دنیای امروزی یک مارپیچ بزرگ است که با لایه‌هایی از بتن و آسفالت به هم متصل شده‌اند و به ما امکان ناوبری با وسایل نقلیه را می‌دهد. بسیاری از پیشرفت‌های مرتبط با جاده‌ها، برای مثال GPS که اجازه می‌دهد کمتر ذهن‌مان را درگیر پیداکردن آدرس کنیم، یا دوربین‌ها که به ما احتمال ایجاد خراش‌های پرهزینه روی بدنه‌ی اتومبیل‌مان را به ما هشدار می‌دهند و همین‌طور خودروهای خودکار برقی که هزینه‌های سوخت کمتری دارند، همه و همه، کارمان را راحت‌تر کرده‌اند؛ اما هنوز در راستای تأمین ایمنی ما اقدام مناسبی انجام نشده است. ما هنوز به یک رژیم ثابت از علائم راهنمایی و رانندگی و فولادی که دورمان را احاطه کرده است برای رسیدن ایمن از نقطه‌ی A به نقطه‌ی B متکی هستیم. در این مطلب به این موضوع پرداخته‌ایم که پیش بینی تصادفات ترافیکی با یادگیری عمیق چطور ممکن می‌شود.
راه‌حل پیش بینی تصادفات ترافیکی با یادگیری عمیق چیست؟
برای پیشی‌گرفتن از نبود قطعیت ذاتی تصادفات، دانشمندان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و مرکز هوش مصنوعی قطر یک مدل یادگیری عمیق ایجاد کرده‌اند که نقشه‌هایی را ارائه می‌کند که خطر تصادف را با وضوح بسیار بالا پیش‌بینی می‌کنند. نقشه‌های خطر که براساس ترکیبی از داده‌های تصادفات قبلی، نقشه‌های راه، تصاویر ماهواره‌ای و ردیابی GPS شکل گرفته‌اند، تعداد تصادف‌های موردانتظار در یک دوره‌ی زمانی در آینده را مشخص می‌کنند؛ هدف این است که مناطق پرخطر را شناسایی و تصادف‌های آینده پیش‌بینی شود.
به‌طور معمول، این نوع از نقشه‌های خطر با وضوح بسیار پایین‌تری گرفته می‌شوند و بسیاری از جزئیات مهم در جاده‌ها قابل تشخیص نیستند، اما این نقشه‌ها درواقع سلول‌های ۵ در ۵ (Grid Cells) متری هستند و وضوح بالاتری را به ارمغان می‌آورند. دانشمندان دریافتند که برای مثال، یک بزرگراه، مقایسه با جاده‌های مسکونی مجاور خطر بیشتری دارد و جاده‌های خروجی بزرگراه، در مقایسه با باقی جاده‌ها خطر بیشتری دارند.
Songtao He، دانشجوی دکتری MIT CSAIL، نویسنده‌ی اصلی مقاله‌ی این پژوهش، می‌گوید: «با پیداکردن مناطقی که ریسک تصادف بالاتری دارند و بدون هیچ داده‌ی قبلی، می‌توانیم مسیرهای ایمن‌تر را پیدا کنیم، شرکت‌های بیمه‌ی خودرو را قادر به ارائه‌ی طرح‌های بیمه‌ی سفارشی براساس مسیرهای رانندگی مشتریان کنیم و به برنامه‌ریزان شهری نیز در طراحی جاده‌های ایمن‌تر و حتی پیش‌بینی تصادف‌های آینده کمک کنیم.»
درباره یادگیری عمیق و کاربردهای آن مطلب با برترین کاربردهای یادگیری عمیق در صنایع مختلف آشنا شوید؟ را مطالعه کنید.
شناسایی خطر با تحلیل داده
رویکرد این تیم مسیر بهتری را برای دریافت داده‌های حیاتی در نظر گرفته است. در این روش مکان‌های پرخطر با استفاده از الگوهای مسیر GPS که اطلاعاتی درمورد تراکم، سرعت و جهت ترافیک می‌دهد و تصاویر ماهواره‌ای که ساختار جاده‌ها را توصیف می‌کنند، مانند تعداد خطوط، وجود شانه یا تعداد عابران پیاده شناسایی می‌شوند؛ بنابراین حتی اگر یک منطقه‌ی پرخطر هیچ تصادف ثبت‌نشده‌ای نداشته باشد، هم‌چنان می‌توان آن را به‌عنوان پرخطر شناسایی کرد، تنها براساس الگوهای ترافیکی و توپولوژی آن.
