, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
今天的世界是一个巨大的迷宫，由一层层的混凝土沥青连接起来，让我们可以驾车旅行。 至于我们大多数与交通相关的进步——GPS 允许我们使用更少的神经元，这要归功于地图应用程序，相机警告我们潜在的昂贵划痕，以及电动自动驾驶汽车的油耗更低——安全措施呢？ 我们仍然依赖于对交通信号灯、信任和周围钢铁的持续依赖，才能安全地从 A 点到达 B 点。
为了避免与事故相关的不确定性，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 和卡塔尔人工智能中心 (QCAI) 的科学家开发了一种深度学习模型，可以创建非常高分辨率的事故风险地图。 基于历史车祸数据、道路地图、卫星图像和 GPS 轨迹的组合，风险地图描述了未来一段时间内的预期车祸数量，以识别高风险区域并预测未来的车祸。
通常，这种类型的风险地图以低得多的分辨率记录，范围在数百米内，这意味着无法看到重要的细节。 然而，这些地图有 × 米的网格单元，更高的分辨率提供了新的清晰度：科学家发现，例如，高速公路比附近的住宅区道路具有更高的风险。
尽管车祸并不常见，但其造成的损失约占全球 GDP 的 3%，是儿童和青少年死亡的主要原因。 这种稀疏性使得创建如此高分辨率的地图成为一项具有挑战性的任务。 但是该团队的方法拓宽了网络以收集必要的数据。 它使用提供交通密度、速度和方向信息的 GPS 轨迹模式以及描述道路结构（例如行车道数量、是否存在路肩或行人数量）的卫星图像来识别高风险位置。 然后，即使高风险区域没有故障，仍然可以仅根据流量模式和拓扑将其识别为高风险区域。
“通过结合来自看似无关的数据源的多个线索，我们的模型可以从一个城市推广到另一个城市。 这是向协作人工智能迈出的一步，因为我们的模型可以预测未知领域的事故地图，”卡塔尔计算研究所 (QCRI) 首席研究员兼该论文的作者 Amin Sadeghi 说。
测试数据集覆盖了 7 平方米。 距洛杉矶、纽约、芝加哥和波士顿 km。 在这四个城市中，洛杉矶最危险，事故密度最高，其次是纽约、芝加哥和波士顿。
“如果人们可以使用风险地图来识别道路上潜在的高风险区域，他们就可以提前采取措施来降低他们旅途中的风险。 在 Waze 和 Apple 地图，有处理事件的工具，但我们试图预测失败 - 在它们发生之前，“ - 他们说 科学家们
另请阅读：