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

Današnji svijet je jedan veliki labirint povezan slojevima betonskog asfalta koji nam omogućavaju da putujemo automobilom. Što se tiče većine naših napretka vezanih za promet – GPS nam omogućava 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 naše stalno oslanjanje na semafore, povjerenje i čelik oko nas kako bismo bezbedno stigli od tačke A do tačke B.

Kako bi izbjegli neizvjesnost povezanu s nesrećama, naučnici iz Laboratorije za kompjuterske nauke i umjetnu inteligenciju MIT-a (CSAIL) i katarskog centra za umjetnu inteligenciju (QCAI) razvili su model dubokog učenja koji kreira mape rizika od nezgoda vrlo visoke rezolucije. Na osnovu kombinacije istorijskih podataka o nesrećama, mapa puta, satelitskih snimaka i GPS tragova, karte rizika opisuju očekivani broj nesreća u određenom vremenskom periodu u budućnosti kako bi se identifikovala područja visokog rizika i predvidela buduća nesreća.

Obično se karte rizika ove vrste snimaju u mnogo nižoj rezoluciji, u rasponu od stotina metara, što znači da se važni detalji ne mogu vidjeti. Ove karte, međutim, imaju rešetkaste ćelije veličine pet puta pet metara, a viša rezolucija pruža novootkrivenu jasnoću: Naučnici su otkrili da, na primjer, autoput ima veći rizik od obližnjih stambenih cesta.

Iako saobraćajne nesreće nisu česte, koštaju oko 3% globalnog BDP-a i vodeći su uzrok smrti djece i mladih. Ova oskudnost čini stvaranje ovakvih karata visoke rezolucije izazovnim zadatkom. Ali pristup tima širi mrežu kako bi prikupio potrebne podatke. Identificira visokorizične lokacije koristeći GPS obrasce putanje koji pružaju informacije o gustini prometa, brzini i smjeru, kao i satelitskim snimcima koji opisuju putne strukture kao što su broj saobraćajnih traka, prisustvo ramena ili broj pješaka. Zatim, čak i ako područje visokog rizika nema kvarova, ono se i dalje može identificirati kao područje visokog rizika samo na osnovu obrazaca prometa i topologije.

„Naš model se može generalizirati iz jednog grada u drugi kombiniranjem više naznaka iz naizgled nepovezanih izvora podataka. Ovo je korak ka kolaborativnoj umjetnoj inteligenciji jer naš model može predvidjeti mape nesreća na neistraženim teritorijama“, kaže Amin Sadeghi, vodeći istraživač na Qatar Computing Research Institute (QCRI) i autor rada.

Testirani skup podataka pokrivao je 7 kvadratnih metara. km od Los Anđelesa, Njujorka, Čikaga i Bostona. Među četiri grada, Los Anđeles je bio najopasniji zbog najveće gustine nezgoda, a slede Njujork, Čikago i Boston.

„Ako ljudi mogu koristiti mapu rizika da identifikuju potencijalno rizična područja na putu, mogu unaprijed poduzeti korake kako bi smanjili rizik putovanja koje obavljaju. U aplikacijama kao što su Waze i Apple Mape, postoje alati za rad sa incidentima, ali pokušavamo da predvidimo neuspjehe - prije nego što se dogode", - oni kazu naučnici

Pročitajte također:

• Video: Queclink GL300 pregled - Kako GPS Tracker radi?
• Šta je GPS: Vrste sistema za pozicioniranje, kako funkcioniše i šta nosi budućnost