ხელოვნური ინტელექტი დაგეხმარებათ წინასწარ განსაზღვროთ საგზაო შემთხვევები, სანამ ისინი მოხდება

დღევანდელი სამყარო არის ერთი დიდი ლაბირინთი, რომელიც დაკავშირებულია ბეტონის ასფალტის ფენებით, რომელიც გვაძლევს მანქანით მგზავრობის საშუალებას. რაც შეეხება ჩვენი ტრაფიკთან დაკავშირებული მიღწევების უმეტესობას – GPS საშუალებას გვაძლევს გამოვიყენოთ ნაკლები ნეირონები რუკების აპლიკაციების წყალობით, კამერები გვაფრთხილებენ პოტენციურად ძვირადღირებული ნაკაწრების შესახებ და ელექტრო ავტონომიურ მანქანებს საწვავის დაბალი მოხმარება აქვთ – რაც შეეხება უსაფრთხოების ზომებს? ჩვენ კვლავ ვეყრდნობით ჩვენს მუდმივ დამოკიდებულებას შუქნიშანზე, ნდობაზე და ჩვენს გარშემო არსებულ ფოლადზე, რათა უსაფრთხოდ მივიდეთ A წერტილიდან B წერტილამდე.

ავარიებთან დაკავშირებული გაურკვევლობის თავიდან ასაცილებლად, MIT-ის კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის (CSAIL) და ყატარის ხელოვნური ინტელექტის ცენტრის (QCAI) მეცნიერებმა შეიმუშავეს ღრმა სწავლის მოდელი, რომელიც ქმნის ძალიან მაღალი გარჩევადობის ავარიის რისკის რუქებს. ავარიის ისტორიული მონაცემების, საგზაო რუქების, სატელიტური გამოსახულების და GPS ტრეკების ერთობლიობაზე დაყრდნობით, რისკის რუქები აღწერს ავარიების მოსალოდნელ რაოდენობას გარკვეული პერიოდის განმავლობაში მომავალში მაღალი რისკის ზონების იდენტიფიცირებისთვის და მომავალი ავარიების პროგნოზირებისთვის.

როგორც წესი, ამ ტიპის რისკის რუქები იწერება გაცილებით დაბალი გარჩევადობით, ასობით მეტრით, რაც იმას ნიშნავს, რომ მნიშვნელოვანი დეტალები ვერ ჩანს. თუმცა, ამ რუქებს აქვთ XNUMX-დან ხუთ მეტრიანი ბადის უჯრედები და უფრო მაღალი გარჩევადობა იძლევა ახალ სიცხადეს: მეცნიერებმა აღმოაჩინეს, რომ, მაგალითად, ავტომაგისტრალს უფრო მაღალი რისკი აქვს, ვიდრე ახლომდებარე საცხოვრებელ გზებს.

მიუხედავად იმისა, რომ ავტოავარიები არც თუ ისე ხშირია, ისინი გლობალური მთლიანი შიდა პროდუქტის დაახლოებით 3% ჯდება და ბავშვებისა და ახალგაზრდების სიკვდილიანობის წამყვანი მიზეზია. ეს სიმცირე რთულ ამოცანად აქცევს ასეთი მაღალი გარჩევადობის რუქების შექმნას. მაგრამ გუნდის მიდგომა აფართოებს ქსელს საჭირო მონაცემების შესაგროვებლად. ის განსაზღვრავს მაღალი რისკის ადგილებს GPS ტრაექტორიის შაბლონების გამოყენებით, რომლებიც გვაწვდიან ინფორმაციას მოძრაობის სიმკვრივის, სიჩქარისა და მიმართულების შესახებ, ასევე სატელიტური სურათებს, რომლებიც აღწერს გზის სტრუქტურებს, როგორიცაა მოძრაობის ზოლების რაოდენობა, მხრების არსებობა ან ფეხით მოსიარულეთა რაოდენობა. მაშინ, მაშინაც კი, თუ მაღალი რისკის ზონას არ აქვს წარუმატებლობები, ის მაინც შეიძლება განისაზღვროს, როგორც მაღალი რისკის ზონა, მხოლოდ საგზაო მოძრაობის შაბლონებისა და ტოპოლოგიის საფუძველზე.

„ჩვენი მოდელი შეიძლება განზოგადდეს ერთი ქალაქიდან მეორეში, ერთი შეხედვით დაუკავშირებელი მონაცემთა წყაროებიდან მრავალი მინიშნებების გაერთიანებით. ეს არის ერთობლივი ხელოვნური ინტელექტისკენ გადადგმული ნაბიჯი, რადგან ჩვენს მოდელს შეუძლია გამოუცნობ ტერიტორიებზე უბედური შემთხვევის რუქების პროგნოზირება“, - ამბობს ამინ სადეგი, ყატარის გამოთვლითი კვლევის ინსტიტუტის წამყვანი მკვლევარი (QCRI) და ნაშრომის ავტორი.

შემოწმებული მონაცემთა ნაკრები მოიცავდა 7 კვ. ლოს ანჯელესიდან, ნიუ-იორკიდან, ჩიკაგოდან და ბოსტონიდან კმ. ოთხ ქალაქს შორის ლოს-ანჯელესი ყველაზე საშიში იყო უბედური შემთხვევის ყველაზე მაღალი სიმკვრივის გამო, შემდეგ მოდის ნიუ-იორკი, ჩიკაგო და ბოსტონი.

„თუ ადამიანებს შეუძლიათ გამოიყენონ რისკების რუკა გზის პოტენციურად მაღალი რისკის უბნების დასადგენად, მათ შეუძლიათ წინასწარ მიიღონ ზომები, რათა შეამცირონ მოგზაურობის რისკი. აპლიკაციებში, როგორიცაა Waze და Apple რუქები, არის ინციდენტებთან მუშაობის ინსტრუმენტები, მაგრამ ჩვენ ვცდილობთ განვსაზღვროთ წარუმატებლობები - სანამ ისინი მოხდება," - ისინი ამბობენ მეცნიერები

ასევე წაიკითხეთ:

• ვიდეო: Queclink GL300 მიმოხილვა - როგორ მუშაობს GPS Tracker?
• რა არის GPS: პოზიციონირების სისტემების ტიპები, როგორ მუშაობს და რა ელის მომავალში