीचे सत्यापन केले.
ही पद्धत मजबूत वाटत असली तरीही ती शक्य असलेली प्रत्येक वाहतूक स्थिती अनुरूपित (सिम्युलेट) करू शकत नाही. या पद्धतीच्या काही मर्यादा स्पष्ट करताना प्रा. पाटील म्हणतात,
“शक्य असलेली प्रत्येक वाहतूक स्थिती सिम्युलेट करणे अशक्य असले तरी कार्यस्थितीमधील विविधता दाखवण्यासाठी आम्ही निवडक सैद्धांतिक निष्कर्षांचा वापर करतो आणि त्यावरून कोंडीची वेगवेगळी पातळी असलेल्या तसेच भिन्न मागण्या आणि नेटवर्कचे स्वरूप असलेल्या वैविध्यपूर्ण वाहतूक स्थितींची रचना करतो.”
ही रचना रस्त्यांच्या गुंतागुंतीच्या नेटवर्कसाठी वापरता येत नाही ही या रचनेची आणखी एक मर्यादा आहे. गुंतागुंतीच्या रस्त्यांच्या मॉडेलसाठी कदाचित फोर-बिन प्रणाली सारखी जटिल पद्धत वापरण्याची (दोन ऐवजी चार गट करून) आवश्यकता असू शकते. यासारख्या आणखी एका अभ्यासाअंतर्गत, याच संशोधक गटाने ही रचना (फ्रेमवर्क) थ्री-बिन (तीन गट आधारित) मॉडेल्सवर वापरून पाहिली. आणखी एक आव्हान म्हणजे यामध्ये पादचाऱ्यांचा समावेश करणे. याबाबत डॉ. गुप्ता सांगतात, “बिन-आधारित मॉडेल पादचाऱ्यांना सामावून घेऊ शकतील या प्रकारे विस्तारीत करणे तितकेसे सरळ नाही. कारण, वाहनांच्या तुलनेत पादचाऱ्यांची हालचाल वेगळ्या नियम आणि मर्यादांवर अवलंबून होत असते.”
भविष्यात, प्रवासाचा कालावधी, थांबण्याचा वेळ इत्यादि नेहमीच्या परीमाणांना हे मापदंड लागू करून पाहण्याचा संशोधकांचा मानस आहे. पुढे जाऊन, सध्याच्या टू-बिन मॉडेलच्या माध्यमातून मिळालेल्या सैद्धांतिक माहितीमुळे भौतिकशास्त्र-प्रेरित (फिजिक्स-इन्स्पायर्ड) रीएनफोर्समेंट लर्निंगवर आधारित वाहतूक नियंत्रक दिवे व तत्सम मशीन लर्निंगवर आधारित असलेल्या नव्या पद्धतींना प्रोत्साहन मिळेल का हे देखील संशोधक तपासून पाहणार आहेत.