Traffic AI ຄາດຄະເນອຸປະຕິເຫດ
ກ້ອງຖ່າຍຮູບການຈະລາຈອນໃນມື້ນີ້ບໍ່ພຽງແຕ່ຖືກນໍາໃຊ້ເພື່ອຕິດຕາມການລະເມີດ, ແຕ່ຍັງກາຍເປັນແຫຼ່ງຂໍ້ມູນທີ່ມີຄຸນຄ່າສໍາລັບລະບົບ AI. ແລະຂໍຂອບໃຈກັບປັນຍາປະດິດ, ພຶດຕິກໍາຂອງຍານພາຫະນະທີ່ຜິດປົກກະຕິສາມາດຖືກກໍານົດແລະວິເຄາະ, ການສ້າງແຜນທີ່ຄວາມສ່ຽງກ່ອນທີ່ຈະເກີດອຸປະຕິເຫດ.
ນີ້ແມ່ນທິດທາງໃໝ່ທີ່ຈະຊ່ວຍປັບປຸງຄວາມປອດໄພການຈະລາຈອນ ແລະ ສະໜັບສະໜູນການວາງແຜນຕົວເມືອງທີ່ສະຫຼາດ.
Traffic AI 'scrutinizes' ທຸກໆການເຄື່ອນໄຫວໃນຖະຫນົນຫົນທາງ
ລະບົບ AI ການຈະລາຈອນໃນປະຈຸບັນເກັບກໍາຂໍ້ມູນຈາກຫຼາຍຮ້ອຍກ້ອງຖ່າຍຮູບແລະເຊັນເຊີທີ່ວາງໄວ້ຕາມຖະຫນົນ, ລວມທັງເຊັນເຊີທີ່ວັດແທກຄວາມໄວ, ຄວາມເລັ່ງ, ໄລຍະທາງຍານພາຫະນະ, ແລະປະລິມານການຈະລາຈອນໃນເວລາຈິງ.
ການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກແລະລະບົບການຮຽນຮູ້ເລິກ, AI ກໍານົດ ພຶດຕິກໍາທີ່ເປັນຄາຣະວາຂອງອຸປະຕິເຫດ , ເຊັ່ນ: ການປ່ຽນເສັ້ນທາງຢ່າງກະທັນຫັນ, ການເລັ່ງຢ່າງກະທັນຫັນ, ຫຼືຫາງ. ການວິເຄາະໃນເວລາທີ່ແທ້ຈິງຊ່ວຍໃຫ້ລະບົບສາມາດປະເມີນຄວາມສ່ຽງໄດ້ທັນທີທີ່ພຶດຕິກໍາຜິດປົກກະຕິເກີດຂຶ້ນ, ແທນທີ່ຈະອີງໃສ່ຂໍ້ມູນອຸປະຕິເຫດທີ່ເກີດຂຶ້ນແລ້ວ.
ອີງຕາມ ການຄົ້ນຄວ້າຂອງ Tuoi Tre Online, ຮູບແບບການຮຽນຮູ້ເລິກເຊິ່ງ, ໂດຍສະເພາະແມ່ນເຄືອຂ່າຍ neural convolutional (CNN), ຖືກນໍາໃຊ້ໃນການວິເຄາະຮູບພາບຈາກກ້ອງຖ່າຍຮູບ, ສົມທົບຂໍ້ມູນຈາກ sensors ເພື່ອຄິດໄລ່ຄວາມໄວທີ່ກ່ຽວຂ້ອງ, ໄລຍະຫ່າງຕ່ໍາສຸດແລະເວລາຕິກິຣິຍາລະຫວ່າງຍານພາຫະນະ.
