【.com快译】今天的世界就像一个由混凝土和沥青组成的巨大迷宫。这不再是梦想。 可以说科技的进步造就了这一切：GPS导航让我们在陌生的地方基本不会迷路；相机警告我们避免可能的昂贵划痕；新能源汽车的出现使燃料成本降低……值得注意的是，尽管我们经历了无数与道路相关的技术进步，但道路安全措施的技术发展似乎还不够。目前，我们仍然只能依靠固定的红绿灯、普遍接受的驾驶规则和汽车本身的安全系数来保护我们从A点到B点。因此，车祸仍然可能成为许多人的噩梦。 为了应对这种不确定性，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（QCAI）的科学家们开发了一套深度学习模型，以实现高分辨率的车祸风险预测图。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为未来提供预警。 通常，这些类型的风险地图的分辨率要低得多，大约为数百米，这意味着随着道路变得模糊，许多关键细节将丢失。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。科学家们发现，高速公路比附近的住宅区道路面临更高的风险，高速公路上的匝道合并和出口比其他道路面临更高的风险。 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，估计未来各个地方发生车祸的概率，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，让车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。” 车祸虽然属于罕见事件，但其造成的损失约占全球GDP的1%~3%，是儿童和青壮年死亡的主要原因。时间，这种稀疏性使得推断如此高分辨率的地图成为一项棘手的任务。在5×5的网格单元中，每年发生车祸的平均几率约为千分之一，关键是它们很少在同一时间发生两次以前预测车祸风险的尝试大多是“历史性的”，因为只有附近发生过车祸的区域才会被认为是高风险区域。 研究团队广撒网，抓取关键数据。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，并测试了该模型预测2019年和2020年事故的性能。许多地点被确定为高风险区域，即使在随后的几年中发生事故没有以前的历史。 “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的领土碰撞地图，”首席科学家AminSadeghi说。卡塔尔计算研究所(QCRI)和该论文的作者。“即使在没有历史碰撞数据的情况下，该模型也可以用来推断有用的，通过比较想象的场景，这可以转化为对城市规划和决策的积极影响。” 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，他们可以及早采取行动以降低出行风险。像Waze和AppleMaps这样的应用程序都有事故功能工具，但我们正在努力Getaheadofcaraccidents-makeadifferencebeforetheyhappen,”AminSadji说。 查看原文： 深度学习有助于预测交通在它们发生之前崩溃
