دنیای امروز یک پیچ و خم بزرگ است که با لایه های آسفالت بتنی به هم متصل شده است که به ما امکان می دهد با ماشین سفر کنیم. همانطور که در مورد بیشتر پیشرفتهای مرتبط با ترافیک ما، GPS به ما اجازه میدهد به لطف برنامههای نقشهبرداری از نورونهای کمتری استفاده کنیم، دوربینها به ما در مورد خراشهای بالقوه گرانقیمت هشدار میدهند، و خودروهای خودران الکتریکی مصرف سوخت کمتری دارند - در مورد اقدامات ایمنی چطور؟ ما همچنان به اتکای همیشگی خود به چراغهای راهنمایی، اعتماد و فولاد اطراف خود برای رسیدن ایمن از نقطه A به نقطه B متکی هستیم.
برای اجتناب از عدم قطعیت مرتبط با حوادث، دانشمندان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و مرکز هوش مصنوعی قطر (QCAI) یک مدل یادگیری عمیق ایجاد کردهاند که نقشههای خطر تصادف با وضوح بسیار بالا را ایجاد میکند. بر اساس ترکیبی از دادههای تصادفات تاریخی، نقشههای راه، تصاویر ماهوارهای و مسیرهای GPS، نقشههای خطر، تعداد مورد انتظار تصادف را در یک دوره زمانی در آینده برای شناسایی مناطق پرخطر و پیشبینی تصادفات آینده توصیف میکنند.
به طور معمول، نقشههای ریسک از این نوع با وضوح بسیار پایینتری ثبت میشوند که در محدوده صدها متر است، به این معنی که جزئیات مهم قابل مشاهده نیستند. با این حال، این نقشهها دارای سلولهای شبکهای پنج در پنج متری هستند و وضوح بالاتر وضوح جدیدی را ارائه میکند: دانشمندان کشف کردهاند که برای مثال، یک آزادراه نسبت به جادههای مسکونی مجاور خطر بیشتری دارد.
اگرچه تصادفات رانندگی چندان رایج نیستند، اما حدود 3 درصد از تولید ناخالص داخلی جهانی هزینه دارد و علت اصلی مرگ و میر کودکان و جوانان است. این پراکندگی ایجاد چنین نقشه هایی با وضوح بالا را به یک کار چالش برانگیز تبدیل می کند. اما رویکرد تیم شبکه را برای جمع آوری داده های لازم گسترده تر می کند. مکانهای پرخطر را با استفاده از الگوهای مسیر GPS که اطلاعاتی در مورد تراکم، سرعت و جهت ترافیک ارائه میکند، و همچنین تصاویر ماهوارهای که ساختارهای جادهای مانند تعداد خطوط ترافیکی، وجود شانهها یا تعداد عابران پیاده را توصیف میکنند، شناسایی میکند. سپس، حتی اگر یک منطقه پرخطر هیچ خرابی نداشته باشد، همچنان می توان آن را به عنوان یک منطقه پرخطر بر اساس الگوهای ترافیک و توپولوژی به تنهایی شناسایی کرد.
"مدل ما را می توان با ترکیب سرنخ های متعدد از منابع داده به ظاهر نامرتبط از شهری به شهر دیگر تعمیم داد. امین صادقی، محقق ارشد مؤسسه تحقیقات محاسباتی قطر (QCRI) و نویسنده مقاله میگوید: «این گامی به سوی هوش مصنوعی مشترک است زیرا مدل ما میتواند نقشههای تصادف را در مناطق ناشناخته پیشبینی کند.»
مجموعه داده های آزمایش شده 7 متر مربع را پوشش می دهد. کیلومتر از لس آنجلس، نیویورک، شیکاگو و بوستون. در بین چهار شهر، لس آنجلس به دلیل تراکم تصادفات خطرناک ترین بوده و پس از آن نیویورک، شیکاگو و بوستون قرار دارند.
"اگر مردم بتوانند از نقشه خطر برای شناسایی مناطق بالقوه پرخطر جاده استفاده کنند، می توانند از قبل اقداماتی را برای کاهش خطر سفرهایی که انجام می دهند انجام دهند. در برنامه هایی مانند Waze و Apple نقشهها، ابزارهایی برای کار با حوادث وجود دارد، اما ما سعی میکنیم شکستها را پیشبینی کنیم - قبل از وقوع. میگویند دانشمندان
همچنین بخوانید:
- ویدئو: بررسی Queclink GL300 - GPS Tracker چگونه کار می کند؟
- GPS چیست: انواع سیستم های موقعیت یابی، نحوه عملکرد آن و آینده