, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
當今世界是一個大迷宮，由層層混凝土瀝青連接起來，讓我們可以開車旅行。 至於我們大部分與交通相關的進步——GPS 允許我們使用地圖應用程序減少神經元，攝像頭警告我們潛在的昂貴划痕，以及電動自動駕駛汽車的油耗更低——安全措施呢？ 我們仍然依賴於我們對交通信號燈、信任和周圍的鋼鐵的持續依賴，才能安全地從 A 點到達 B 點。
為了避免與事故相關的不確定性，麻省理工學院計算機科學與人工智能實驗室 (CSAIL) 和卡塔爾人工智能中心 (QCAI) 的科學家開發了一種深度學習模型，可以創建非常高分辨率的事故風險圖。 基於歷史事故數據、路線圖、衛星圖像和 GPS 軌蹟的組合，風險地圖描述了未來一段時間內預期的事故數量，以識別高風險區域並預測未來的事故。
通常，這種類型的風險地圖以低得多的分辨率記錄，範圍為數百米，這意味著看不到重要的細節。 然而，這些地圖有 x 米的網格單元，更高的分辨率提供了新的清晰度：科學家們發現，例如，高速公路比附近的住宅道路具有更高的風險。
雖然車禍並不常見，但它們造成的損失約佔全球 GDP 的 3%，是兒童和年輕人死亡的主要原因。 這種稀疏性使得創建這樣的高分辨率地圖成為一項具有挑戰性的任務。 但是該團隊的方法擴大了網絡以收集必要的數據。 它使用提供交通密度、速度和方向信息的 GPS 軌跡模式以及描述道路結構（如車道數量、路肩的存在或行人數量）的衛星圖像來識別高風險位置。 然後，即使高風險區域沒有故障，仍然可以僅根據流量模式和拓撲將其識別為高風險區域。
“我們的模型可以通過結合來自看似不相關的數據源的多個線索從一個城市推廣到另一個城市。 這是朝著協作人工智能邁出的一步，因為我們的模型可以預測未知領域的事故地圖，”卡塔爾計算研究所 (QCRI) 首席研究員、該論文的作者 Amin Sadeghi 說。
測試數據集覆蓋 7 平方米。 距離洛杉磯、紐約、芝加哥和波士頓公里。 在這四個城市中，由於事故密度最高，洛杉磯是最危險的，其次是紐約、芝加哥和波士頓。
“如果人們可以使用風險地圖來識別道路上潛在的高風險區域，他們就可以提前採取措施來降低他們所走旅程的風險。 在 Waze 等應用程序中 Apple 地圖，有處理事件的工具，但我們試圖預測失敗 - 在它們發生之前，“ - 他們說 科學家們
另請閱讀：