Dirbtinis intelektas padės numatyti eismo įvykius dar jiems neįvykus

Šiandieninis pasaulis – tai vienas didelis labirintas, sujungtas betoninio asfalto sluoksniais, leidžiančiais keliauti automobiliais. Kalbant apie daugumą su eismu susijusių pažangų – GPS leidžia naudoti mažiau neuronų dėl žemėlapių sudarymo programėlių, kameros įspėja apie galimai brangius įbrėžimus, o elektra valdomuose automobiliuose degalų sąnaudos yra mažesnės – kaip dėl saugos priemonių? Mes vis dar pasikliaujame savo nuolatiniu pasitikėjimu šviesoforais, pasitikėjimu ir plienu, kad galėtume saugiai patekti iš taško A į tašką B.

Siekdami išvengti netikrumo, susijusio su nelaimingais atsitikimais, mokslininkai iš MIT kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) ir Kataro dirbtinio intelekto centro (QCAI) sukūrė gilaus mokymosi modelį, kuris sukuria labai didelės skiriamosios gebos avarijų rizikos žemėlapius. Remiantis istorinių avarijų duomenų, kelių žemėlapių, palydovinių vaizdų ir GPS takelių deriniu, rizikos žemėlapiai apibūdina numatomą avarijų skaičių per tam tikrą laikotarpį ateityje, kad būtų galima nustatyti didelės rizikos zonas ir numatyti būsimas avarijas.

Paprastai tokio tipo rizikos žemėlapiai įrašomi daug mažesne skiriamąja geba, svyruojančia šimtais metrų, o tai reiškia, kad negalima pamatyti svarbių detalių. Tačiau šiuose žemėlapiuose yra penkių x penkių metrų tinklelio ląstelės, o didesnė skiriamoji geba suteikia naujo aiškumo: mokslininkai išsiaiškino, kad, pavyzdžiui, greitkelis kelia didesnį pavojų nei šalia esantys gyvenamieji keliai.

Nors automobilių avarijos nėra labai dažnos, jos kainuoja apie 3 % pasaulio BVP ir yra pagrindinė vaikų ir jaunimo mirties priežastis. Dėl šio retumo tokių didelės raiškos žemėlapių kūrimas yra sudėtinga užduotis. Tačiau komandos požiūris išplečia tinklą, kad būtų galima surinkti reikiamus duomenis. Jis identifikuoja didelės rizikos vietas naudodamas GPS trajektorijos šablonus, teikiančius informaciją apie eismo intensyvumą, greitį ir kryptį, taip pat palydovinius vaizdus, ​​apibūdinančius kelio struktūras, pvz., eismo juostų skaičių, kelkraščius ar pėsčiųjų skaičių. Tada, net jei didelės rizikos zonoje nėra gedimų, ji vis tiek gali būti identifikuojama kaip didelės rizikos zona, remiantis vien eismo modeliais ir topologija.

„Mūsų modelis gali būti apibendrintas iš vieno miesto į kitą, sujungiant keletą užuominų iš iš pažiūros nesusijusių duomenų šaltinių. Tai žingsnis link bendradarbiaujančio dirbtinio intelekto, nes mūsų modelis gali numatyti nelaimingų atsitikimų žemėlapius neatrastose teritorijose“, – sako Aminas Sadeghi, Kataro skaičiavimo tyrimų instituto (QCRI) vadovaujantis tyrėjas ir straipsnio autorius.

Išbandytas duomenų rinkinys apėmė 7 kv. km nuo Los Andželo, Niujorko, Čikagos ir Bostono. Iš keturių miestų Los Andželas buvo pavojingiausias dėl didžiausio avarijų tankio, po to seka Niujorkas, Čikaga ir Bostonas.

„Jei žmonės gali naudoti rizikos žemėlapį, kad nustatytų potencialiai pavojingas kelio vietas, jie gali iš anksto imtis veiksmų, kad sumažintų kelionių riziką. Tokiose programose kaip Waze ir Apple Žemėlapiai, yra įrankių dirbti su incidentais, bet mes stengiamės numatyti gedimus – kol jie neįvyksta“, – jie sako mokslininkai

Taip pat skaitykite:

• Vaizdo įrašas: Queclink GL300 apžvalga – kaip veikia GPS sekiklis?
• Kas yra GPS: padėties nustatymo sistemų tipai, kaip jos veikia ir kas laukia ateityje