Tekoäly auttaa ennakoimaan liikenneonnettomuuksia ennen kuin ne tapahtuvat

Nykymaailma on yksi iso labyrintti, jota yhdistävät betoniasfalttikerrokset, joiden avulla voimme matkustaa autolla. Kuten suurin osa liikenteeseen liittyvistä edistysaskeleistamme – GPS antaa meille mahdollisuuden käyttää vähemmän neuroneja karttasovellusten ansiosta, kamerat varoittavat mahdollisesti kalliista naarmuista ja sähköautojen polttoaineenkulutus on pienempi – entä turvallisuustoimenpiteet? Luotamme edelleen jatkuvaan riippuvuuteemme liikennevaloista, luottamuksesta ja teräksestä ympärillämme päästäksemme pisteestä A paikkaan B turvallisesti.

Onnettomuuksiin liittyvän epävarmuuden välttämiseksi tutkijat MIT:n tietotekniikan ja tekoälyn laboratoriosta (CSAIL) ja Qatar Center for Artificial Intelligencesta (QCAI) ovat kehittäneet syvän oppimismallin, joka luo erittäin korkearesoluutioisia onnettomuusriskikarttoja. Riskikartat, jotka perustuvat historiallisten törmäystietojen, tiekarttojen, satelliittikuvien ja GPS-jälkien yhdistelmään, kuvaavat odotetun onnettomuuksien määrän tietyllä ajanjaksolla tulevaisuudessa, jotta voidaan tunnistaa riskialueet ja ennustaa tulevia kolareita.

Tyypillisesti tämän tyyppiset riskikartat tallennetaan paljon pienemmällä resoluutiolla, satojen metrien välillä, mikä tarkoittaa, että tärkeitä yksityiskohtia ei voida nähdä. Näissä kartoissa on kuitenkin viisi kertaa viisi metriä ruudukkosoluja, ja korkeampi resoluutio tuo uutta selkeyttä: Tutkijat ovat havainneet, että esimerkiksi moottoritiellä on suurempi riski kuin lähellä olevilla asuinteillä.

Vaikka auto-onnettomuudet eivät ole kovin yleisiä, ne maksavat noin 3 prosenttia maailman bruttokansantuotteesta ja ovat yleisin lasten ja nuorten kuolinsyy. Tämä harvalukuisuus tekee tällaisten korkearesoluutioisten karttojen luomisesta haastavan tehtävän. Mutta tiimin lähestymistapa laajentaa verkkoa tarvittavien tietojen keräämiseksi. Se tunnistaa riskialttiit paikat GPS-ratakuvioiden avulla, jotka antavat tietoa liikenteen tiheydestä, nopeudesta ja suunnasta, sekä satelliittikuvia, jotka kuvaavat tien rakenteita, kuten liikennekaistojen lukumäärän, olkapäiden tai jalankulkijoiden määrän. Silloin, vaikka korkean riskin alueella ei olisi vikoja, se voidaan silti tunnistaa riskialueeksi pelkän liikennemalleihin ja topologiaan perustuen.

"Mallimme voidaan yleistää kaupungista toiseen yhdistämällä useita vihjeitä näennäisesti toisiinsa liittymättömistä tietolähteistä. Tämä on askel kohti yhteistyökykyistä tekoälyä, koska mallimme voi ennustaa onnettomuuskarttoja kartoittamattomilla alueilla", sanoo Qatar Computing Research Instituten (QCRI) johtava tutkija ja artikkelin kirjoittaja Amin Sadeghi.

Testattu tietojoukko kattoi 7 500 neliömetriä. kilometrin päässä Los Angelesista, New Yorkista, Chicagosta ja Bostonista. Neljästä kaupungista Los Angeles oli vaarallisin suurimman onnettomuustiheyden vuoksi, jota seurasivat New York, Chicago ja Boston.

”Jos ihmiset voivat tunnistaa riskikartan avulla tien mahdollisesti riskialttiita alueita, he voivat ryhtyä toimiin etukäteen vähentääkseen matkojensa riskiä. Sovelluksissa, kuten Waze ja Apple Mapsissa on työkaluja tapausten käsittelyyn, mutta yritämme ennakoida epäonnistumisia - ennen kuin ne tapahtuvat", - he sanovat tiedemiehet

Lue myös:

• Video: Queclink GL300 Review - Kuinka GPS Tracker toimii?
• Mikä on GPS: Paikannusjärjestelmien tyypit, miten se toimii ja mitä tulevaisuus tuo tullessaan