Makakatulong ang artificial intelligence na mahulaan ang mga aksidente sa kalsada bago ito mangyari

Ang mundo ngayon ay isang malaking maze na konektado ng mga layer ng kongkretong aspalto na nagpapahintulot sa amin na maglakbay sa pamamagitan ng kotse. Tulad ng para sa karamihan ng aming mga pag-unlad na nauugnay sa trapiko - Binibigyang-daan kami ng GPS na gumamit ng mas kaunting mga neuron salamat sa mga app ng pagmamapa, binabalaan kami ng mga camera tungkol sa mga potensyal na mamahaling gasgas, at ang mga de-koryenteng autonomous na kotse ay may mas mababang pagkonsumo ng gasolina - paano ang mga hakbang sa kaligtasan? Umaasa pa rin kami sa aming patuloy na pag-asa sa mga traffic light, tiwala, at bakal sa paligid namin upang ligtas na makapunta mula sa point A hanggang point B.

Upang maiwasan ang kawalan ng katiyakan na nauugnay sa mga aksidente, ang mga siyentipiko mula sa MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) at ang Qatar Center for Artificial Intelligence (QCAI) ay bumuo ng isang malalim na modelo ng pag-aaral na lumilikha ng napakataas na resolusyon ng mga mapa ng panganib sa aksidente. Batay sa isang kumbinasyon ng makasaysayang data ng pag-crash, mga mapa ng kalsada, satellite imagery at mga track ng GPS, inilalarawan ng mga mapa ng peligro ang inaasahang bilang ng mga pag-crash sa isang yugto ng panahon sa hinaharap upang matukoy ang mga lugar na may mataas na peligro at mahulaan ang mga pag-crash sa hinaharap.

Karaniwan, ang mga mapa ng peligro ng ganitong uri ay naitala sa mas mababang resolution, na umaabot sa daan-daang metro, ibig sabihin ay hindi makikita ang mahahalagang detalye. Ang mga mapa na ito, gayunpaman, ay may limang-by-limang metrong grid cell, at ang mas mataas na resolution ay nagbibigay ng bagong kaliwanagan: Natuklasan ng mga siyentipiko na, halimbawa, ang isang freeway ay may mas mataas na panganib kaysa sa mga kalapit na residential road.

Bagama't hindi masyadong karaniwan ang mga aksidente sa sasakyan, nagkakahalaga ang mga ito ng humigit-kumulang 3% ng pandaigdigang GDP at ang nangungunang sanhi ng pagkamatay ng mga bata at kabataan. Ang sparsity na ito ay ginagawang isang mahirap na gawain ang paggawa ng mga mapa na may mataas na resolution. Ngunit ang diskarte ng koponan ay nagpapalawak ng net upang makalikom ng kinakailangang data. Tinutukoy nito ang mga lokasyong may mataas na peligro gamit ang mga pattern ng trajectory ng GPS na nagbibigay ng impormasyon sa density ng trapiko, bilis at direksyon, pati na rin ang mga satellite image na naglalarawan sa mga istruktura ng kalsada gaya ng bilang ng mga daanan ng trapiko, ang presensya ng mga balikat o ang bilang ng mga naglalakad. Pagkatapos, kahit na ang isang lugar na may mataas na peligro ay walang mga pagkabigo, maaari pa rin itong matukoy bilang isang lugar na may mataas na peligro batay sa mga pattern ng trapiko at topology lamang.

"Ang aming modelo ay maaaring gawing pangkalahatan mula sa isang lungsod patungo sa isa pa sa pamamagitan ng pagsasama-sama ng maraming mga pahiwatig mula sa tila hindi nauugnay na mga mapagkukunan ng data. Ito ay isang hakbang patungo sa collaborative artificial intelligence dahil ang aming modelo ay maaaring mahulaan ang mga mapa ng aksidente sa hindi pa natukoy na mga teritoryo," sabi ni Amin Sadeghi, nangungunang mananaliksik sa Qatar Computing Research Institute (QCRI) at may-akda ng papel.

Ang nasubok na set ng data ay sumasaklaw sa 7 sq. km mula sa Los Angeles, New York, Chicago at Boston. Sa apat na lungsod, ang Los Angeles ang pinakamapanganib dahil sa pinakamataas na density ng aksidente, na sinundan ng New York, Chicago at Boston.

"Kung ang mga tao ay maaaring gumamit ng isang mapa ng peligro upang matukoy ang mga potensyal na mataas na panganib na mga lugar ng kalsada, maaari silang gumawa ng mga hakbang nang maaga upang mabawasan ang panganib ng mga paglalakbay na kanilang ginagawa. Sa mga application tulad ng Waze at Apple Mapa, may mga tool upang gumana sa mga insidente, ngunit sinusubukan naming asahan ang mga pagkabigo - bago mangyari ang mga ito," - sabi nila mga siyentipiko

Basahin din:

• Video: Queclink GL300 Review - Paano Gumagana ang GPS Tracker?
• Ano ang GPS: Mga uri ng positioning system, kung paano ito gumagana at kung ano ang hinaharap