Duboko učenje pomaže u predviđanju prometnih nesreća prije nego što se dogode

Istraživači MIT-ovog Laboratorija za računalnu znanost i umjetnu inteligenciju (CSAIL) i katarskog Centra za umjetnu inteligenciju razvili su model dubokog učenja koji predviđa rizike sudara na kartama vrlo visoke razlučivosti.  

Karte visoke razlučivosti

Nahranjene kombinacijom povijesnih podataka o sudarima, mapama cesta, satelitskim snimkama i informacijama s GPS uređaja, karte rizika opisuju očekivani broj sudara u određenom razdoblju u budućnosti, kako bi se identificirala područja visokog rizika i predvidjeli budući sudari.

Za procjenu modela korišteni su podaci iz 2017. i 2018. te potom testirani na izvještajima o sudarima iz sljedeće dvije godine
Za procjenu modela korišteni su podaci iz 2017. i 2018. te potom testirani na izvještajima o sudarima iz sljedeće dvije godine

Ovakve vrste karata rizika već postoje, ali su obično snimane pri mnogo nižim razlučivostima, s odstupanjima od stotinjak matera, čime se drastično smanjuje njihova preciznost. Nove su karte, međutim, mrežne ćelije dimenzija 5×5 metara pa veća rezolucija nudi i veću jasnoću podataka.


Istraživači su tako otkrili kako je rizik na autocesti veći nego na obližnjim lokalnim cestama te da rizik od sudara dodatno raste u blizini rampi i pri izlasku s autocesta. 

Karte veće rezolucije lociraju podatke u mrežnim ćelijama dimenzija 5x5 metara
Karte veće rezolucije lociraju podatke u mrežnim ćelijama dimenzija 5×5 metara

“Temeljnom raspodjelom rizika kojom se određuje vjerojatnost budućih nesreća na svim mjestima, čak i bez povijesnih podataka, možemo pronaći sigurnije rute. To pak osiguravajućim društvima omogućuje izradu prilagođenih planova osiguranja na temelju putanje klijenata, a urbanistima pomaže da osmisle sigurnije ceste. U konačnici na taj se način mogu predvidjeti i buduće nesreće”, kaže doktorand MIT CSAIL-a Songtao He.

Visoka cijena sudara

Visoka je cijena koju čovječanstvo plaća zbog sudara; posljedice prometnih nesreća koštaju oko tri posto svjetskog BDP-a i vodeći su uzrok smrti djece i mladih. Unatoč tim poraznim brojkama, sudari su s obzirom na količinu prometa zapravo rijetki, što otežava izradu karata visoke razlučivosti. Sudari su na ovoj razini prilično raspršeni: prosječne godišnje šanse za sudar u ćeliji mreže 5×5 metara iznose otprilike jedan prema 1000 i još se rjeđe događaju dva puta na istom mjestu.

Model dubokog učenja kao ulaz koristi četiri različita izvora podataka i predviđa kartu rizika od nesreće pri razlučivosti od 5 metara
Model dubokog učenja kao ulaz koristi četiri različita izvora podataka i predviđa kartu rizika od nesreće pri razlučivosti od 5 metara

Prethodni pokušaji predviđanja rizika od sudara bili su uglavnom “povijesni”, jer bi se područje smatralo visokim rizikom samo ako je prethodno došlo do kakve nesreće u blizini.


GPS obrasci

Pristup američko-katarskog istraživačkog tima širi mrežu za prikupljanje kritičnih podataka. Identificira lokacije visokog rizika koristeći GPS obrasce putanje koji daju informacije o gustoći, brzini i smjeru prometa te satelitske snimke koje opisuju cestovne strukture, poput broja traka, postoji li zaustavna traka ili se u blizini kreće veliki broj pješaka. Čak i ako područje visokog rizika nema zabilježenih sudara, ono se i dalje može identificirati kao visokorizično na temelju prometnih obrazaca i topologije.


Za procjenu modela, znanstvenici su koristili podatke iz 2017. i 2018. godine i potom ih testirali pri predviđanju sudara u 2019. i 2020. 

Rezultati istraživanja bit će predstavljeni na Međunarodnoj konferenciji o računalnom vidu
Rezultati istraživanja bit će predstavljeni na Međunarodnoj konferenciji o računalnom vidu

“Naš model može generalizirati iz jednog grada u drugi kombiniranjem više tragova iz naizgled nepovezanih izvora podataka. Ovo je korak prema općoj umjetnoj inteligenciji, jer naš model može predvidjeti karte sudara na nepoznatim teritorijima”, tvrdi Amin Sadeghi s Katarskog istraživačkog instituta (QCRI). Model se može koristiti i bez povijesnih podataka o nesrećama te koristiti za planiranje sigurnijih gradskih prometnica usporedbom zamišljenih scenarija.

Predviđanje mjesta sudara

Skup podataka obuhvaća 7500 četvornih kilometara prometnica u četiri američka grada. Los Angeles se pokazao najnesigurnijim jer je imao najveću gustoću sudara; slijedili su ga New York City, Chicago i Boston.

“Ako ljudi mogu upotrijebiti kartu rizika za identifikaciju potencijalno visokorizičnih segmenata cesta, mogu unaprijed poduzeti mjere kako bi smanjili rizik od sudara. Aplikacije poput Wazea i Apple Mapsa pokazuju gdje su se nesreće dogodile, ali mi pokušavamo na sudare upozoriti prije nego što se dogode”, kaže He.

Rezultati rada grupe američkih i katarskih istraživača bit će predstavljen na virtualnoj Međunarodnoj konferenciji o računalnom vidu koja se upravo održava ovih dana.