برای ارزیابی این مدل، دانشمندان از تصادف‌ها و داده‌های مربوط به سال‌های ۲۰۱۷ و ۲۰۱۸ استفاده کرده‌اند و عملکرد آن را در پیش‌بینی تصادفات در سال‌های ۲۰۱۹ و ۲۰۲۰ آزمایش کرده‌اند. بسیاری از مکان‌ها، با وجود اینکه هیچ تصادف ثبت‌شده‌ای نداشتند، به‌عنوان پرخطر شناسایی شدند.
امین صادقی، دانشمند ارشد مؤسسه‌ی تحقیقات محاسباتی قطر (QCRI) و نویسنده‌ی این مقاله، می‌گوید: «مدل ما می‌تواند با ترکیب سرنخ‌های متعددی که از منابع داده به دست می‌آورد، از یک شهر به شهر دیگر تعمیم داده شود. این گامی به‌سوی هوش مصنوعی عمومی است؛ زیرا مدل ما می‌تواند احتمال تصادفات را در مناطق ناشناخته پیش‌بینی کند.» این مدل می‌تواند برای ایجاد یک نقشه‌ی تصادف مفید، حتی در غیاب داده‌های تصادف‌های قبلی، استفاده شود که درواقع می‌تواند برای برنامه‌ریزی و سیاست‌گذاری شهری استفاده شود.
مجموعه‌ی داده‌ی آن‌ها، ۷۵۰۰ کیلومتر مربع از لس‌آنجلس، نیویورک، شیکاگو و بوستون را پوشش می‌دهد. در میان این چهار شهر لس‌آنجلس ناامن‌ترین شهر بود؛ زیرا بیشترین تراکم تصادف‌های را داشت و پس از آن نیویورک، شیکاگو و بوستون قرار داشتند.
حرف آخر
Songtao He می‌گوید: «اگر مردم بتوانند از نقشه‌ی خطر برای شناسایی بخش‌هایی از جاده‌ها که خطر بالقوه دارند استفاده کنند، می‌توانند از قبل برای کاهش خطر سفرهایی که انجام می‌دهند، اقدام کنند. برنامه‌هایی مانند Waze و Apple Maps ابزارهای مختص حوادث دارند، اما ما سعی داریم از تصادف‌ها پیشی بگیریم، قبل از وقوع آن‌ها.»
او و صادقی این مقاله را در کنار Sanjay Chawla، مدیر تحقیقات QCRI و استادان مهندسی برق و علوم کامپیوتر MIT، محمد علیزاده، Hari Balakrishnan و Sam Madden نوشته‌اند. آنان این مقاله را در کنفرانس بین‌المللی ۲۰۲۱ بین‌المللی بینایی ماشین ارائه خواهند کرد.
یادگیری علم داده و یادگیری ماشین با کلاس‌های آنلاین آموزش علم داده کافه‌تدریس
اگر به یادگیری علم داده، یادگیری ماشین و یادگیری عمیق علاقه دارید و دوست دارید به دنیای هوش مصنوعی وارد شوید، کلاس‌های آنلاین آموزش علم داده کافه‌تدریس به شما امکان می‌دهد از هر نقطه‌ی جغرافیایی به جامع‌ترین و به‌روزترین آموزش دیتا ساینس دسترسی داشته باشید.
کلاس‌های آنلاین علم داده کافه‌تدریس در دوره‌های مقدماتی و پیشرفته برگزار می‌شود و شکل تعاملی و پویا و کارگاهی دارد و مبنای آن هم کار روی پروژه‌های واقعی علم داده است.
برای آشنایی با کلاس‌های آنلاین علم داده کافه‌تدریس و مشاوره‌ی رایگان برای شروع یادگیری علم داده روی این لینک کلیک کنید: