ತಂತ್ರಜ್ಞಾನ: ಸಂಚಾರ ಸುವ್ಯವಸ್ಥೆಗೆ ಯಂತ್ರ ಕಲಿಕೆ

ಜನರು ಸಂಚಾರಕ್ಕೆ ಖಾಸಗಿ ವಾಹನಗಳನ್ನು ತಮ್ಮದೇ ಹಣದಿಂದ ಖರೀದಿಸಿರುತ್ತಾರೆ. ಆದರೆ ಇದರಿಂದ ಅವರಿಗೇ ಹೆಚ್ಚು ತೊಡಕು ಕೂಡ ಉಂಟಾಗುತ್ತಿರುತ್ತದೆ. ಆದರೆ, ಮೆಷಿನ್‌ ಲರ್ನಿಂಗ್‌ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡರೆ ಸಂಚಾರ ವ್ಯವಸ್ಥೆಯನ್ನು ಸುಗಮಗೊಳಿಸಬಹುದು.

***

ಬೆಂಗಳೂರು ನಗರ ಕಳೆದ ಎರಡು ದಶಕಗಳಲ್ಲಿ ಹಿಂದೆಂದೂ ಕಾಣದ ರೀತಿಯಲ್ಲಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ಕಂಡಿದೆ. ಸಾಫ್ಟ್‌ವೇರ್‌ನ ಮುಂದಾಳತ್ವದಲ್ಲಿ ಇತರೆ ವ್ಯಾಪಾರ ಮತ್ತು ವಾಹಿವಾಟು ಕೂಡ ಸೇರಿ ಬೆಂಗಳೂರು ವಿಸ್ತೃತವಾಗಿ ಬೆಳೆಯಲು ಕಾರಣವಾಗಿದೆ. ಬೆಂಗಳೂರಿನಲ್ಲಂತೂ ಎರಡೇ ದಶಕದಲ್ಲಿ ಜನಸಂಖ್ಯೆ ದ್ವಿಗುಣಗೊಂಡಿದೆ. ಬೆಂಗಳೂರಲ್ಲದೆ ರಾಜ್ಯದ ಬೇರೆ ನಗರಗಳಾದ ಮೈಸೂರು, ಮಂಗಳೂರು, ಹುಬ್ಬಳ್ಳಿ-ಧಾರವಾಡ, ಬೆಳಗಾವಿ, ವಿಜಯಪುರ, ಕಲ್ಬುರ್ಗಿ, ರಾಯಚೂರು, ದಾವಣಗೆರೆ, ತುಮಕೂರು ಮತ್ತು ಇನ್ನೂ ಹಲವಾರು ನಗರಗಳು ಕೂಡ ಆರ್ಥಿಕವಾಗಿ ಮತ್ತು ಭೌಗೋಳಿಕವಾಗಿ ಅಭಿವೃದ್ಧಿಯಾಗಿವೆ.

ನಗರಗಳಲ್ಲಂತೂ ಜನಸಂಚಾರಕ್ಕೆ ಎಷ್ಟೇ ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ವ್ಯವಸ್ಥೆ ಇದ್ದರೂ ಸದ್ಯದ ಜನಸಂಖ್ಯೆಗೆ ಅದು ಸಾಕಾಗುವುತ್ತಿಲ್ಲ. ಹೀಗಾಗಿ ಸಾರ್ವಜನಿಕರು ಖಾಸಗಿ ವಾಹನಗಳಿಗೆ ಮೊರೆಹೋಗುತ್ತಿದ್ದಾರೆ. ಖಾಸಗಿ ವಾಹನಗಳಿಂದ ಸಂಚಾರ ಹೆಚ್ಚಾದಂತೆ ದಟ್ಟಣೆ ಕೂಡ ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೆಚ್ಚಾಗಲೇಬೇಕು. ಇದರಿಂದ ನಮ್ಮ ಸಾರಿಗೆ ಮತ್ತು ಸಂಚಾರ ವ್ಯವಸ್ಥೆ ಒಂದು ರೀತಿಯಲ್ಲಿ ಗ್ಯಾರೆಟ್ ಹಾರ್ಡಿನ್ ಅವರು ಸೂಚಿಸಿರುವಂತೆ ‘ಸಮಸ್ತರ ದುರಂತ’ (ಟ್ರಾಜೆಡಿ ಆಫ್ ಕಾಮನ್ಸ್)ಕ್ಕೆ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಏಕೆಂದರೆ ಜನರು ಸಂಚಾರ ಮಾಡಲು ಖಾಸಗಿ ವಾಹನಗಳನ್ನು ತಮ್ಮದೇ ಹಣವನ್ನು ಹೂಡಿ ಕೊಂಡಿಕೊಂಡಿರುತ್ತಾರೆ. ಆದರೆ ಇದರಿಂದ ಅವರಿಗೇ ಹೆಚ್ಚು ತೊಡಕು ಕೂಡ ಉಂಟಾಗುತ್ತಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ ತುಮಕೂರಿನ ಸ್ಥಿತಿಯನ್ನು ಗಮನಿಸೋಣ. ಇತ್ತೀಚಿನ ಮಾಹಿತಿಯ ಪ್ರಕಾರ ಇಲ್ಲಿ ಸುಮಾರು ಒಂದೂವರೆ ಲಕ್ಷ ದ್ವಿಚಕ್ರ ವಾಹಗಳಿವೆ (ಬೈಕ್, ಸ್ಕೂಟರ್, ಮತ್ತು ಮೊಪೆಡ್ ಸೇರಿ). ಪ್ರತಿ ದ್ವಿಚಕ್ರ ವಾಹನಕ್ಕೆ ಸರಾಸರಿ ಐವತ್ತು ಸಾವಿರ ರೂಪಾಯಿಗಳನ್ನು ಸಾರ್ವಜನಿಕರು ಹೂಡಿರುತ್ತಾರೆ ಎಂದರೆ ಸಾರ್ವಜನಿಕರು ಹೂಡಿರುವ ಬಂಡವಾಳ ಸುಮಾರು ₹750 ಕೋಟಿ, ಕೇವಲ ತುಮಕೂರಿನಲ್ಲಿ!

