为了领先于车祸固有的不确定性，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的科学家们开发了一套深度学习模型，预测非常高分辨率的车祸风险地图。

作者：cnBeta    来源：今日头条

研究人员在历史车祸数据、道路地图、卫星图像和GPS上训练了一个深度模型，以实现高分辨率的车祸地图，这可能带来更安全的道路环境。今天的世界是一个大迷宫，由一层层的混凝土和沥青连接起来，让我们有机会通过车辆导航。

我们已经体验了许多与道路有关的技术进步，但道路安全措施还没有完全跟上。为了领先于车祸固有的不确定性，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的科学家们开发了一套深度学习模型，预测非常高分辨率的车祸风险地图。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预测未来的车祸。

用于创建车祸风险地图的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。

通常情况下，这些类型的风险地图是在低得多的分辨率下捕获的，这些分辨率徘徊在数百米左右，这意味着掩盖了关键的细节，因为道路变得模糊不清。然而，新的地图是基于5×5米的网格单元，更高的分辨率带来了新的洞察力。科学家们发现，例如，一条高速路比附近的住宅路有更高的风险，而合并和离开高速路的匝道比其他道路的风险更高。

麻省理工学院CSAIL博士生何松涛说："通过捕捉决定所有地方未来车祸概率的基本风险分布，而且没有任何历史数据，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，"他是关于这项研究的新论文的主要作者。

交通事故耗费了世界GDP的大约3%，并且是儿童和年轻人死亡的主要原因。但总体上看，它的发生还是比较稀疏的，这种在如此高的分辨率下推断地图成为一项棘手的任务。这种级别的车祸分布很稀疏--在5×5的网格单元中发生车祸的平均年几率约为千分之一，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在很大程度上是基于历史的，因为只有在附近发生过车祸的情况下，一个地区才会被认为是高风险的。

为了评估该模型，科学家们使用了2017年和2018年的车祸和数据，并测试了其在2019年和2020年预测车祸的性能。许多地点被确定为高风险，即使它们没有任何车祸记录，也在后续几年中发生了车祸。

该团队的方法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，并测试了其预测2019年和2020年车祸的能力。许多地点被确定为高风险，即使它们没有撞车记录，也在后续年份发生了撞车。

"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，可以从一个城市概括到另一个城市。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)的首席科学家和该论文的作者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车祸地图，这可以转化为通过比较想象中的场景，对城市规划和政策制定的积极用途。"

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特征工具，但我们正试图走在车祸的前面--在它们发生之前，"他说。

免责声明：本文版权归原作者所有，钱大人登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。此文如侵犯到您的合法权益，请联系我们。