Η Τεχνητή Νοημοσύνη για την κυκλοφορία προβλέπει ατυχήματα
Οι κάμερες κυκλοφορίας σήμερα δεν χρησιμοποιούνται μόνο για την παρακολούθηση παραβάσεων, αλλά αποτελούν επίσης μια πολύτιμη πηγή δεδομένων για συστήματα τεχνητής νοημοσύνης. Και χάρη στην τεχνητή νοημοσύνη, η ασυνήθιστη συμπεριφορά των οχημάτων μπορεί να εντοπιστεί και να αναλυθεί, δημιουργώντας έναν χάρτη κινδύνου πριν συμβεί ένα ατύχημα.
Αυτή είναι μια νέα κατεύθυνση που θα βοηθήσει στη βελτίωση της οδικής ασφάλειας και στην υποστήριξη του έξυπνου αστικού σχεδιασμού.
Η Τεχνητή Νοημοσύνη για την κυκλοφορία «ελέγχει» κάθε κίνηση στο δρόμο
Τα τρέχοντα συστήματα τεχνητής νοημοσύνης κυκλοφορίας συλλέγουν δεδομένα από εκατοντάδες κάμερες και αισθητήρες που είναι τοποθετημένοι σε δρόμους, συμπεριλαμβανομένων αισθητήρων που μετρούν την ταχύτητα, την επιτάχυνση, την απόσταση του οχήματος και τον όγκο κυκλοφορίας σε πραγματικό χρόνο.
Χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης και βαθιάς μάθησης, η Τεχνητή Νοημοσύνη εντοπίζει συμπεριφορές που αποτελούν πρόδρομους παράγοντες ατυχημάτων , όπως ξαφνικές αλλαγές λωρίδας, ξαφνική επιτάχυνση ή παρέκκλιση από την πορεία. Η ανάλυση σε πραγματικό χρόνο επιτρέπει στο σύστημα να αξιολογεί τον κίνδυνο αμέσως μόλις εμφανιστεί ασυνήθιστη συμπεριφορά, αντί να βασίζεται σε δεδομένα ατυχημάτων που έχουν ήδη συμβεί.
Σύμφωνα με την έρευνα του Tuoi Tre Online, τα μοντέλα βαθιάς μάθησης, και ιδιαίτερα τα συνελικτικά νευρωνικά δίκτυα (CNN), εφαρμόζονται για την ανάλυση εικόνων από κάμερες, συνδυάζοντας δεδομένα από αισθητήρες για τον υπολογισμό της σχετικής ταχύτητας, της ελάχιστης απόστασης και του χρόνου αντίδρασης μεταξύ των οχημάτων.
Το σύστημα αποδίδει βαθμολογίες κινδύνου σε κάθε διασταύρωση ή τμήμα δρόμου, δημιουργώντας έναν χάρτη πιθανών «μαύρων σημείων» για την πόλη. Το Edge Computing χρησιμοποιείται για την επεξεργασία δεδομένων κοντά σε κάμερες και αισθητήρες, μειώνοντας την καθυστέρηση, προστατεύοντας το απόρρητο και διασφαλίζοντας ταχεία αντίδραση μόλις εμφανιστεί επικίνδυνη συμπεριφορά .
Διεθνής έρευνα από το MIT Senseable City Lab και έργα έξυπνων πόλεων στη Σιγκαπούρη και το Τορόντο δείχνει ότι αυτή η μέθοδος βοηθά στον εντοπισμό περιοχών υψηλού κινδύνου δύο έως τρεις φορές καλύτερα από τις παραδοσιακές στατιστικές ατυχημάτων.
Το σύστημα όχι μόνο αναγνωρίζει ασυνήθιστη συμπεριφορά, αλλά παρακολουθεί και πολύπλοκα μοτίβα ροής κυκλοφορίας, από την ώρα αιχμής έως τις κακές καιρικές συνθήκες, για την καλύτερη πρόβλεψη κινδύνων. Η Τεχνητή Νοημοσύνη μαθαίνει επίσης από ιστορικά δεδομένα, βελτιώνοντας τις προβλέψεις της με την πάροδο του χρόνου και προσαρμόζοντας τις αλλαγές στη ροή της κυκλοφορίας.