ಆದರೆ ತುಮಕೂರಿಗೆ ವ್ಯವಸ್ಥಿತವಾಗಿ ಸಾರ್ವಜನಿಕ ಬಸ್ ಸಾರಿಗೆ ರೂಪಿಸಲು ಸುಮಾರು 50 ಬಸ್ ಬೇಕು. ಪ್ರತಿ ಬಸ್ಸಿಗೆ ತಲಾ ಇಪ್ಪತ್ತೈದು ಲಕ್ಷವಾದರೆ, ಇದಕ್ಕೆ ಬೇಕಾಗುವ ಒಟ್ಟು ಬಂಡವಾಳ ಸುಮಾರು ಹನ್ನೆರಡೂವರೆ ಕೋಟಿ ಮಾತ್ರ. ಇನ್ನು ಖಾಸಗಿ ವಾಹನ ಬಳಸಲು ಸಾರ್ವಜನಿಕರು ಪೆಟ್ರೋಲ್‌ಗೆ ಖರ್ಚು ಮಾಡಬೇಕು. ಇದೆಲ್ಲದೆ ಖಾಸಗಿ ವಾಹನಗಳನ್ನು ರಸ್ತೆಬದಿಯಲ್ಲಿ ನಿಲ್ಲಿಸುವುದರಿಂದ ಮುಕ್ತ ಸಂಚಾರಕ್ಕೆ ರಸ್ತೆಯಲ್ಲಿ ಜಾಗ ಕಡಿಮೆಯೂ ಆಗುತ್ತದೆ. ಇಷ್ಟು ವಾಹನಗಳು ಸಂಚರಿಸುವುದರಿಂದ ಇವುಗಳಿಂದ ಹೊರಬರುವ ಹೊಗೆಯಿಂದ ವಾಯುಮಾಲಿನ್ಯ ಉಂಟಾಗುತ್ತದೆ; ಮತ್ತು ಈ ಎಲ್ಲ ಸಂಗತಿಗಳು ಜಾಗತಿಕ ಮಟ್ಟದಲ್ಲಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಹೀಗಾಗಿ ನಮ್ಮ ಪ್ರಸ್ತುತ ಸಾರಿಗೆ ವ್ಯವಸ್ಥೆ ‘ಕಾಮನ್ಸ್ ದುರಂತ’ಕ್ಕೆ ಒಂದು ನಿದರ್ಶನವಾಗಿದೆ.

