|
|
|
|
公众号矩阵

研究人员利用深度学习模型预测交通事故

交通事故预测是一个重要且困难的研究问题,因为一般来说交通事故在时空上相对稀疏,还有不同地理环境造成的时空异质性,这都加大了预测难度。

作者:Noe编译来源:51CTO|2021-11-24 17:48

【51CTO.com快译】当今世界犹如一个用混凝土和沥青浇筑而成的巨大迷宫,道路密布,纵横交错,我们自由地驱车驰骋其间,日行万里也不再是梦。

可以说技术的进步促成了这一切:GPS导航让我们基本不会在陌生的地域迷途;摄像头警示我们避免可能造成的昂贵擦伤;新能源汽车的出现让燃料成本更低......值得关注的是,尽管我们已经体验到了无数与道路相关的技术进步,但在道路安全措施上技术的发展似乎力有未逮。当下,我们仍然只能依靠固定的交通灯、公认的行车规则和汽车自身的安全系数来保护我们从A地到达B地。因此车祸依旧可能成为很多人始料未及的噩梦。

为了对抗这一不确定性,来自麻省理工学院计算机科学与人工智能实验室(CSAIL)和卡塔尔人工智能中心(QCAI)的科学家们开发了一套深度学习模型,实现高分辨率的车祸风险预测地图。在历史车祸数据、道路地图、卫星图像和GPS追踪的基础上,风险地图描述了未来一段时间内的预期车祸数量,以确定高风险区域并对未来做出预警。

通常情况下,这类风险地图的分辨率要低得多,约在数百米左右,这意味着由于道路变得模糊,很多关键细节将被掩盖。然而,新地图是基于5×5米的网格单元,更高的分辨率带来了新的洞察。科学家们发现,高速公路比附近的住宅道路有更高的风险,匝道合并和退出高速公路的风险比其他道路的风险更高。

麻省理工学院CSAIL博士生何松涛说:“通过捕捉潜在的风险分布,推定未来各地发生车祸的概率,在没有任何历史数据的情况下,我们可以找到更安全的路线,使汽车保险公司能够根据客户的驾驶轨迹提供定制的保险计划,帮助城市规划者设计更安全的道路,甚至预测未来的车祸。”

尽管车祸是小概率事件,但它造成的损失约占世界GDP的3%,而且是儿童和年轻人死亡的主要原因。但总体上看,它的发生在时空上还是比较稀疏的,这种稀疏性使得在如此高的分辨率下推断地图成为一项棘手的任务。在一个5 × 5的网格单元中,平均每年发生车祸的几率大约是千分之一,最关键的是它们很少在同一地点发生两次。之前预测车祸风险的尝试大多是“历史性的”,因为一个地区只有在附近曾经发生过车祸时才会被认为是高风险的。

这支研究团队投下了一张更广泛的网来捕捉关键数据。它利用GPS轨迹模式和描述道路结构的卫星图像来识别高风险地点,前者提供了关于交通密度、速度和方向的信息,后者则描述了道路结构,如车道数量、是否有路肩或是否有大量的行人。经过学习后,即使一个高风险地区没有撞车记录,仅根据其交通模式和拓扑结构,它仍然可以被确定为高风险。

为了评估该模型,科学家们调用了2017年和2018年的车祸和数据,并测试了该模型在2019年和2020年预测撞车事故方面的表现。许多地点被确定为高风险地区,即使之前没有历史记录,在随后的几年里也发生了事故。

“我们的模型通过结合来自看似不相关的数据源的多个线索,可以从一个城市应用到另一个城市。这是迈向通用人工智能的一步,因为我们的模型可以预测未知领域的车祸地图。”卡塔尔计算研究所(QCRI)的首席科学家、论文作者阿明·萨德吉(Amin Sadeghi)说,“即使在没有历史车祸数据的情况下,该模型也可以用来推断出有用的事故地图,通过比较想象的情景,这可以转化为对城市规划和政策制定的积极作用。”

该数据集涵盖了洛杉矶、纽约市、芝加哥和波士顿的7500平方公里。在这四个城市中,洛杉矶是最不安全的,因为它的车祸密度最高,其次是纽约市、芝加哥和波士顿。

“如果人们能够使用风险地图来识别潜在的高风险路段,他们就可以提前采取行动,减少他们出行的风险。像Waze和苹果地图这样的应用程序都有事故功能工具,但我们正试图走在车祸的前面--在它们发生之前有所作为,”阿明·萨德吉说。

查看原文:

Deep learning helps predict traffic crashes before they happen

【51CTO译稿,合作站点转载请注明原文译者和出处为51CTO.com】

【责任编辑:张洁 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

带你轻松入门 RabbitMQ

带你轻松入门 RabbitMQ

轻松入门RabbitMQ
共4章 | loong576

57人订阅学习

数据湖与数据仓库的分析实践攻略

数据湖与数据仓库的分析实践攻略

助力现代化数据管理:数据湖与数据仓库的分析实践攻略
共3章 | 创世达人

14人订阅学习

云原生架构实践

云原生架构实践

新技术引领移动互联网进入急速赛道
共3章 | KaliArch

42人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微