【51CTO.com快譯】當(dāng)今世界猶如一個用混凝土和瀝青澆筑而成的巨大迷宮，道路密布，縱橫交錯，我們自由地驅(qū)車馳騁其間，日行萬里也不再是夢。

　　可以說技術(shù)的進(jìn)步促成了這一切：GPS導(dǎo)航讓我們基本不會在陌生的地域迷途；攝像頭警示我們避免可能造成的昂貴擦傷；新能源汽車的出現(xiàn)讓燃料成本更低......值得關(guān)注的是，盡管我們已經(jīng)體驗到了無數(shù)與道路相關(guān)的技術(shù)進(jìn)步，但在道路安全措施上技術(shù)的發(fā)展似乎力有未逮。當(dāng)下，我們?nèi)匀恢荒芤揽抗潭ǖ慕煌簟⒐J(rèn)的行車規(guī)則和汽車自身的安全系數(shù)來保護(hù)我們從A地到達(dá)B地。因此車禍依舊可能成為很多人始料未及的噩夢。

　　為了對抗這一不確定性，來自麻省理工學(xué)院計算機(jī)科學(xué)與人工智能實驗室（CSAIL）和卡塔爾人工智能中心（QCAI）的科學(xué)家們開發(fā)了一套深度學(xué)習(xí)模型，實現(xiàn)高分辨率的車禍風(fēng)險預(yù)測地圖。在歷史車禍數(shù)據(jù)、道路地圖、衛(wèi)星圖像和GPS追蹤的基礎(chǔ)上，風(fēng)險地圖描述了未來一段時間內(nèi)的預(yù)期車禍數(shù)量，以確定高風(fēng)險區(qū)域并對未來做出預(yù)警。

　　通常情況下，這類風(fēng)險地圖的分辨率要低得多，約在數(shù)百米左右，這意味著由于道路變得模糊，很多關(guān)鍵細(xì)節(jié)將被掩蓋。然而，新地圖是基于5×5米的網(wǎng)格單元，更高的分辨率帶來了新的洞察?？茖W(xué)家們發(fā)現(xiàn)，高速公路比附近的住宅道路有更高的風(fēng)險，匝道合并和退出高速公路的風(fēng)險比其他道路的風(fēng)險更高。

　　麻省理工學(xué)院CSAIL博士生何松濤說：“通過捕捉潛在的風(fēng)險分布，推定未來各地發(fā)生車禍的概率，在沒有任何歷史數(shù)據(jù)的情況下，我們可以找到更安全的路線，使汽車保險公司能夠根據(jù)客戶的駕駛軌跡提供定制的保險計劃，幫助城市規(guī)劃者設(shè)計更安全的道路，甚至預(yù)測未來的車禍。”

　　盡管車禍?zhǔn)切「怕适录?，但它造成的損失約占世界GDP的3%，而且是兒童和年輕人死亡的主要原因。但總體上看，它的發(fā)生在時空上還是比較稀疏的，這種稀疏性使得在如此高的分辨率下推斷地圖成為一項棘手的任務(wù)。在一個5 × 5的網(wǎng)格單元中，平均每年發(fā)生車禍的幾率大約是千分之一，最關(guān)鍵的是它們很少在同一地點發(fā)生兩次。之前預(yù)測車禍風(fēng)險的嘗試大多是“歷史性的”，因為一個地區(qū)只有在附近曾經(jīng)發(fā)生過車禍時才會被認(rèn)為是高風(fēng)險的。

　　這支研究團(tuán)隊投下了一張更廣泛的網(wǎng)來捕捉關(guān)鍵數(shù)據(jù)。它利用GPS軌跡模式和描述道路結(jié)構(gòu)的衛(wèi)星圖像來識別高風(fēng)險地點，前者提供了關(guān)于交通密度、速度和方向的信息，后者則描述了道路結(jié)構(gòu)，如車道數(shù)量、是否有路肩或是否有大量的行人。經(jīng)過學(xué)習(xí)后，即使一個高風(fēng)險地區(qū)沒有撞車記錄，僅根據(jù)其交通模式和拓?fù)浣Y(jié)構(gòu)，它仍然可以被確定為高風(fēng)險。

　　為了評估該模型，科學(xué)家們調(diào)用了2017年和2018年的車禍和數(shù)據(jù)，并測試了該模型在2019年和2020年預(yù)測撞車事故方面的表現(xiàn)。許多地點被確定為高風(fēng)險地區(qū)，即使之前沒有歷史記錄，在隨后的幾年里也發(fā)生了事故。

　　“我們的模型通過結(jié)合來自看似不相關(guān)的數(shù)據(jù)源的多個線索，可以從一個城市應(yīng)用到另一個城市。這是邁向通用人工智能的一步，因為我們的模型可以預(yù)測未知領(lǐng)域的車禍地圖。”卡塔爾計算研究所（QCRI）的首席科學(xué)家、論文作者阿明·薩德吉(Amin Sadeghi)說，“即使在沒有歷史車禍數(shù)據(jù)的情況下，該模型也可以用來推斷出有用的事故地圖，通過比較想象的情景，這可以轉(zhuǎn)化為對城市規(guī)劃和政策制定的積極作用。”

　　該數(shù)據(jù)集涵蓋了洛杉磯、紐約市、芝加哥和波士頓的7500平方公里。在這四個城市中，洛杉磯是最不安全的，因為它的車禍密度最高，其次是紐約市、芝加哥和波士頓。

　　“如果人們能夠使用風(fēng)險地圖來識別潛在的高風(fēng)險路段，他們就可以提前采取行動，減少他們出行的風(fēng)險。像Waze和蘋果地圖這樣的應(yīng)用程序都有事故功能工具，但我們正試圖走在車禍的前面--在它們發(fā)生之前有所作為，”阿明·薩德吉說。

　　查看原文：

　　Deep learning helps predict traffic crashes before they happen

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】