Umjetna inteligencija pomoći će u predviđanju prometnih nesreća prije nego što se dogode

Današnji svijet je jedan veliki labirint povezan slojevima betonskog asfalta koji nam omogućava putovanje automobilom. Što se tiče većine naših napredaka povezanih s prometom – GPS nam omogućuje da koristimo manje neurona zahvaljujući aplikacijama za mapiranje, kamere nas upozoravaju na potencijalno skupe ogrebotine, a električni autonomni automobili imaju manju potrošnju goriva – što je sa sigurnosnim mjerama? I dalje se oslanjamo na svoje stalno oslanjanje na semafore, povjerenje i čelik oko nas kako bismo sigurno stigli od točke A do točke B.

Kako bi izbjegli neizvjesnost povezanu s nesrećama, znanstvenici iz MIT-ovog Laboratorija za računalnu znanost i umjetnu inteligenciju (CSAIL) i Katarskog centra za umjetnu inteligenciju (QCAI) razvili su model dubokog učenja koji stvara karte rizika od nesreća vrlo visoke rezolucije. Na temelju kombinacije povijesnih podataka o nesrećama, karata cesta, satelitskih slika i GPS tragova, karte rizika opisuju očekivani broj nesreća u određenom vremenskom razdoblju u budućnosti kako bi se identificirala visokorizična područja i predvidjeli budući nesreće.

Obično se karte rizika ove vrste snimaju u mnogo nižoj razlučivosti, u rasponu od stotina metara, što znači da se važni detalji ne mogu vidjeti. Ove karte, međutim, imaju mrežne ćelije veličine pet puta pet metara, a viša rezolucija daje novopronađenu jasnoću: znanstvenici su otkrili da, na primjer, autocesta predstavlja veći rizik od obližnjih stambenih cesta.

Iako prometne nesreće nisu vrlo česte, koštaju oko 3% svjetskog BDP-a i vodeći su uzrok smrti djece i mladih. Ova rijetkost čini stvaranje takvih karata visoke razlučivosti izazovnim zadatkom. Ali pristup tima širi mrežu za prikupljanje potrebnih podataka. Identificira visokorizične lokacije koristeći GPS obrasce putanje koji pružaju informacije o gustoći prometa, brzini i smjeru, kao i satelitske slike koje opisuju cestovne strukture kao što su broj traka, prisutnost bankina ili broj pješaka. Zatim, čak i ako visokorizično područje nema kvarova, i dalje se može identificirati kao visokorizično područje samo na temelju prometnih obrazaca i topologije.

"Naš model može se generalizirati s jednog grada na drugi kombiniranjem više tragova iz naizgled nepovezanih izvora podataka. Ovo je korak prema kolaborativnoj umjetnoj inteligenciji jer naš model može predvidjeti karte nesreća na neistraženim teritorijima," kaže Amin Sadeghi, vodeći istraživač na Katarskom institutu za istraživanje računarstva (QCRI) i autor rada.

Testirani skup podataka pokrivao je 7 kvadratnih metara. km od Los Angelesa, New Yorka, Chicaga i Bostona. Među četiri grada najopasniji je bio Los Angeles zbog najveće gustoće nesreća, a slijede ga New York, Chicago i Boston.

„Ako ljudi mogu koristiti kartu rizika za prepoznavanje potencijalno rizičnih područja na cesti, mogu unaprijed poduzeti korake kako bi smanjili rizik putovanja na kojima idu. U aplikacijama kao što su Waze i Apple Karte, postoje alati za rad s incidentima, ali pokušavamo predvidjeti kvarove - prije nego što se dogode," - oni kažu znanstvenici

Pročitajte također:

• Video: Pregled Queclink GL300 - Kako radi GPS Tracker?
• Što je GPS: Vrste sustava za pozicioniranje, kako funkcionira i što nosi budućnost