A mai világ egyetlen nagy labirintus, amelyet betonaszfaltrétegek kötnek össze, amelyek lehetővé teszik, hogy autóval utazhassunk. Ami a legtöbb forgalommal kapcsolatos fejlesztésünket illeti – a GPS lehetővé teszi, hogy kevesebb neuront használjunk a térképező alkalmazásoknak köszönhetően, a kamerák figyelmeztetnek bennünket a potenciálisan drága karcokra, és az elektromos autonóm autók üzemanyag-fogyasztása alacsonyabb – mi a helyzet a biztonsági intézkedésekkel? Továbbra is a közlekedési lámpákra, a bizalomra és a körülöttünk lévő acélra támaszkodunk, hogy biztonságosan eljuthassunk A pontból B pontba.
A balesetekkel kapcsolatos bizonytalanság elkerülése érdekében az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) és a Qatar Center for Artificial Intelligence (QCAI) tudósai mély tanulási modellt fejlesztettek ki, amely nagyon nagy felbontású baleseti kockázati térképeket készít. A korábbi baleseti adatok, útitérképek, műholdképek és GPS-nyomok kombinációja alapján a kockázati térképek leírják a balesetek várható számát egy adott időszakban a jövőben, hogy azonosítsák a magas kockázatú területeket és előre jelezzék a jövőbeni baleseteket.
Az ilyen típusú kockázati térképeket jellemzően jóval kisebb felbontásban rögzítik, több száz méteres tartományban, vagyis a fontos részletek nem láthatók. Ezeken a térképeken azonban ötször öt méteres rácscellák vannak, és a nagyobb felbontás újszerű tisztánlátást biztosít: A tudósok felfedezték, hogy például egy autópálya nagyobb kockázatot jelent, mint a közeli lakóutak.
Bár az autóbalesetek nem túl gyakoriak, a világ GDP-jének körülbelül 3%-ába kerülnek, és a gyermekek és fiatalok halálozási okát jelentik. Ez a ritkaság az ilyen nagy felbontású térképek elkészítését kihívást jelentő feladattá teszi. De a csapat megközelítése kiszélesíti a hálót a szükséges adatok összegyűjtésére. A nagy kockázatú helyeket a forgalom sűrűségéről, sebességéről és irányáról információt nyújtó GPS-pályamintázatok, valamint az útszerkezeteket, például a sávok számát, a vállak meglétét vagy a gyalogosok számát leíró műholdképek segítségével azonosítja a nagy kockázatú helyeket. Ezután, még ha egy magas kockázatú területnek nincsenek is meghibásodásai, pusztán a forgalmi minták és a topológia alapján továbbra is magas kockázatú területként azonosítható.
"Modellünk egyik városról a másikra általánosítható, ha több, látszólag független adatforrásból származó nyomot kombinálunk. Ez egy lépés a kollaboratív mesterséges intelligencia felé, mert modellünk képes előre jelezni a baleseti térképeket fel nem térképezett területeken” – mondja Amin Sadeghi, a Qatar Computing Research Institute (QCRI) vezető kutatója és a cikk szerzője.
A tesztelt adatsor 7 négyzetmétert fed le. km-re Los Angelestől, New Yorktól, Chicagótól és Bostontól. A négy város közül Los Angeles volt a legveszélyesebb a legnagyobb balesetsűrűség miatt, ezt követi New York, Chicago és Boston.
„Ha az emberek egy kockázati térkép segítségével azonosíthatják az út potenciálisan veszélyeztetett területeit, előre lépéseket tehetnek az általuk megtett utazások kockázatának csökkentése érdekében. Olyan alkalmazásokban, mint a Waze és Apple Térképek, vannak eszközök az incidensek kezelésére, de igyekszünk előre jelezni a hibákat – még mielőtt azok megtörténnének." azt mondják tudósok
Olvassa el még:
- Videó: Queclink GL300 Review – Hogyan működik a GPS Tracker?
- Mi a GPS: A helymeghatározó rendszerek típusai, működése és a jövő