Cumartesi, Ekim 5, 2024
Ana SayfaDerin Öğrenme (Deep Learning)Derin öğrenme, trafik kazalarını meydana gelmeden önce tahmin etmeye yardımcı oluyor

Derin öğrenme, trafik kazalarını meydana gelmeden önce tahmin etmeye yardımcı oluyor

MIT’nin Yapay Zeka Laboratuvarı’ndan (CSAIL) ve Katar Yapay Zeka Merkezi’nden (QCAI) bilim adamları, kazaların doğasında var olan belirsizliğin önüne geçmek için çok yüksek çözünürlüklü çarpışma risk haritalarını öngören bir derin öğrenme modeli geliştirdiler. Geçmiş çarpışma verileri, yol haritaları, uydu görüntüleri ve GPS izlerinin bir kombinasyonundan beslenen risk haritaları, yüksek riskli alanları belirlemek ve gelecekteki kazaları tahmin etmek için gelecekte belirli bir süre boyunca beklenen kaza sayısını tanımlar.

Tipik olarak, bu tür risk haritaları, yüzlerce metre civarında gezinen çok daha düşük çözünürlüklerde yakalanır, bu da yollar birlikte bulanıklaştığı için önemli detayların gözden kaçırılması anlamına gelir. Ancak bu haritalar, beşe beş metrelik ızgara hücrelerindedir ve daha yüksek çözünürlük, yeni keşfedilen netliği getirir. Bilim adamları, örneğin bir otoyol yolunun yakındaki yerleşim yollarından daha yüksek bir riske sahip olduğunu ve otoyoldan çıkan rampaların diğer yollardan daha yüksek bir riske sahip olduğunu buldular.

Araştırmayla ilgili yeni bir makalenin baş yazarı olan MIT CSAIL doktora öğrencisi Songtao He, ” Her yerde gelecekteki kaza olasılığını belirleyen temel risk dağılımını yakalayarak ve herhangi bir geçmiş veri olmadan, daha güvenli rotalar bulabilir, otomobil sigortası şirketlerinin müşterilerin sürüş yörüngelerine dayalı özelleştirilmiş sigorta planları sunmasını sağlayabiliriz ve şehir planlamacılarının daha güvenli yollar tasarlamalarına ve hatta gelecekteki kazaları tahmin etmelerine yardımcı olabiliriz” diyor.

Araba kazaları seyrek olsa da, dünya GSYİH’sının yaklaşık yüzde üçüne mal oluyor ve çocuklarda ve genç yetişkinlerde önde gelen ölüm nedeni. Bu seyreklik, bu kadar yüksek çözünürlükte haritalar çıkarmayı zor bir görev haline getirir. Bu seviyedeki çarpışmalar ince bir şekilde dağılır ve nadiren aynı yerde iki kez olur. Bir bölge ancak yakınlarda daha önce bir kaza meydana gelmişse yüksek riskli olarak kabul edileceğinden, önceki çarpışma riskini tahmin etme girişimleri büyük ölçüde “tarihsel” olmuştur.

Ekibin yaklaşımı, gerekli kritik verileri yakalamak için daha geniş bir ağ oluşturur. Trafik yoğunluğu, hızı ve yönü hakkında bilgi veren GPS yörünge modellerini ve şerit sayısı, çok sayıda yaya olup olmadığı gibi yol yapılarını tanımlayan uydu görüntülerini kullanarak yüksek riskli yerleri belirler. Daha sonra, yüksek riskli bir alanda kaydedilmiş kaza olmasa bile, sadece trafik düzenlerine ve topolojisine göre yine de yüksek riskli olarak tanımlanabilir.

Modeli değerlendirmek için bilim adamları, 2017 ve 2018’deki kazalar ve verileri kullandılar ve 2019 ve 2020’deki kazaları tahmin etme performansını test ettiler. Kaydedilmiş kaza olmamasına ve takip eden yıllarda kazalar yaşanmasına rağmen birçok yer yüksek riskli olarak tanımlandı.

“Modelimiz, görünüşte ilgisiz veri kaynaklarından gelen birden fazla ipucunu birleştirerek bir şehirden diğerine genellenebilir. Katar Bilgi İşlem Araştırma Enstitüsü’nün (QCRI) önde gelen bilim adamı ve makalenin yazarı Amin Sadeghi, “bu, genel yapay zekaya doğru bir adımdır, çünkü modelimiz keşfedilmemiş bölgelerdeki çarpışma haritalarını tahmin edebilir” diyor. Model, hayali senaryoları karşılaştırarak şehir planlaması ve politika oluşturma için olumlu kullanıma dönüşebilecek tarihsel çarpışma verilerinin yokluğunda bile faydalı bir çarpışma haritası çıkarmak için kullanılabilir.

Veri seti Los Angeles, New York City, Chicago ve Boston’dan 7.500 kilometre kareyi kapsıyordu. Dört şehir arasında LA, en yüksek kaza yoğunluğuna sahip olduğu için en güvensiz olanıydı ve onu New York, Chicago ve Boston izledi.

İnsanlar risk haritasını potansiyel olarak yüksek riskli yol bölümlerini belirlemek için kullanabilirlerse, yaptıkları yolculukların riskini azaltmak için önceden önlem alabilirler.

Turhan Can Kargın
Turhan Can Kargınhttps://turhancankargin.wordpress.com/
Bana bu linkten ulaşabilirsiniz --> turhancankargin.me
RELATED ARTICLES

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz

Bizi Takip Edin

4,200BeğenenlerBeğen
10,000TakipçilerTakip Et
296TakipçilerTakip Et
1,400AboneAbone Ol

BÜLTENİMİZE ABONE OLUN

Popüler