Artificiell intelligens hjälper till att förutsäga trafikolyckor innan de inträffar

Dagens värld är en enda stor labyrint sammanlänkad av lager av betongasfalt som gör att vi kan resa med bil. När det gäller de flesta av våra trafikrelaterade framsteg – GPS tillåter oss att använda färre neuroner tack vare kartappar, kameror varnar oss för potentiellt dyra repor och elektriska självkörande bilar har lägre bränsleförbrukning – hur är det med säkerhetsåtgärder? Vi förlitar oss fortfarande på vårt ständiga beroende av trafikljus, tillit och stål runt omkring oss för att ta oss från punkt A till punkt B säkert.

För att undvika osäkerheten i samband med olyckor har forskare från MIT:s datavetenskap och artificiell intelligens Laboratory (CSAIL) och Qatar Center for Artificial Intelligence (QCAI) utvecklat en modell för djupinlärning som skapar mycket högupplösta olycksriskkartor. Baserat på en kombination av historiska kraschdata, vägkartor, satellitbilder och GPS-spår beskriver riskkartor det förväntade antalet krascher under en tidsperiod i framtiden för att identifiera högriskområden och förutsäga framtida krascher.

Vanligtvis registreras riskkartor av denna typ med en mycket lägre upplösning, som sträcker sig i hundratals meter, vilket innebär att viktiga detaljer inte kan ses. Dessa kartor har dock fem gånger fem meter rutnätsceller, och den högre upplösningen ger nyvunnen klarhet: Forskare har upptäckt att till exempel en motorväg har en högre risk än närliggande bostadsvägar.

Även om bilolyckor inte är särskilt vanliga kostar de cirka 3 % av den globala BNP och är den vanligaste dödsorsaken för barn och unga. Denna gleshet gör att skapa sådana högupplösta kartor till en utmanande uppgift. Men teamets tillvägagångssätt vidgar nätet för att samla in nödvändig data. Den identifierar högriskplatser med hjälp av GPS-banamönster som ger information om trafiktäthet, hastighet och riktning, samt satellitbilder som beskriver vägstrukturer som antalet körfält, förekomsten av axlar eller antalet fotgängare. Sedan, även om ett högriskområde inte har några fel, kan det fortfarande identifieras som ett högriskområde baserat på enbart trafikmönster och topologi.

"Vår modell kan generaliseras från en stad till en annan genom att kombinera flera ledtrådar från till synes orelaterade datakällor. Det här är ett steg mot kollaborativ artificiell intelligens eftersom vår modell kan förutsäga olyckskartor i okända territorier", säger Amin Sadeghi, huvudforskare vid Qatar Computing Research Institute (QCRI) och författare till artikeln.

Den testade datamängden täckte 7 500 kvm. km från Los Angeles, New York, Chicago och Boston. Bland de fyra städerna var Los Angeles farligast på grund av den högsta olyckstätheten, följt av New York, Chicago och Boston.

"Om människor kan använda en riskkarta för att identifiera potentiellt högriskområden på vägen, kan de vidta åtgärder i förväg för att minska risken för de resor de gör. I applikationer som Waze och Apple Kartor, det finns verktyg för att arbeta med incidenter, men vi försöker förutse misslyckanden - innan de inträffar," - de säger forskare

Läs också:

• Video: Queclink GL300 Review - Hur fungerar GPS Tracker?
• Vad är GPS: Typer av positioneringssystem, hur det fungerar och vad framtiden har att erbjuda