Արհեստական ​​ինտելեկտը կօգնի կանխատեսել ճանապարհատրանսպորտային պատահարները՝ նախքան դրանք տեղի ունենալը

Այսօրվա աշխարհը մի մեծ լաբիրինթոս է, որը կապված է բետոնե ասֆալտի շերտերով, որոնք թույլ են տալիս մեզ ճանապարհորդել մեքենայով: Ինչ վերաբերում է երթևեկության հետ կապված մեր առաջընթացների մեծամասնությանը. GPS-ը թույլ է տալիս մեզ օգտագործել ավելի քիչ նեյրոններ՝ շնորհիվ քարտեզագրման հավելվածների, տեսախցիկները զգուշացնում են մեզ հնարավոր թանկ քերծվածքների մասին, իսկ էլեկտրական ինքնավար մեքենաները վառելիքի ավելի քիչ սպառում ունեն, իսկ անվտանգության միջոցները: Մենք դեռ ապավինում ենք մեր մշտական ​​ապավինմանը լուսացույցների, վստահության և մեր շուրջը գտնվող պողպատի վրա, որպեսզի ապահով կերպով հասնենք A կետից B կետ:

Դժբախտ պատահարների հետ կապված անորոշությունից խուսափելու համար MIT-ի Համակարգչային գիտության և արհեստական ​​ինտելեկտի լաբորատորիայի (CSAIL) և Քաթարի արհեստական ​​ինտելեկտի կենտրոնի (QCAI) գիտնականները մշակել են խորը ուսուցման մոդել, որը ստեղծում է շատ բարձր լուծաչափով վթարների ռիսկի քարտեզներ: Վթարների պատմական տվյալների, ճանապարհային քարտեզների, արբանյակային պատկերների և GPS հետքերի համակցության հիման վրա ռիսկի քարտեզները նկարագրում են ապագայում որոշակի ժամանակահատվածում վթարների ակնկալվող թիվը՝ բարձր ռիսկային տարածքները բացահայտելու և ապագա վթարները կանխատեսելու համար:

Սովորաբար, այս տեսակի ռիսկային քարտեզները գրանցվում են շատ ավելի ցածր լուծաչափով, որը տատանվում է հարյուրավոր մետրերի վրա, ինչը նշանակում է, որ կարևոր մանրամասները չեն կարող տեսնել: Այս քարտեզները, սակայն, ունեն հինգից հինգ մետր ցանցային բջիջներ, և ավելի բարձր լուծաչափը նոր պարզություն է տալիս. Գիտնականները պարզել են, որ, օրինակ, մայրուղին ավելի մեծ ռիսկ ունի, քան մոտակա բնակելի ճանապարհները:

Թեև ավտովթարներն այնքան էլ տարածված չեն, սակայն դրանք արժեն համաշխարհային ՀՆԱ-ի մոտ 3%-ը և հանդիսանում են երեխաների և երիտասարդների մահվան հիմնական պատճառը: Այս սակավությունը բարդ խնդիր է դարձնում նման բարձր լուծաչափով քարտեզների ստեղծումը: Սակայն թիմի մոտեցումն ընդլայնում է ցանցը՝ անհրաժեշտ տվյալներ հավաքելու համար: Այն նույնացնում է բարձր ռիսկային վայրերը՝ օգտագործելով GPS-ի հետագծային օրինաչափությունները, որոնք տեղեկատվություն են տրամադրում երթևեկության խտության, արագության և ուղղության մասին, ինչպես նաև արբանյակային պատկերներ, որոնք նկարագրում են ճանապարհային կառուցվածքները, ինչպիսիք են երթևեկության գոտիների քանակը, ուսերի առկայությունը կամ հետիոտների թիվը: Այնուհետև, նույնիսկ եթե բարձր ռիսկային տարածքը խափանումներ չունի, այն դեռ կարող է նույնականացվել որպես բարձր ռիսկային տարածք՝ հիմնվելով միայն երթևեկության օրինաչափությունների և տոպոլոգիայի վրա:

«Մեր մոդելը կարող է ընդհանրացվել մի քաղաքից մյուսը՝ միավորելով բազմաթիվ հուշումներ թվացյալ անկապ տվյալների աղբյուրներից: Սա քայլ է դեպի համատեղ արհեստական ​​ինտելեկտ, քանի որ մեր մոդելը կարող է կանխատեսել վթարների քարտեզներ չբացահայտված տարածքներում», - ասում է Ամին Սադեղին, Քաթարի Հաշվողական հետազոտական ​​ինստիտուտի (QCRI) առաջատար հետազոտող և հոդվածի հեղինակ:

Փորձարկված տվյալների հավաքածուն ընդգրկում էր 7 քառ. կմ հեռավորության վրա Լոս Անջելեսից, Նյու Յորքից, Չիկագոյից և Բոստոնից: Չորս քաղաքների թվում վթարների ամենաբարձր խտության պատճառով ամենավտանգավորն էր Լոս Անջելեսը, որին հաջորդում են Նյու Յորքը, Չիկագոն և Բոստոնը։

«Եթե մարդիկ կարողանան օգտագործել ռիսկային քարտեզը ճանապարհի պոտենցիալ բարձր ռիսկային տարածքները բացահայտելու համար, նրանք կարող են նախապես քայլեր ձեռնարկել՝ նվազեցնելու իրենց կատարած ճանապարհորդությունների ռիսկը: Հավելվածներում, ինչպիսիք են Waze-ը և Apple Քարտեզներ, կան միջադեպերի հետ աշխատելու գործիքներ, բայց մենք փորձում ենք կանխատեսել ձախողումները՝ նախքան դրանք տեղի ունենալը», - ասում են գիտնականներ

Կարդացեք նաև.

• Տեսանյութ. Queclink GL300 Review - Ինչպե՞ս է աշխատում GPS Tracker-ը:
• Ինչ է GPS. Դիրքորոշման համակարգերի տեսակները, ինչպես է այն աշխատում և ինչ է սպասվում ապագայում