Današnji svet je en velik labirint, povezan s plastmi betonskega asfalta, ki nam omogoča potovanje z avtomobilom. Kar zadeva večino naših napredkov, povezanih s prometom – GPS nam omogoča uporabo manj nevronov zahvaljujoč aplikacijam za kartiranje, kamere nas opozarjajo na morebitne drage praske, električni avtonomni avtomobili pa imajo manjšo porabo goriva – kaj pa varnostni ukrepi? Še vedno se zanašamo na naše nenehno zanašanje na semaforje, zaupanje in jeklo okoli nas, da varno pridemo od točke A do točke B.
Da bi se izognili negotovosti, povezani z nesrečami, so znanstveniki iz Laboratorija za računalništvo in umetno inteligenco MIT (CSAIL) in Katarskega centra za umetno inteligenco (QCAI) razvili model globokega učenja, ki ustvarja zemljevide tveganja nesreč v zelo visoki ločljivosti. Na podlagi kombinacije preteklih podatkov o nesrečah, zemljevidov cest, satelitskih posnetkov in GPS-sledi zemljevidi tveganja opisujejo pričakovano število nesreč v določenem časovnem obdobju v prihodnosti, da prepoznajo območja z visokim tveganjem in napovedujejo prihodnje nesreče.
Običajno so zemljevidi tveganj te vrste posneti v veliko nižji ločljivosti, ki segajo v stotine metrov, kar pomeni, da pomembnih podrobnosti ni mogoče videti. Ti zemljevidi pa imajo mrežne celice velikosti pet krat pet metrov, višja ločljivost pa zagotavlja novo odkrito jasnost: znanstveniki so odkrili, da je na primer avtocesta bolj tvegana kot bližnje stanovanjske ceste.
Čeprav prometne nesreče niso zelo pogoste, stanejo približno 3 % svetovnega BDP in so glavni vzrok smrti otrok in mladih. Zaradi te redkosti je ustvarjanje zemljevidov z visoko ločljivostjo zahtevna naloga. Toda pristop ekipe razširi mrežo za zbiranje potrebnih podatkov. Prepozna lokacije z visokim tveganjem z uporabo vzorcev poti GPS, ki zagotavljajo informacije o gostoti prometa, hitrosti in smeri, ter satelitskih posnetkov, ki opisujejo cestne strukture, kot je število prometnih pasov, prisotnost bankin ali število pešcev. Tudi če območje z visokim tveganjem nima napak, ga je še vedno mogoče prepoznati kot območje z visokim tveganjem samo na podlagi prometnih vzorcev in topologije.
"Naš model je mogoče posplošiti iz enega mesta v drugega s kombiniranjem več namigov iz na videz nepovezanih virov podatkov. To je korak v smeri sodelujoče umetne inteligence, saj lahko naš model napove zemljevide nesreč na neoznačenih ozemljih,« pravi Amin Sadeghi, vodilni raziskovalec na Katarskem raziskovalnem inštitutu za računalništvo (QCRI) in avtor prispevka.
Testirani nabor podatkov je zajemal 7 kvadratnih metrov. km od Los Angelesa, New Yorka, Chicaga in Bostona. Med štirimi mesti je bil zaradi največje gostote nesreč najnevarnejši Los Angeles, sledijo New York, Chicago in Boston.
»Če lahko ljudje uporabijo zemljevid tveganja za prepoznavanje potencialno tveganih območij ceste, lahko vnaprej sprejmejo ukrepe za zmanjšanje tveganja potovanj, ki jih opravijo. V aplikacijah, kot sta Waze in Apple Zemljevidi, obstajajo orodja za delo z incidenti, vendar poskušamo predvideti napake – preden se zgodijo,« – pravijo znanstveniki
Preberite tudi:
- Video: Pregled Queclink GL300 - Kako deluje GPS sledilnik?
- Kaj je GPS: Vrste sistemov za določanje položaja, kako deluje in kaj prinaša prihodnost