研究人員在歷史車禍數(shù)據(jù)、道路地圖、衛(wèi)星圖像和GPS上訓(xùn)練了一個(gè)深度模型，以實(shí)現(xiàn)高分辨率的車禍地圖，這可能帶來(lái)更安全的道路環(huán)境。今天的世界是一個(gè)大迷宮，由一層層的混凝土和瀝青連接起來(lái)，讓我們有機(jī)會(huì)通過車輛導(dǎo)航。

我們已經(jīng)體驗(yàn)了許多與道路有關(guān)的技術(shù)進(jìn)步，但道路安全措施還沒有完全跟上。為了領(lǐng)先于車禍固有的不確定性，來(lái)自麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)和卡塔爾人工智能中心的科學(xué)家們開發(fā)了一套深度學(xué)習(xí)模型，預(yù)測(cè)非常高分辨率的車禍風(fēng)險(xiǎn)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(xiǎn)地圖描述了未來(lái)一段時(shí)間內(nèi)的預(yù)期車禍數(shù)量，以確定高風(fēng)險(xiǎn)區(qū)域并預(yù)測(cè)未來(lái)的車禍。

用于創(chuàng)建車禍風(fēng)險(xiǎn)地圖的數(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(gè)城市中，洛杉磯是最不安全的，因?yàn)樗能嚨溍芏茸罡撸浯问羌~約市、芝加哥和波士頓。

通常情況下，這些類型的風(fēng)險(xiǎn)地圖是在低得多的分辨率下捕獲的，這些分辨率徘徊在數(shù)百米左右，這意味著掩蓋了關(guān)鍵的細(xì)節(jié)，因?yàn)榈缆纷兊媚：磺濉Ｈ欢碌牡貓D是基于5×5米的網(wǎng)格單元，更高的分辨率帶來(lái)了新的洞察力。科學(xué)家們發(fā)現(xiàn)，例如，一條高速路比附近的住宅路有更高的風(fēng)險(xiǎn)，而合并和離開高速路的匝道比其他道路的風(fēng)險(xiǎn)更高。

麻省理工學(xué)院CSAIL博士生何松濤說(shuō)："通過捕捉?jīng)Q定所有地方未來(lái)車禍概率的基本風(fēng)險(xiǎn)分布，而且沒有任何歷史數(shù)據(jù)，我們可以找到更安全的路線，使汽車保險(xiǎn)公司能夠根據(jù)客戶的駕駛軌跡提供定制的保險(xiǎn)計(jì)劃，幫助城市規(guī)劃者設(shè)計(jì)更安全的道路，甚至預(yù)測(cè)未來(lái)的車禍，"他是關(guān)于這項(xiàng)研究的新論文的主要作者。

交通事故耗費(fèi)了世界GDP的大約3%，并且是兒童和年輕人死亡的主要原因。但總體上看，它的發(fā)生還是比較稀疏的，這種在如此高的分辨率下推斷地圖成為一項(xiàng)棘手的任務(wù)。這種級(jí)別的車禍分布很稀疏--在5×5的網(wǎng)格單元中發(fā)生車禍的平均年幾率約為千分之一，最關(guān)鍵的是它們很少在同一地點(diǎn)發(fā)生兩次。之前預(yù)測(cè)車禍風(fēng)險(xiǎn)的嘗試在很大程度上是基于歷史的，因?yàn)橹挥性诟浇l(fā)生過車禍的情況下，一個(gè)地區(qū)才會(huì)被認(rèn)為是高風(fēng)險(xiǎn)的。

為了評(píng)估該模型，科學(xué)家們使用了2017年和2018年的車禍和數(shù)據(jù)，并測(cè)試了其在2019年和2020年預(yù)測(cè)車禍的性能。許多地點(diǎn)被確定為高風(fēng)險(xiǎn)，即使它們沒有任何車禍記錄，也在后續(xù)幾年中發(fā)生了車禍。

該團(tuán)隊(duì)的方法投下了一張更廣泛的網(wǎng)來(lái)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(lái)識(shí)別高風(fēng)險(xiǎn)地點(diǎn)，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(gè)高風(fēng)險(xiǎn)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(xiǎn)。

為了評(píng)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(cè)試了其預(yù)測(cè)2019年和2020年車禍的能力。許多地點(diǎn)被確定為高風(fēng)險(xiǎn)，即使它們沒有撞車記錄，也在后續(xù)年份發(fā)生了撞車。

"我們的模型通過結(jié)合來(lái)自看似不相關(guān)的數(shù)據(jù)源的多個(gè)線索，可以從一個(gè)城市概括到另一個(gè)城市。這是邁向通用人工智能的一步，因?yàn)槲覀兊哪Ｐ涂梢灶A(yù)測(cè)未知領(lǐng)域的車禍地圖，"卡塔爾計(jì)算研究所(QCRI)的首席科學(xué)家和該論文的作者Amin Sadeghi說(shuō)。"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(lái)推斷出有用的車禍地圖，這可以轉(zhuǎn)化為通過比較想象中的場(chǎng)景，對(duì)城市規(guī)劃和政策制定的積極用途。"

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(gè)城市中，洛杉磯是最不安全的，因?yàn)樗能嚨溍芏茸罡撸浯问羌~約市、芝加哥和波士頓。

"如果人們能夠使用風(fēng)險(xiǎn)地圖來(lái)識(shí)別潛在的高風(fēng)險(xiǎn)路段，他們就可以提前采取行動(dòng)，減少他們出行的風(fēng)險(xiǎn)。像Waze和蘋果地圖這樣的應(yīng)用程序都有事故特征工具，但我們正試圖走在車禍的前面--在它們發(fā)生之前，"他說(shuō)。