, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
今日の世界は、車で移動できるようにコンクリートのアスファルトの層でつながれた つの大きな迷路です。 交通関連の進歩のほとんどについて言えば、GPS はマッピング アプリのおかげで使用するニューロンの数を減らし、カメラは潜在的に高価な傷を警告し、電気自動運転車は燃料消費量を削減します。安全対策はどうでしょうか? 私たちは今でも、A 地点から B 地点に安全に移動するために、信号機、信頼、周囲の鋼鉄に絶え間なく頼っています。
事故に伴う不確実性を回避するために、MIT のコンピューター サイエンスおよび人工知能研究所 (CSAIL) とカタール人工知能センター (QCAI) の科学者は、非常に高解像度の事故リスク マップを作成するディープ ラーニング モデルを開発しました。 過去の衝突データ、ロード マップ、衛星画像、GPS トラックの組み合わせに基づいて、リスク マップは将来の一定期間の予測される衝突回数を記述し、リスクの高い地域を特定し、将来の衝突を予測します。
通常、このタイプのリスク マップは、数百メートルの範囲のはるかに低い解像度で記録されます。つまり、重要な詳細を確認することはできません。 ただし、これらのマップには x メートルのグリッド セルがあり、解像度が高いほど新たに明確になります。科学者は、たとえば、高速道路は近くの住宅道路よりもリスクが高いことを発見しました。
自動車事故はあまり一般的ではありませんが、世界の GDP の約 3% の費用がかかり、子供や若者の主な死因となっています。 この希薄さが、このような高解像度マップの作成を困難な作業にしています。 しかし、チームのアプローチにより、必要なデータを収集する範囲が広がります。 交通密度、速度、方向に関する情報を提供する GPS 軌跡パターンと、車線数、路肩の存在、歩行者数などの道路構造を表す衛星画像を使用して、リスクの高い場所を特定します。 次に、高リスク エリアに障害がなくても、トラフィック パターンとトポロジだけに基づいて高リスク エリアとして識別できます。
「私たちのモデルは、一見無関係なデータソースからの複数の手がかりを組み合わせることで、ある都市から別の都市へと一般化できます。 私たちのモデルは未知の領域の事故地図を予測できるため、これは共同人工知能への一歩です」と、Qatar Computing Research Institute (QCRI) の主任研究員で論文の著者である Amin Sadeghi は述べています。
テストされたデータ セットは 7 平方メートルをカバーしていました。 ロサンゼルス、ニューヨーク、シカゴ、ボストンから数 km。 500都市の中で、事故密度が最も高いロサンゼルスが最も危険度が高く、ニューヨーク、シカゴ、ボストンがそれに続いた。
「人々がリスク マップを使用して、潜在的にリスクの高い道路エリアを特定できれば、移動のリスクを軽減するために事前に対策を講じることができます。 Waze や Apple マップ、インシデントに対処するためのツールがありますが、私たちは失敗を予測しようとしています - 起こる前に」 - 彼らが言うには 科学者
また読む：