Kunstmatige intelligentie helpt verkeersongevallen te voorspellen voordat ze zich voordoen

De wereld van vandaag is één groot doolhof, verbonden door lagen betonasfalt waardoor we met de auto kunnen reizen. Zoals voor de meeste van onze verkeersgerelateerde ontwikkelingen: GPS stelt ons in staat minder neuronen te gebruiken dankzij kaartapps, camera's waarschuwen ons voor mogelijk dure krassen en elektrische autonome auto's hebben een lager brandstofverbruik - hoe zit het met veiligheidsmaatregelen? We vertrouwen nog steeds op onze constante afhankelijkheid van verkeerslichten, vertrouwen en staal om ons heen om veilig van punt A naar punt B te komen.

Om de onzekerheid in verband met ongevallen te vermijden, hebben wetenschappers van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van het MIT en het Qatar Center for Artificial Intelligence (QCAI) een diepgaand leermodel ontwikkeld dat ongevallenrisicokaarten met een zeer hoge resolutie maakt. Op basis van een combinatie van historische ongevalsgegevens, wegenkaarten, satellietbeelden en GPS-tracks, beschrijven risicokaarten het verwachte aantal ongevallen over een bepaalde periode in de toekomst om risicogebieden te identificeren en toekomstige ongevallen te voorspellen.

Doorgaans worden risicokaarten van dit type opgenomen met een veel lagere resolutie, variërend in de honderden meters, wat betekent dat belangrijke details niet kunnen worden gezien. Deze kaarten hebben echter rastercellen van vijf bij vijf meter en de hogere resolutie biedt hernieuwde duidelijkheid: wetenschappers hebben ontdekt dat een snelweg bijvoorbeeld een hoger risico heeft dan nabijgelegen woonwegen.

Hoewel auto-ongelukken niet erg vaak voorkomen, kosten ze ongeveer 3% van het wereldwijde BBP en zijn ze de belangrijkste doodsoorzaak voor kinderen en jongeren. Deze schaarste maakt het maken van dergelijke kaarten met een hoge resolutie een uitdagende taak. Maar de aanpak van het team verbreedt het net om de nodige gegevens te verzamelen. Het identificeert risicovolle locaties met behulp van GPS-baanpatronen die informatie geven over verkeersdichtheid, snelheid en richting, evenals satellietbeelden die wegstructuren beschrijven, zoals het aantal rijstroken, de aanwezigheid van berm of het aantal voetgangers. Zelfs als een gebied met een hoog risico geen storingen heeft, kan het nog steeds worden geïdentificeerd als een gebied met een hoog risico op basis van alleen verkeerspatronen en topologie.

"Ons model kan worden gegeneraliseerd van de ene stad naar de andere door meerdere aanwijzingen uit schijnbaar niet-gerelateerde gegevensbronnen te combineren. Dit is een stap in de richting van collaboratieve kunstmatige intelligentie, omdat ons model ongevallenkaarten in onbekende gebieden kan voorspellen", zegt Amin Sadeghi, hoofdonderzoeker bij Qatar Computing Research Institute (QCRI) en auteur van het artikel.

De geteste dataset besloeg 7 vierkante meter. km van Los Angeles, New York, Chicago en Boston. Van de vier steden was Los Angeles de gevaarlijkste vanwege de hoogste ongevallendichtheid, gevolgd door New York, Chicago en Boston.

“Als mensen een risicokaart kunnen gebruiken om potentieel risicovolle delen van de weg te identificeren, kunnen ze van tevoren stappen ondernemen om het risico van de reizen die ze maken te verminderen. In toepassingen zoals Waze en Apple Kaarten, er zijn tools om met incidenten te werken, maar we proberen te anticiperen op storingen - voordat ze zich voordoen," - ze zeggen wetenschappers

Lees ook:

• Video: Queclink GL300 Review - Hoe werkt GPS Tracker?
• Wat is GPS: soorten positioneringssystemen, hoe het werkt en wat de toekomst in petto heeft