ລະບົບຈະມອບຄະແນນຄວາມສ່ຽງໃຫ້ແຕ່ລະສີ່ແຍກຫຼືເສັ້ນທາງ, ສ້າງແຜນທີ່ຂອງ "ຈຸດສີດໍາ" ທີ່ມີທ່າແຮງສໍາລັບຕົວເມືອງ. Edge computing ຖືກນໍາໃຊ້ເພື່ອປະມວນຜົນຂໍ້ມູນຢູ່ໃກ້ກັບກ້ອງຖ່າຍຮູບແລະເຊັນເຊີ, ຫຼຸດຜ່ອນຄວາມລ່າຊ້າ, ປົກປ້ອງຄວາມເປັນສ່ວນຕົວ, ແລະຮັບປະກັນການຕອບສະຫນອງຢ່າງໄວ ວາທັນທີທີ່ພຶດຕິກໍາອັນຕະລາຍປະກົດຂຶ້ນ .
ການຄົ້ນຄວ້າສາກົນຈາກ MIT Senseable City Lab ແລະໂຄງການ smart city ໃນສິງກະໂປ ແລະ Toronto ສະແດງໃຫ້ເຫັນວ່າວິທີການນີ້ຊ່ວຍກໍານົດພື້ນທີ່ທີ່ມີຄວາມສ່ຽງສູງໄດ້ດີກວ່າສະຖິຕິອຸປະຕິເຫດແບບດັ້ງເດີມສອງເຖິງສາມເທົ່າ.
ລະບົບບໍ່ພຽງແຕ່ຮັບຮູ້ພຶດຕິກໍາທີ່ຜິດປົກກະຕິ, ແຕ່ຍັງຕິດຕາມຮູບແບບການໄຫຼວຽນຂອງການຈະລາຈອນທີ່ສັບສົນ, ຈາກຊົ່ວໂມງເລັ່ງລັດໄປຫາສະພາບອາກາດທີ່ບໍ່ດີ, ເພື່ອຄາດຄະເນຄວາມສ່ຽງທີ່ດີກວ່າ. AI ຍັງຮຽນຮູ້ຈາກຂໍ້ມູນປະຫວັດສາດ, ປັບປຸງການຄາດຄະເນຂອງມັນໃນໄລຍະເວລາແລະການປັບຕົວກັບການປ່ຽນແປງຂອງການຈະລາຈອນ.
ຈາກການສ້າງແຜນທີ່ຈຸດດ່າງດໍາໄປສູ່ການເພີ່ມປະສິດທິພາບຄວາມປອດໄພຂອງຕົວເມືອງ
ເພື່ອໃຫ້ແຜນທີ່ຈຸດດ່າງດຳມີປະສິດທິພາບ, ລະບົບຈະຕ້ອງປະມວນຜົນຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍຈາກກ້ອງ ແລະເຊັນເຊີ ແລະວິເຄາະໃນເວລາຈິງ. ຮູບແບບ AI ໃນປະຈຸບັນໃຊ້ Edge computing, ເຊິ່ງປະມວນຜົນຂໍ້ມູນຢູ່ໃກ້ກັບກ້ອງຖ່າຍຮູບແທນທີ່ຈະສົ່ງມັນໄປຫາເຄື່ອງແມ່ຂ່າຍກາງ, ຫຼຸດຜ່ອນເວລາ latency ແລະປົກປ້ອງຄວາມເປັນສ່ວນຕົວ.
ຂໍ້ມູນລວມບໍ່ພຽງແຕ່ຊ່ວຍກໍານົດພື້ນທີ່ມີຄວາມສ່ຽງ, ແຕ່ຍັງສະຫນັບສະຫນູນເຈົ້າຫນ້າທີ່ຈະລາຈອນໃນການຕັດສິນໃຈທີ່ເຫມາະສົມກ່ຽວກັບສັນຍານຈະລາຈອນແລະໂຄງສ້າງພື້ນຖານ.
