, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
Днешният свят е един голям лабиринт, свързан със слоеве бетонен асфалт, които ни позволяват да пътуваме с кола. Що се отнася до повечето от нашите подобрения, свързани с трафика – GPS ни позволява да използваме по-малко неврони благодарение на приложенията за картографиране, камерите ни предупреждават за потенциално скъпи драскотини, а електрическите автономни автомобили имат по-нисък разход на гориво – какво ще кажете за мерките за безопасност? Все още разчитаме на постоянното си разчитане на светофари, доверие и стомана около нас, за да стигнем безопасно от точка А до точка Б.
За да избегнат несигурността, свързана със злополуките, учени от Лабораторията за компютърни науки и изкуствен интелект (CSAIL) на MIT и Катарския център за изкуствен интелект (QCAI) разработиха модел за задълбочено обучение, който създава карти на риска от злополуки с много висока разделителна способност. Въз основа на комбинация от исторически данни за катастрофи, пътни карти, сателитни изображения и GPS следи, картите на риска описват очаквания брой катастрофи за определен период от време в бъдеще, за да идентифицират високорисковите зони и да предскажат бъдещи катастрофи.
Обикновено рисковите карти от този тип се записват с много по-ниска разделителна способност, варираща в стотици метри, което означава, че важни детайли не могат да се видят. Тези карти обаче имат клетки от мрежа с размери пет на пет метра, а по-високата разделителна способност осигурява новооткрита яснота: Учените са открили, че например магистрала има по-висок риск от близките жилищни пътища.
Въпреки че автомобилните катастрофи не са много чести, те струват около 3% от глобалния БВП и са водещата причина за смъртта на деца и млади хора. Тази рядкост прави създаването на такива карти с висока разделителна способност предизвикателна задача. Но подходът на екипа разширява мрежата за събиране на необходимите данни. Той идентифицира високорискови местоположения, използвайки модели на траектории на GPS, които предоставят информация за плътността на трафика, скоростта и посоката, както и сателитни изображения, които описват пътни структури като броя на лентите за движение, наличието на рамена или броя на пешеходците. След това, дори ако зона с висок риск няма повреди, тя все още може да бъде идентифицирана като зона с висок риск само въз основа на модели на трафик и топология.
„Нашият модел може да бъде обобщен от един град в друг чрез комбиниране на множество улики от привидно несвързани източници на данни. Това е стъпка към колаборативен изкуствен интелект, защото нашият модел може да предскаже карти на произшествията в неизследвани територии“, казва Амин Садеги, водещ изследовател в Катарския компютърен изследователски институт (QCRI) и автор на статията.
Тестваният набор от данни обхваща 7 кв. км от Лос Анджелис, Ню Йорк, Чикаго и Бостън. Сред четирите града Лос Анджелис е най-опасен поради най-високата плътност на произшествията, следван от Ню Йорк, Чикаго и Бостън.
„Ако хората могат да използват карта на риска, за да идентифицират потенциално високорискови зони на пътя, те могат да предприемат стъпки предварително, за да намалят риска от пътуванията, които правят. В приложения като Waze и Apple Карти, има инструменти за работа с инциденти, но ние се опитваме да предвидим неуспехите - преди да се случат," - те казват учени
Прочетете също:
- Видео: Преглед на Queclink GL300 - Как работи GPS тракерът?
- Какво е GPS: Видове системи за позициониране, как работи и какво крие бъдещето