关于ZAKER 一起剪 合作 加入
cnBeta 10-16

研究人员用人工智能预测交通事故发生前的情况

研究人员在历史车祸数据、道路地图、卫星图像和 GPS 上训练了一个深度模型,以实现高分辨率的车祸地图,这可能带来更安全的道路环境。今天的世界是一个大迷宫,由一层层的混凝土和沥青连接起来,让我们有机会通过车辆导航。

我们已经体验了许多与道路有关的技术进步,但道路安全措施还没有完全跟上。为了领先于车祸固有的不确定性,来自麻省理工学院计算机科学与人工智能实验室(CSAIL)和卡塔尔人工智能中心的科学家们开发了一套深度学习模型,预测非常高分辨率的车祸风险地图。在历史车祸数据、道路地图、卫星图像和 GPS 追踪的基础上,风险地图描述了未来一段时间内的预期车祸数量,以确定高风险区域并预测未来的车祸。

用于创建车祸风险地图的数据集涵盖了洛杉矶、纽约市、芝加哥和波士顿的 7500 平方公里。在这四个城市中,洛杉矶是最不安全的,因为它的车祸密度最高,其次是纽约市、芝加哥和波士顿。

通常情况下,这些类型的风险地图是在低得多的分辨率下捕获的,这些分辨率徘徊在数百米左右,这意味着掩盖了关键的细节,因为道路变得模糊不清。然而,新的地图是基于 5×5 米的网格单元,更高的分辨率带来了新的洞察力。科学家们发现,例如,一条高速路比附近的住宅路有更高的风险,而合并和离开高速路的匝道比其他道路的风险更高。

麻省理工学院 CSAIL 博士生何松涛说:" 通过捕捉决定所有地方未来车祸概率的基本风险分布,而且没有任何历史数据,我们可以找到更安全的路线,使汽车保险公司能够根据客户的驾驶轨迹提供定制的保险计划,帮助城市规划者设计更安全的道路,甚至预测未来的车祸," 他是关于这项研究的新论文的主要作者。

交通事故耗费了世界 GDP 的大约 3%,并且是儿童和年轻人死亡的主要原因。但总体上看,它的发生还是比较稀疏的,这种在如此高的分辨率下推断地图成为一项棘手的任务。这种级别的车祸分布很稀疏 -- 在 5×5 的网格单元中发生车祸的平均年几率约为千分之一,最关键的是它们很少在同一地点发生两次。之前预测车祸风险的尝试在很大程度上是基于历史的,因为只有在附近发生过车祸的情况下,一个地区才会被认为是高风险的。

为了评估该模型,科学家们使用了 2017 年和 2018 年的车祸和数据,并测试了其在 2019 年和 2020 年预测车祸的性能。许多地点被确定为高风险,即使它们没有任何车祸记录,也在后续几年中发生了车祸。

该团队的方法投下了一张更广泛的网来捕捉关键数据。它利用 GPS 轨迹模式和描述道路结构的卫星图像来识别高风险地点,前者提供了关于交通密度、速度和方向的信息,后者则描述了道路结构,如车道数量、是否有路肩或是否有大量的行人。经过学习后,即使一个高风险地区没有撞车记录,仅根据其交通模式和拓扑结构,它仍然可以被确定为高风险。

为了评估该模型,科学家们调用了 2017 年和 2018 年的车祸和数据,并测试了其预测 2019 年和 2020 年车祸的能力。许多地点被确定为高风险,即使它们没有撞车记录,也在后续年份发生了撞车。

" 我们的模型通过结合来自看似不相关的数据源的多个线索,可以从一个城市概括到另一个城市。这是迈向通用人工智能的一步,因为我们的模型可以预测未知领域的车祸地图," 卡塔尔计算研究所(QCRI)的首席科学家和该论文的作者 Amin Sadeghi 说。" 即使在没有历史车祸数据的情况下,该模型也可以用来推断出有用的车祸地图,这可以转化为通过比较想象中的场景,对城市规划和政策制定的积极用途。"

该数据集涵盖了洛杉矶、纽约市、芝加哥和波士顿的 7500 平方公里。在这四个城市中,洛杉矶是最不安全的,因为它的车祸密度最高,其次是纽约市、芝加哥和波士顿。

" 如果人们能够使用风险地图来识别潜在的高风险路段,他们就可以提前采取行动,减少他们出行的风险。像 Waze 和苹果地图这样的应用程序都有事故特征工具,但我们正试图走在车祸的前面 -- 在它们发生之前," 他说。

以上内容由"cnBeta"上传发布 查看原文
一起剪

一起剪

ZAKER旗下免费视频剪辑工具

一起剪
科技频道

科技频道

科技改变世界

订阅

觉得文章不错,微信扫描分享好友

扫码分享

热门推荐

查看更多内容