Από τη χαρτογράφηση των μαύρων σημείων έως τη βελτιστοποίηση της αστικής ασφάλειας
Για να είναι αποτελεσματικός ο χάρτης των μαύρων κηλίδων, το σύστημα πρέπει να επεξεργάζεται μια τεράστια ποσότητα δεδομένων από κάμερες και αισθητήρες και να την αναλύει σε πραγματικό χρόνο. Τα τρέχοντα μοντέλα τεχνητής νοημοσύνης χρησιμοποιούν υπολογιστική ακμής, η οποία επεξεργάζεται δεδομένα κοντά στην κάμερα αντί να τα στέλνει σε έναν κεντρικό διακομιστή, μειώνοντας την καθυστέρηση και προστατεύοντας το απόρρητο.
Τα συγκεντρωτικά δεδομένα όχι μόνο βοηθούν στον εντοπισμό περιοχών κινδύνου, αλλά υποστηρίζουν επίσης τις αρχές κυκλοφορίας στη λήψη κατάλληλων αποφάσεων σχετικά με τα σήματα κυκλοφορίας και τις υποδομές.
Ωστόσο, η ακρίβεια της Τεχνητής Νοημοσύνης εξαρτάται επίσης από τις περιβαλλοντικές συνθήκες , από την ημέρα ή τη νύχτα, τη βροχή ή τη λιακάδα, έως την πυκνή ή ελαφριά κυκλοφορία, καθώς και τη συμπεριφορά των πεζών και των μοτοσικλετών. Επομένως, τα μοντέλα Τεχνητής Νοημοσύνης πρέπει να βελτιστοποιούνται σύμφωνα με τα χαρακτηριστικά κυκλοφορίας κάθε αστικής περιοχής, ώστε να μειώνονται οι ψευδείς προειδοποιήσεις και να αυξάνεται η αποτελεσματικότητα των προβλέψεων.
Η Τεχνητή Νοημοσύνη προβλέπει τροχαία ατυχήματα από κάμερες και αισθητήρες
Η ακρίβεια της Τεχνητής Νοημοσύνης εξαρτάται από τον συγχρονισμό των δεδομένων αισθητήρων και καμερών, τον χειρισμό των διακυμάνσεων της κυκλοφορίας και την ικανότητα αναγνώρισης συμπεριφοράς σε διαφορετικές συνθήκες φωτισμού και καιρού. Όταν αναπτύσσεται αποτελεσματικά, η Τεχνητή Νοημοσύνη όχι μόνο προβλέπει ατυχήματα, αλλά αποτελεί και τη βάση για συστήματα που βελτιστοποιούν τα φανάρια κυκλοφορίας, συντονίζουν τις ροές κυκλοφορίας και μειώνουν τη συμφόρηση.
Η τεχνολογία ανοίγει επίσης την προοπτική για αυτοκίνητα χωρίς οδηγό και έξυπνα συστήματα μεταφορών, τα οποία μπορούν να εντοπίσουν κινδύνους πριν από ατυχήματα και να βελτιώσουν την ασφάλεια σε όλα τα αστικά δίκτυα.
Συνολικά, η πρόβλεψη τροχαίων ατυχημάτων μέσω τεχνητής νοημοσύνης από αστικές κάμερες και αισθητήρες αποτελεί ένα σημαντικό βήμα προς τα εμπρός στην εφαρμογή της τεχνητής νοημοσύνης στη διαχείριση της κυκλοφορίας . Αυτή η τεχνολογία συνδυάζει ανάλυση συμπεριφοράς, δεδομένα πραγματικού χρόνου και μοντέλα βαθιάς μάθησης, μετατρέποντας τα δεδομένα επιτήρησης σε συγκεκριμένους χάρτες κινδύνου, συμβάλλοντας στη βελτίωση της ασφάλειας, στη βελτιστοποίηση των ροών κυκλοφορίας και στην κατασκευή πιο έξυπνων πόλεων στο μέλλον.
Πηγή: https://tuoitre.vn/ai-du-doan-tai-nan-giao-thong-tu-camera-va-sensor-do-thi-20251128174419006.htm
Σχόλιο (0)