【51CTO.com快译】当今世界犹如一个用混凝土和沥青浇筑而成的巨大迷宫，道路密布，纵横交错，我们自由地驱车驰骋其间，日行万里也不再是梦。
可以说技术的进步促成了这一切：GPS导航让我们基本不会在陌生的地域迷途；摄像头警示我们避免可能造成的昂贵擦伤；新能源汽车的出现让燃料成本更低......值得关注的是，尽管我们已经体验到了无数与道路相关的技术进步，但在道路安全措施上技术的发展似乎力有未逮。当下，我们仍然只能依靠固定的交通灯、公认的行车规则和汽车自身的安全系数来保护我们从A地到达B地。因此车祸依旧可能成为很多人始料未及的噩梦。
为了对抗这一不确定性，来自麻省理工学院计算机科学与人工智能实验室（CSAIL）和卡塔尔人工智能中心（QCAI）的科学家们开发了一套深度学习模型，实现高分辨率的车祸风险预测地图。在历史车祸数据、道路地图、卫星图像和GPS追踪的基础上，风险地图描述了未来一段时间内的预期车祸数量，以确定高风险区域并对未来做出预警。
通常情况下，这类风险地图的分辨率要低得多，约在数百米左右，这意味着由于道路变得模糊，很多关键细节将被掩盖。然而，新地图是基于5×5米的网格单元，更高的分辨率带来了新的洞察。科学家们发现，高速公路比附近的住宅道路有更高的风险，匝道合并和退出高速公路的风险比其他道路的风险更高。
麻省理工学院CSAIL博士生何松涛说：“通过捕捉潜在的风险分布，推定未来各地发生车祸的概率，在没有任何历史数据的情况下，我们可以找到更安全的路线，使汽车保险公司能够根据客户的驾驶轨迹提供定制的保险计划，帮助城市规划者设计更安全的道路，甚至预测未来的车祸。”
尽管车祸是小概率事件，但它造成的损失约占世界GDP的3%，而且是儿童和年轻人死亡的主要原因。但总体上看，它的发生在时空上还是比较稀疏的，这种稀疏性使得在如此高的分辨率下推断地图成为一项棘手的任务。在一个5 × 5的网格单元中，平均每年发生车祸的几率大约是千分之一，最关键的是它们很少在同一地点发生两次。之前预测车祸风险的尝试大多是“历史性的”，因为一个地区只有在附近曾经发生过车祸时才会被认为是高风险的。
这支研究团队投下了一张更广泛的网来捕捉关键数据。它利用GPS轨迹模式和描述道路结构的卫星图像来识别高风险地点，前者提供了关于交通密度、速度和方向的信息，后者则描述了道路结构，如车道数量、是否有路肩或是否有大量的行人。经过学习后，即使一个高风险地区没有撞车记录，仅根据其交通模式和拓扑结构，它仍然可以被确定为高风险。
为了评估该模型，科学家们调用了2017年和2018年的车祸和数据，并测试了该模型在2019年和2020年预测撞车事故方面的表现。许多地点被确定为高风险地区，即使之前没有历史记录，在随后的几年里也发生了事故。
“我们的模型通过结合来自看似不相关的数据源的多个线索，可以从一个城市应用到另一个城市。这是迈向通用人工智能的一步，因为我们的模型可以预测未知领域的车祸地图。”卡塔尔计算研究所（QCRI）的首席科学家、论文作者阿明·萨德吉(Amin Sadeghi)说，“即使在没有历史车祸数据的情况下，该模型也可以用来推断出有用的事故地图，通过比较想象的情景，这可以转化为对城市规划和政策制定的积极作用。”
该数据集涵盖了洛杉矶、纽约市、芝加哥和波士顿的7500平方公里。在这四个城市中，洛杉矶是最不安全的，因为它的车祸密度最高，其次是纽约市、芝加哥和波士顿。
“如果人们能够使用风险地图来识别潜在的高风险路段，他们就可以提前采取行动，减少他们出行的风险。像Waze和苹果地图这样的应用程序都有事故功能工具，但我们正试图走在车祸的前面--在它们发生之前有所作为，”阿明·萨德吉说。
查看原文：
Deep learning helps predict traffic crashes before they happen
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