ಈಗಾಗಲೇ ಬೆಂಗಳೂರು ಸೇರಿದಂತೆ ಎಲ್ಲ ಜಿಲ್ಲಾ ಕೇಂದ್ರವಾಗಿರುವ ಊರುಗಳಲ್ಲಿ ಸರ್ಕಾರ ಸಾಂಕೇತಿಕವಾಗಿ ಸಾರ್ವಜನಿಕ ಬಸ್ ಸಾರಿಗೆ ಕಲ್ಪಿಸಿದೆ. ಆದರೆ ಇವು ಪರಿಣಾಮಕಾರಿಯಾಗಿಲ್ಲ. ಏಕೆಂದರೆ ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆಯಲ್ಲಿ ಕೆಲವು ಪ್ರಮುಖ ಆಯಾಮಗಳಿವೆ. ಪ್ರಮುಖವಾಗಿ ಸಾರಿಗೆ ಸೇವೆಗಳು ನಿಗದಿತ ವೇಳೆಯಲ್ಲಿ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಸಮಯಕ್ಕೆ ಸಂಚರಿಸಬೇಕು. ಸಾರಿಗೆಗೆ ತಗಲುವ ವೆಚ್ಚ ಕೂಡ ಬಡ ಮತ್ತು ಮಾಧ್ಯಮ ವರ್ಗದ ಕುಟುಂಬದವರಿಗೆ ಹೊರೆಯಾಗಬಾರದು. ಈಗಿನ ವಾಹನಸಂಚಾರದಿಂದ ದಟ್ಟಣೆ ಹೆಚ್ಚಿ, ನಿರ್ದಿಷ್ಟ ಸಮಯಕ್ಕೆ ಮತ್ತು ನಿಗದಿತ ವೇಳೆಗೆ ನಿಗದಿತ ಸ್ಟಾಪ್‌ಗೆ ತಲುಪುವುದು ಅಸಾಧ್ಯ ಎಂಬುದು ಸಿದ್ಧವಾಗಿದೆ. ಈ ನಿಟ್ಟಿನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾಡೆಲ್ (ಮೆಷಿನ್‌ ಲರ್ನಿಂಗ್‌ ಮಾಡೆಲ್‌) ಸಹಾಯ ಮಾಡಬಹುದು.

ಬಸ್ ಗಳಲ್ಲಿ ಜಿ.ಪಿ.ಎಸ್. ಬಳಸಿ ಬಸ್ ಸಂಚಾರದ ಮಾಹಿತಿಯನ್ನು ಕ್ರೋಡೀಕರಿಸಬಹುದು. ಪ್ರತಿಯೊಂದು ರೂಟ್, ಬಸ್ ಸ್ಟಾಪ್, ಒಂದು ರೂಟ್ ಪೂರೈಸಲು ತಗಲುವ ಸಮಯ ಮತ್ತು ಯಾವ ಸ್ಟಾಪ್ ಇಂದ ಯಾವ ಸ್ಟಾಪ್ ವರೆಗೆ ಯಾವ ಯಾವ ವೇಳೆಯಲ್ಲಿ ಎಷ್ಟು ಜನರು ಪ್ರಯಾಣಿಸುತ್ತಾರೆ – ಎಂಬೆಲ್ಲ ಮಾಹಿತಿಯನ್ನು ಆಧರಿಸಿ, ಮಾಡೆಲ್ ಅನ್ನು ರೂಪಿಸಬಹುದು. ಯಂತ್ರ ಕಲಿಕೆಯ ಒಂದು ವಿಧಾನವಾದ ‘ರೀ–ಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್’ ಅನ್ನು ಆಧರಿಸಿ ಈ ಮಾಡೆಲ್‌ ಅನ್ನು ಸುಧಾರಿಸಬಹುದು. ಲಭ್ಯ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿ, ಮುಂದಿನ ನಿಲ್ದಾಣಕ್ಕೆ ಬಸ್ ಎಷ್ಟು ಹೊತ್ತಿನತಲ್ಲಿ ತಲುಪುತ್ತದೆ ಎಂದು ಊಹಿಸಬಹುದು. ಅಧಿಕ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸಿದರೆ ಮಾಡೆಲ್ ಊಹಿಸುವ ನಿಖರತೆಯೂ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಇದರಿಂದ ಪ್ರಯಾಣಿಕರಿಗೆ ಮುಂಚಿತವಾಗಿ ‘ಇಷ್ಟು ಹೊತ್ತಿನಲ್ಲಿ ಯಾವ ಮಾರ್ಗದ ಬಸ್ ಬರುತ್ತದೆ’ ಎಂದು ತಿಳಿಸಬಹುದು.

ಈ ರೀತಿ ಮಾಡೆಲ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ಸಾರಿಗೆ ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಸೇವೆಯ ಬಲವರ್ಧನೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಇದರಿಂದ ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ವ್ಯವಸ್ಥೆ ಇನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪ್ರಯೋಜನಕ್ಕೆ ಒದಗುತ್ತದೆ. ಆಗ ಹೆಚ್ಚು ಜನರು ಸಾರ್ವಜನಿಕ ಸೇವೆಯನ್ನು ಬಳಸಲೂಬಹುದು.

ಇದಲ್ಲದೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಟ್ರಾಫಿಕ್ ಸಿಗ್ನಲ್‌ಗಳಲ್ಲಿಯೂ ಬಳಸಬಹುದು. ಯಾವುದೇ ಒಂದು ಟ್ರಾಫಿಕ್ ಸಿಗ್ನಲ್‌ನಲ್ಲಿ ಸಾಧಾರಣವಾಗಿ ಮೂರು ಅಥವಾ ನಾಲ್ಕು ದಿಕ್ಕಿನಿಂದ ರಸ್ತೆಗಳು ಕೂಡುತ್ತವೆ. ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿನಿಂದ ಯಾವ ಯಾವ ಹೊತ್ತಿನಲ್ಲಿ ಯಾವ ಯಾವ ಬಗೆಯ ವಾಹನಗಳು ಸಂಚರಿಸುತ್ತವೆ ಎಂದು ವಿಡಿಯೋ ಕ್ಯಾಮೆರಾ ಮೂಲಕ ಮಾಹಿತಿ ಸಂಗ್ರಹಿಸಬಹುದು. ಇದರಿಂದ ನಿರಂತರವಾಗಿ ಬರುವ ಮಾಹಿತಿಯನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡೆಲ್ ಬಳಸಿ ವಾಹನಗಳ ಅಂಕಿ–ಅಂಶಗಳನ್ನು ಕಲೆ ಹಾಕಬಹುದು. ಈ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಂಕಿ–ಅಂಶಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಆಧರಿಸಿ ಮಾಡೆಲ್ ಅನ್ನು ರೂಪಿಸಬಹುದು. ಎಲ್ಲ ಸಿಗ್ನಲ್‌ಗಳ ಮಾಹಿತಿಯನ್ನು ಕಲೆಹಾಕಿ ಒಂದು ಸಮಗ್ರ ಮಾಡೆಲ್‌ ಅನ್ನು ರೂಪಿಸಬಹುದು. ಇದಕ್ಕೂ ಯಂತ್ರ ಕಲಿಕೆಯ ರೀ–ಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಆಧರಿಸಿ ಈ ಮಾಡೆಲ್ ಅನ್ನು ಸುಧಾರಿಸಬಹುದು. ಈ ಮಾಡೆಲ್‌ಗೆ ಬಸ್ ವ್ಯವಸ್ಥೆಯ ಮಾಡೆಲ್ ಕೂಡ ಸೇರಿಸಿಕೊಂಡು ಇನ್ನೂ ಸಮಗ್ರ ಮಾಡೆಲ್ಗಳನ್ನು ರೂಪಿಸಲೂ ಸಾಧ್ಯವಿದೆ.

ಈಗಾಗಲೇ ನಗರ ಸಾರಿಗೆಗೆ ಬಳಸುವ ಸರ್ಕಾರಿ ಬಸ್‌ಗಳಲ್ಲಿ ಜಿ.ಪಿ.ಎಸ್. ಅಳವಡಿಸಿದೆ. ಸ್ಮಾರ್ಟ್ ಸಿಟಿ ಅಡಿಯಲ್ಲಿ ಊರೆಲ್ಲ ಕ್ಯಾಮೆರಾಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. ಹೀಗಾಗಿ ಮೂಲ ಮಾಹಿತಿಯ ಕೊರತೆ ಇಲ್ಲ. ಬೇಕಾಗಿರುವುದು ಪ್ರತಿಯೊಂದು ನಗರಕ್ಕೆ ತಕ್ಕಂತೆ ಆ ಊರಿನ ಸ್ಥಿತಿಗತಿಗೆ ಸೂಕ್ತರವಾಗುವ ಮಾಡೆಲ್‌ಗಳನ್ನು ರೂಪಿಸುವುದು. ಈ ಬಗೆಯ ಮಾಡೆಲ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ನಮ್ಮ ಸಾರಿಗೆ ವ್ಯವಸ್ಥೆ ಸ್ಮಾರ್ಟ್ ಆಗಬಲ್ಲದು. ಆಗ ಸಾರ್ವಜನಿಕರು ನಿರಾಳವಾಗಿ ತಮ್ಮ ದೈನಂದಿನ ಚಟುವಟಿಕೆಗಳನ್ನು ಯೋಜಿಸಿಕೊಂಡು, ನಿರಾಯಾಸವಾಗಿ ನಗರದಲ್ಲಿ ಸಂಚರಿಸಬಹುದು.