Kunstig intelligens vil hjælpe med at forudsige trafikulykker, før de opstår

Dagens verden er én stor labyrint forbundet af lag af betonasfalt, der giver os mulighed for at rejse i bil. Hvad angår de fleste af vores trafikrelaterede fremskridt – GPS giver os mulighed for at bruge færre neuroner takket være kortlægningsapps, kameraer advarer os om potentielt dyre ridser, og elektriske autonome biler har lavere brændstofforbrug – hvad med sikkerhedsforanstaltninger? Vi er stadig afhængige af vores konstante afhængighed af trafiklys, tillid og stål omkring os for at komme sikkert fra punkt A til punkt B.

For at undgå den usikkerhed, der er forbundet med ulykker, har forskere fra MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) og Qatar Center for Artificial Intelligence (QCAI) udviklet en deep learning-model, der skaber ulykkesrisikokort i meget høj opløsning. Baseret på en kombination af historiske ulykkesdata, vejkort, satellitbilleder og GPS-spor beskriver risikokort det forventede antal ulykker over en periode i fremtiden for at identificere højrisikoområder og forudsige fremtidige ulykker.

Typisk optages risikokort af denne type med en meget lavere opløsning, der rækker i hundredvis af meter, hvilket betyder, at vigtige detaljer ikke kan ses. Disse kort har dog fem gange fem meter gitterceller, og den højere opløsning giver nyfundet klarhed: Forskere har opdaget, at for eksempel en motorvej har en højere risiko end nærliggende boligveje.

Selvom bilulykker ikke er særlig almindelige, koster de omkring 3 % af det globale BNP og er den største dødsårsag for børn og unge. Denne sparsomhed gør det til en udfordrende opgave at skabe sådanne kort i høj opløsning. Men holdets tilgang udvider nettet for at indsamle de nødvendige data. Den identificerer højrisikoplaceringer ved hjælp af GPS-banemønstre, der giver information om trafiktæthed, hastighed og retning, samt satellitbilleder, der beskriver vejstrukturer såsom antallet af kørebaner, tilstedeværelsen af ​​skuldre eller antallet af fodgængere. Så selvom et højrisikoområde ikke har nogen fejl, kan det stadig identificeres som et højrisikoområde baseret på trafikmønstre og topologi alene.

"Vores model kan generaliseres fra en by til en anden ved at kombinere flere spor fra tilsyneladende ikke-relaterede datakilder. Dette er et skridt i retning af kollaborativ kunstig intelligens, fordi vores model kan forudsige ulykkeskort i ukendte territorier," siger Amin Sadeghi, ledende forsker ved Qatar Computing Research Institute (QCRI) og forfatter til papiret.

Det testede datasæt dækkede 7 kvm. km fra Los Angeles, New York, Chicago og Boston. Blandt de fire byer var Los Angeles den farligste på grund af den højeste ulykkestæthed, efterfulgt af New York, Chicago og Boston.

"Hvis folk kan bruge et risikokort til at identificere potentielt højrisikoområder på vejen, kan de tage skridt på forhånd for at reducere risikoen for de rejser, de foretager. I applikationer som Waze og Apple Kort, der er værktøjer til at arbejde med hændelser, men vi forsøger at forudse fejl - før de sker," - de siger videnskabsmænd

Læs også:

• Video: Queclink GL300 Review - Hvordan virker GPS Tracker?
• Hvad er GPS: Typer af positioneringssystemer, hvordan det fungerer, og hvad fremtiden bringer