Il deep learning aiuta a prevedere gli arresti anomali del traffico prima che si verifichino

Il mondo di oggi è un grande labirinto, collegato da strati di cemento e asfalto che ci offrono il lusso della navigazione in auto. Per molti dei nostri progressi legati alla strada, il PS ci consente di attivare meno neuroni grazie alle app di mappe, le telecamere ci avvisano di graffi e graffi potenzialmente costosi e le auto elettriche a guida autonoma hanno costi di carburante inferiori e le nostre misure di sicurezza non hanno raggiunto il livello. Facciamo ancora affidamento su una dieta costante di segnali stradali, fiducia e l’acciaio che ci circonda per arrivare in sicurezza dal punto A al punto B.

Per anticipare l’incertezza inerente agli incidenti, gli scienziati del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT e del Qatar Center for Artificial Intelligence hanno sviluppato un modello di deep learning che prevede mappe del rischio di incidenti ad altissima risoluzione. Alimentate da una combinazione di dati storici sugli incidenti, mappe stradali, immagini satellitari e tracce GPS, le mappe dei rischi descrivono il numero previsto di incidenti in un periodo di tempo futuro, per identificare le aree ad alto rischio e prevedere incidenti futuri.

In genere, questi tipi di mappe del rischio vengono acquisiti a risoluzioni molto più basse che si aggirano per centinaia di metri, il che significa sorvolare sui dettagli cruciali poiché le strade diventano sfocate insieme. Queste mappe, tuttavia, sono celle della griglia di 5×5 metri e la risoluzione più elevata apporta una nuova chiarezza: gli scienziati hanno scoperto che una strada autostradale, ad esempio, ha un rischio maggiore rispetto alle strade residenziali vicine e le rampe che si uniscono e escono dall’autostrada hanno un rischio ancora maggiore rischio rispetto ad altre strade.

“Catturando la distribuzione del rischio sottostante che determina la probabilità di incidenti futuri in tutti i luoghi e senza alcun dato storico, possiamo trovare percorsi più sicuri, consentire alle compagnie di assicurazione auto di fornire piani assicurativi personalizzati basati sulle traiettorie di guida dei clienti, aiutare gli urbanisti a progettare strade più sicure e persino prevedere incidenti futuri”, afferma MIT CSAIL Ph.D. studente Songtao He, autore principale di un nuovo articolo sulla ricerca.

Anche se gli incidenti stradali sono rari, costano circa il 3% del PIL mondiale e sono la principale causa di morte tra bambini e giovani adulti. Questa scarsità rende l’inferenza di mappe a una risoluzione così alta un compito difficile. Gli arresti anomali a questo livello sono scarsamente sparpagliati: la probabilità media annuale di un incidente in una cella della griglia 5×5 è di circa uno su 1.000 e raramente si verificano due volte nella stessa posizione. I precedenti tentativi di prevedere il rischio di incidente sono stati in gran parte “storici”, poiché un’area sarebbe stata considerata ad alto rischio solo se si fosse verificato un precedente incidente nelle vicinanze.

L’approccio del team crea una rete più ampia per acquisire dati critici. Identifica le posizioni ad alto rischio utilizzando schemi di traiettoria GPS, che forniscono informazioni su densità, velocità e direzione del traffico e immagini satellitari che descrivono le strutture stradali, come il numero di corsie, se c’è una banchina o se c’è un gran numero di pedoni. Quindi, anche se un’area ad alto rischio non ha registrato incidenti, può comunque essere identificata come ad alto rischio, in base ai suoi schemi di traffico e alla sola topologia.

Per valutare il modello, gli scienziati hanno utilizzato gli arresti anomali e i dati del 2017 e del 2018 e ne hanno testato le prestazioni nel prevedere gli incidenti nel 2019 e nel 2020. Molte località sono state identificate come ad alto rischio, anche se non avevano registrato arresti anomali e hanno anche subito arresti anomali durante gli anni successivi.

“Il nostro modello può generalizzare da una città all’altra combinando più indizi da fonti di dati apparentemente non correlate. Questo è un passo verso l’IA generale, perché il nostro modello può prevedere mappe di crash in territori inesplorati”, afferma Amin Sadeghi, uno scienziato capo di Qatar Computing Research Institute (QCRI) e un autore sulla carta. “Il modello può essere utilizzato per dedurre un’utile mappa degli incidenti anche in assenza di dati storici sugli incidenti, che potrebbero tradursi in un uso positivo per la pianificazione urbana e l’elaborazione delle politiche confrontando scenari immaginari”.

Il set di dati copriva 7.500 chilometri quadrati da Los Angeles, New York City, Chicago e Boston. Tra le quattro città, LA era la più pericolosa, poiché aveva la più alta densità di incidenti, seguita da New York City, Chicago e Boston.

“Se le persone possono utilizzare la mappa del rischio per identificare i segmenti stradali potenzialmente ad alto rischio, possono agire in anticipo per ridurre il rischio di viaggi che fanno. App come Waze e Apple Maps dispongono di strumenti per le funzionalità di incidente, ma stiamo cercando di ottenere prima degli incidenti, prima che accadano”, dice He.