ຢ່າງໃດກໍ່ຕາມ, ຄວາມຖືກຕ້ອງຂອງ AI ຍັງຂຶ້ນກັບສະພາບສິ່ງແວດລ້ອມ , ຈາກກາງເວັນຫຼືກາງຄືນ, ຝົນຫຼືເງົາ, ຈົນເຖິງການສັນຈອນຢ່າງຮຸນແຮງຫຼືເບົາ, ເຊັ່ນດຽວກັນກັບພຶດຕິກໍາການຍ່າງທາງແລະລົດຈັກ. ດັ່ງນັ້ນ, ຮູບແບບ AI ຕ້ອງໄດ້ຮັບການປັບໄຫມຕາມລັກສະນະການຈະລາຈອນຂອງແຕ່ລະເຂດຕົວເມືອງເພື່ອຫຼຸດຜ່ອນການເຕືອນໄພທີ່ບໍ່ຖືກຕ້ອງແລະເພີ່ມປະສິດທິພາບການພະຍາກອນ.
AI ຄາດຄະເນອຸປະຕິເຫດຈາລະຈອນຈາກກ້ອງຖ່າຍຮູບ ແລະເຊັນເຊີ
ຄວາມຖືກຕ້ອງຂອງ AI ແມ່ນຂຶ້ນກັບການ synchronization ຂອງ sensor ແລະຂໍ້ມູນກ້ອງຖ່າຍຮູບ, ການຈັດການຄວາມຜັນຜວນຂອງການຈະລາຈອນ, ແລະຄວາມສາມາດໃນການຮັບຮູ້ພຶດຕິກໍາໃນແສງສະຫວ່າງແລະສະພາບອາກາດທີ່ແຕກຕ່າງກັນ. ເມື່ອນຳໃຊ້ຢ່າງມີປະສິດທິພາບ, AI ບໍ່ພຽງແຕ່ຄາດການອຸບັດຕິເຫດ ແຕ່ຍັງເປັນພື້ນຖານໃຫ້ແກ່ລະບົບທີ່ປັບປຸງສັນຍານຈະລາຈອນ, ປະສານງານການໄຫຼວຽນຂອງການຈະລາຈອນ ແລະ ຫຼຸດຜ່ອນຄວາມແອອັດ.
ເທກໂນໂລຍີດັ່ງກ່າວຍັງເປີດໂອກາດຂອງລົດທີ່ຂັບລົດດ້ວຍຕົນເອງແລະລະບົບການຂົນສົ່ງອັດສະລິຍະ, ເຊິ່ງສາມາດກໍານົດຄວາມສ່ຽງກ່ອນທີ່ຈະເກີດອຸປະຕິເຫດແລະປັບປຸງຄວາມປອດໄພໃນທົ່ວເຄືອຂ່າຍໃນຕົວເມືອງ.
ໂດຍລວມແລ້ວ, ການຄາດຄະເນອຸປະຕິເຫດຈະລາຈອນ AI ຈາກກ້ອງຖ່າຍຮູບໃນຕົວເມືອງແລະເຊັນເຊີເປັນຕົວແທນຂອງບາດກ້າວອັນສໍາຄັນໃນ ການນໍາໃຊ້ປັນຍາປະດິດໃນການຄຸ້ມຄອງການຈະລາຈອນ . ເທກໂນໂລຍີນີ້ປະສົມປະສານການວິເຄາະພຶດຕິກໍາ, ຂໍ້ມູນໃນເວລາທີ່ແທ້ຈິງແລະຮູບແບບການຮຽນຮູ້ເລິກ, ປ່ຽນຂໍ້ມູນການເຝົ້າລະວັງເຂົ້າໄປໃນແຜນທີ່ຄວາມສ່ຽງສະເພາະ, ຊ່ວຍໃຫ້ການປັບປຸງຄວາມປອດໄພ, ເພີ່ມປະສິດທິພາບການໄຫຼວຽນຂອງການຈະລາຈອນແລະສ້າງຕົວເມືອງທີ່ສະຫລາດກວ່າໃນອະນາຄົດ.
ທີ່ມາ: https://tuoitre.vn/ai-du-doan-tai-nan-giao-thong-tu-camera-va-sensor-do-thi-20251128174419006.htm
(0)