Η τεχνητή νοημοσύνη θα βοηθήσει στην πρόβλεψη των τροχαίων ατυχημάτων πριν συμβούν

Ο σημερινός κόσμος είναι ένας μεγάλος λαβύρινθος που συνδέεται με στρώματα τσιμεντένιας ασφάλτου που μας επιτρέπουν να ταξιδεύουμε με αυτοκίνητο. Όσο για τις περισσότερες από τις προόδους μας που σχετίζονται με την κυκλοφορία – το GPS μας επιτρέπει να χρησιμοποιούμε λιγότερους νευρώνες χάρη στις εφαρμογές χαρτογράφησης, οι κάμερες μας προειδοποιούν για πιθανώς ακριβές γρατσουνιές και τα ηλεκτρικά αυτόνομα αυτοκίνητα έχουν χαμηλότερη κατανάλωση καυσίμου – τι γίνεται με τα μέτρα ασφαλείας; Εξακολουθούμε να βασιζόμαστε στη συνεχή μας εξάρτηση από τα φανάρια, την εμπιστοσύνη και το ατσάλι γύρω μας για να φτάσουμε από το σημείο Α στο σημείο Β με ασφάλεια.

Για να αποφευχθεί η αβεβαιότητα που σχετίζεται με τα ατυχήματα, επιστήμονες από το Computer Science and Artificial Intelligence Laboratory (CSAIL) του MIT και το Qatar Center for Artificial Intelligence (QCAI) ανέπτυξαν ένα μοντέλο βαθιάς μάθησης που δημιουργεί χάρτες κινδύνου ατυχημάτων πολύ υψηλής ανάλυσης. Βασισμένοι σε συνδυασμό ιστορικών δεδομένων ατυχημάτων, οδικών χαρτών, δορυφορικών εικόνων και ιχνών GPS, οι χάρτες κινδύνου περιγράφουν τον αναμενόμενο αριθμό ατυχημάτων σε μια χρονική περίοδο στο μέλλον για τον εντοπισμό περιοχών υψηλού κινδύνου και την πρόβλεψη μελλοντικών ατυχημάτων.

Συνήθως, οι χάρτες κινδύνου αυτού του τύπου καταγράφονται σε πολύ χαμηλότερη ανάλυση, που κυμαίνεται σε εκατοντάδες μέτρα, πράγμα που σημαίνει ότι δεν μπορούν να φανούν σημαντικές λεπτομέρειες. Αυτοί οι χάρτες, ωστόσο, έχουν κελιά πλέγματος πέντε επί πέντε μέτρα και η υψηλότερη ανάλυση παρέχει νέα σαφήνεια: Οι επιστήμονες ανακάλυψαν ότι, για παράδειγμα, ένας αυτοκινητόδρομος έχει υψηλότερο κίνδυνο από τους κοντινούς οικιστικούς δρόμους.

Αν και τα τροχαία ατυχήματα δεν είναι πολύ συνηθισμένα, κοστίζουν περίπου το 3% του παγκόσμιου ΑΕΠ και αποτελούν την κύρια αιτία θανάτου για παιδιά και νέους. Αυτή η σπανιότητα καθιστά τη δημιουργία χαρτών τέτοιων υψηλής ανάλυσης μια πρόκληση. Αλλά η προσέγγιση της ομάδας διευρύνει το δίχτυ για τη συλλογή των απαραίτητων δεδομένων. Προσδιορίζει τοποθεσίες υψηλού κινδύνου χρησιμοποιώντας μοτίβα τροχιάς GPS που παρέχουν πληροφορίες σχετικά με την πυκνότητα της κυκλοφορίας, την ταχύτητα και την κατεύθυνση, καθώς και δορυφορικές εικόνες που περιγράφουν οδικές κατασκευές, όπως ο αριθμός των λωρίδων κυκλοφορίας, η παρουσία ώμων ή ο αριθμός των πεζών. Στη συνέχεια, ακόμα κι αν μια περιοχή υψηλού κινδύνου δεν έχει αστοχίες, μπορεί να αναγνωριστεί ως περιοχή υψηλού κινδύνου με βάση μόνο τα μοτίβα κυκλοφορίας και την τοπολογία.

«Το μοντέλο μας μπορεί να γενικευτεί από τη μια πόλη στην άλλη συνδυάζοντας πολλαπλές ενδείξεις από φαινομενικά άσχετες πηγές δεδομένων. Αυτό είναι ένα βήμα προς τη συνεργατική τεχνητή νοημοσύνη, επειδή το μοντέλο μας μπορεί να προβλέψει χάρτες ατυχημάτων σε αχαρτογράφητες περιοχές», λέει ο Amin Sadeghi, επικεφαλής ερευνητής στο Qatar Computing Research Institute (QCRI) και συγγραφέας της εργασίας.

Το δοκιμασμένο σύνολο δεδομένων κάλυψε 7 τ. χλμ από το Λος Άντζελες, τη Νέα Υόρκη, το Σικάγο και τη Βοστώνη. Μεταξύ των τεσσάρων πόλεων, το Λος Άντζελες ήταν το πιο επικίνδυνο λόγω της μεγαλύτερης πυκνότητας ατυχημάτων, ακολουθούμενο από τη Νέα Υόρκη, το Σικάγο και τη Βοστώνη.

«Εάν οι άνθρωποι μπορούν να χρησιμοποιήσουν έναν χάρτη κινδύνου για να εντοπίσουν περιοχές δυνητικά υψηλού κινδύνου του δρόμου, μπορούν να λάβουν μέτρα εκ των προτέρων για να μειώσουν τον κίνδυνο των ταξιδιών που πραγματοποιούν. Σε εφαρμογές όπως το Waze και Apple Χάρτες, υπάρχουν εργαλεία για να δουλέψουμε με περιστατικά, αλλά προσπαθούμε να προβλέψουμε τις αποτυχίες - πριν συμβούν", - λένε Επιστήμονες

Διαβάστε επίσης:

• Βίντεο: Queclink GL300 Review - Πώς λειτουργεί το GPS Tracker;
• Τι είναι το GPS: Τύποι συστημάτων εντοπισμού θέσης, πώς λειτουργεί και τι επιφυλάσσει το μέλλον