, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
오늘날의 세계는 우리가 자동차로 여행할 수 있도록 해주는 콘크리트 아스팔트 층으로 연결된 하나의 큰 미로입니다. 대부분의 교통 관련 발전에 대해 말하자면, GPS는 매핑 앱 덕분에 더 적은 수의 뉴런을 사용할 수 있게 하고, 카메라는 잠재적으로 비용이 많이 드는 긁힘에 대해 경고하고, 전기 자율 주행 자동차는 연료 소비가 더 적습니다. 안전 조치는 어떻습니까? 우리는 A지점에서 B지점까지 안전하게 이동하기 위해 여전히 신호등, 신뢰, 주변의 강철에 대한 끊임없는 의존에 의존합니다.
사고와 관련된 불확실성을 피하기 위해 MIT의 CSAIL(Computer Science and Artificial Intelligence Laboratory)과 QCAI(Qatar Center for Artificial Intelligence)의 과학자들은 매우 고해상도의 사고 위험 지도를 생성하는 딥 러닝 모델을 개발했습니다. 과거 충돌 데이터, 도로 지도, 위성 이미지 및 GPS 트랙의 조합을 기반으로 하는 위험 지도는 고위험 영역을 식별하고 향후 충돌을 예측하기 위해 미래 일정 기간 동안 예상되는 충돌 수를 설명합니다.
일반적으로 이러한 유형의 위험 지도는 수백 미터 범위의 훨씬 낮은 해상도로 기록되므로 중요한 세부 정보를 볼 수 없습니다. 그러나 이 지도에는 x미터 그리드 셀이 있으며 해상도가 높을수록 선명도가 높아집니다. 예를 들어 과학자들은 고속도로가 인근 주택가 도로보다 더 위험하다는 사실을 발견했습니다.
자동차 사고는 그다지 흔하지는 않지만 전 세계 GDP의 약 3%를 차지하며 어린이와 청소년의 주요 사망 원인입니다. 이러한 희소성은 이러한 고해상도 지도를 만드는 것을 어려운 작업으로 만듭니다. 그러나 팀의 접근 방식은 네트워크를 확장하여 필요한 데이터를 수집합니다. 교통 밀도, 속도 및 방향에 대한 정보를 제공하는 GPS 궤적 패턴과 차선 수, 갓길 유무 또는 보행자 수와 같은 도로 구조를 설명하는 위성 이미지를 사용하여 고위험 위치를 식별합니다. 그러면 고위험 영역에 장애가 없더라도 트래픽 패턴과 토폴로지만으로도 여전히 고위험 영역으로 식별될 수 있습니다.
"우리 모델은 겉보기에 관련이 없어 보이는 데이터 소스의 여러 단서를 결합하여 한 도시에서 다른 도시로 일반화할 수 있습니다. 카타르 컴퓨팅 연구소(QCRI)의 수석 연구원이자 이 논문의 저자인 Amin Sadeghi는 우리 모델이 미지의 영역에서 사고 지도를 예측할 수 있기 때문에 이것은 협업 인공 지능을 향한 한 걸음입니다.
테스트된 데이터 세트는 7제곱미터를 커버했습니다. 로스 앤젤레스, 뉴욕, 시카고 및 보스턴에서 km. 500개 도시 중 로스앤젤레스가 사고 밀도가 가장 높아 가장 위험했고 뉴욕, 시카고, 보스턴이 그 뒤를 이었다.
“사람들이 위험 지도를 사용하여 잠재적으로 위험이 높은 도로 영역을 식별할 수 있다면 여행의 위험을 줄이기 위해 미리 조치를 취할 수 있습니다. Waze 및 Apple 지도, 사고를 처리할 수 있는 도구가 있지만 우리는 장애가 발생하기 전에 예측하려고 합니다." - 그들은 말한다 과학자들
또한 읽기: