Künstliche Intelligenz wird helfen, Verkehrsunfälle vorherzusagen, bevor sie passieren

Die heutige Welt ist ein einziges großes Labyrinth, das durch Schichten aus Betonasphalt verbunden ist, die es uns ermöglichen, mit dem Auto zu reisen. Was die meisten unserer verkehrsbezogenen Fortschritte betrifft – GPS ermöglicht es uns, dank Mapping-Apps weniger Neuronen zu verwenden, Kameras warnen uns vor potenziell teuren Kratzern und elektrische autonome Autos haben einen geringeren Kraftstoffverbrauch – wie sieht es mit Sicherheitsmaßnahmen aus? Wir verlassen uns immer noch auf unser ständiges Vertrauen in Ampeln, Vertrauen und Stahl um uns herum, um sicher von Punkt A nach Punkt B zu gelangen.

Um die mit Unfällen verbundene Ungewissheit zu vermeiden, haben Wissenschaftler des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT und des Qatar Centre for Artificial Intelligence (QCAI) ein Deep-Learning-Modell entwickelt, das sehr hochauflösende Unfallrisikokarten erstellt. Basierend auf einer Kombination aus historischen Unfalldaten, Straßenkarten, Satellitenbildern und GPS-Tracks beschreiben Risikokarten die erwartete Anzahl von Unfällen über einen Zeitraum in der Zukunft, um Bereiche mit hohem Risiko zu identifizieren und zukünftige Unfälle vorherzusagen.

Typischerweise werden Risikokarten dieser Art mit einer viel geringeren Auflösung aufgezeichnet, die Hunderte von Metern beträgt, was bedeutet, dass wichtige Details nicht sichtbar sind. Diese Karten haben jedoch fünf mal fünf Meter große Rasterzellen, und die höhere Auflösung sorgt für neue Klarheit: Wissenschaftler haben herausgefunden, dass beispielsweise eine Autobahn ein höheres Risiko birgt als nahe gelegene Wohnstraßen.

Obwohl Autounfälle nicht sehr häufig sind, kosten sie etwa 3 % des globalen BIP und sind die häufigste Todesursache für Kinder und Jugendliche. Diese geringe Dichte macht das Erstellen solch hochauflösender Karten zu einer herausfordernden Aufgabe. Aber der Ansatz des Teams erweitert das Netz, um die notwendigen Daten zu sammeln. Es identifiziert Orte mit hohem Risiko anhand von GPS-Trajektorienmustern, die Informationen über Verkehrsdichte, Geschwindigkeit und Richtung liefern, sowie Satellitenbildern, die Straßenstrukturen wie die Anzahl der Fahrspuren, das Vorhandensein von Seitenstreifen oder die Anzahl der Fußgänger beschreiben. Selbst wenn ein Bereich mit hohem Risiko keine Ausfälle aufweist, kann er dann allein auf der Grundlage von Verkehrsmustern und Topologie immer noch als ein Bereich mit hohem Risiko identifiziert werden.

„Unser Modell kann von einer Stadt auf eine andere verallgemeinert werden, indem mehrere Hinweise aus scheinbar nicht zusammenhängenden Datenquellen kombiniert werden. Dies ist ein Schritt in Richtung kollaborativer künstlicher Intelligenz, da unser Modell Unfallkarten in unbekannten Gebieten vorhersagen kann“, sagt Amin Sadeghi, leitender Forscher am Qatar Computing Research Institute (QCRI) und Autor des Papiers.

Der getestete Datensatz umfasste 7 Quadratmeter. km von Los Angeles, New York, Chicago und Boston entfernt. Unter den vier Städten war Los Angeles aufgrund der höchsten Unfalldichte die gefährlichste, gefolgt von New York, Chicago und Boston.

„Wenn Menschen eine Risikokarte verwenden können, um potenziell risikoreiche Bereiche der Straße zu identifizieren, können sie im Voraus Maßnahmen ergreifen, um das Risiko ihrer Fahrten zu verringern. In Anwendungen wie Waze und Apple Karten, es gibt Tools, um mit Vorfällen zu arbeiten, aber wir versuchen, Ausfälle vorherzusehen – bevor sie passieren“, – Sie sagen Wissenschaftler

Lesen Sie auch:

• Video: Queclink GL300 Review – Wie funktioniert der GPS-Tracker?
• Was ist GPS: Arten von Ortungssystemen, wie es funktioniert und was die Zukunft bringt