研究人员对历史碰撞数据、道路地图、卫星图像和GPS进行了深度模型训练，以实现高分辨率的碰撞地图和安全的道路环境。当今世界是一个大迷宫，由一层层的混凝土和沥青连接起来，让我们有机会在车辆中穿行。我们经历了许多与道路相关的技术进步，但道路安全措施并没有完全跟上。为了领先于车祸中固有的不确定性，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开发了一套深度学习模型，可以预测非常高分辨率的车祸风险图。基于历史车祸数据、道路地图、卫星图像和GPS跟踪，风险地图描绘了未来一段时间内的预期车祸数量，以识别高风险区域并预测未来的车祸。用于创建碰撞风险地图的数据集覆盖了洛杉矶、纽约市、芝加哥和波士顿的7,500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以低得多的分辨率捕获的，它们徘徊在数百米左右，这意味着关键细节会随着道路变得模糊而变得模糊不清。然而，新地图基于5x5米的网格单元，更高的分辨率带来了新的见解。例如，科学家们发现，高速公路比附近的住宅区道路风险更大，合并并离开高速公路的坡道比其他道路风险更大。“通过捕捉决定未来汽车事故概率的潜在风险分布，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，甚至预测未来车祸，”他是该研究新论文的主要作者。交通事故造成的损失约占世界GDP的3%，是儿童和年轻人死亡的主要原因。但总的来说，它的出现还是比较稀少，这种在如此高分辨率下推断地图成为一项棘手的任务。这一级别的撞车事故分布稀疏——在一个5×5的网格单元中，每年发生撞车事故的平均几率约为千分之一，而且至关重要的是，它们很少在同一地点发生两次。以前预测车祸风险的尝试主要基于历史，因为只有附近发生车祸的区域才被认为是高风险区域。为了评估该模型，科学家们使用了2017年和2018年的事故和数据，并测试了其预测2019年和2020年事故的性能。许多被确定为高风险的地点在随后几年发生了事故，即使它们没有任何事故记录。该团队的方法撒下了更广泛的网络来捕获关键数据。它使用GPS轨迹模式识别高风险位置，GPS轨迹模式提供有关交通密度、速度和方向的信息，以及描述道路结构的卫星图像，例如车道数量、是否有路肩或是否有大量行人.经过学习，即使高风险区域没有事故记录，仅根据其交通模式和拓扑结构也可以将其识别为高风险区域。为了评估该模型，科学家们调用了2017年和2018年的事故和数据，并测试了其预测2019年和2020年事故的能力。许多被确定为高风险的地点在随后几年发生了事故，即使它们没有事故记录。QatarComputing首席科学家AminSadeghi表示：“我们的模型可以通过组合来自看似无关的数据源的多个线索，从一个城市推广到另一个城市。这是迈向人工智能的一步，因为我们的模型可以预测未知领域的车祸地图。”研究所(QCRI)和该论文的作者。“即使在没有历史碰撞数据的情况下，该模型也可用于推断有用的碰撞地图，通过比较想象的场景，这些地图可以转化为城市规划和决策的积极用途。”该数据集覆盖了洛杉矶、纽约市、芝加哥和波士顿的7,500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。“如果人们可以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以降低出行风险。Waze和AppleMaps等应用程序都有事故签名工具，但我们正在努力走在汽车前面事故。提前-在它们发生之前，“他说。
