Штучний інтелект для дорожнього руху прогнозує аварії
Дорожні камери сьогодні використовуються не лише для моніторингу порушень, але й стають цінним джерелом даних для систем штучного інтелекту. А завдяки штучному інтелекту можна виявляти та аналізувати незвичайну поведінку транспортних засобів, створюючи карту ризиків ще до того, як станеться аварія.
Це новий напрямок для покращення безпеки дорожнього руху та підтримки розумного міського планування.
Штучний інтелект для дорожнього руху «ретельно контролює» кожен рух на дорозі
Сучасні системи штучного інтелекту для обробки дорожнього руху збирають дані з сотень камер та датчиків, розміщених на дорогах, включаючи датчики, які вимірюють швидкість, прискорення, відстань транспортних засобів та обсяг руху в режимі реального часу.
Використовуючи алгоритми машинного та глибокого навчання, штучний інтелект визначає поведінку, яка є передвісниками аварій , таку як раптова зміна смуги руху, різке прискорення або виїзд з місця. Аналіз у режимі реального часу дозволяє системі оцінювати ризик одразу після виникнення аномальної поведінки, а не покладатися на дані про аварії, які вже сталися.
Згідно з дослідженням Tuoi Tre Online, моделі глибокого навчання, зокрема згорткові нейронні мережі (CNN), застосовуються для аналізу зображень з камер, поєднуючи дані з датчиків для розрахунку відносної швидкості, мінімальної відстані та часу реакції між транспортними засобами.
Система призначає оцінки ризику кожному перехрестю або ділянці дороги, створюючи карту потенційних «чорних точок» для міста. Периферійні обчислення використовуються для обробки даних поблизу камер і датчиків, зменшуючи затримку, захищаючи конфіденційність і забезпечуючи швидке реагування, щойно виникає небезпечна поведінка .
Міжнародне дослідження лабораторії Senseable City Lab MIT та проектів розумних міст у Сінгапурі та Торонто показує, що цей метод допомагає виявляти зони високого ризику вдвічі-втричі краще, ніж традиційна статистика аварій.
Система не лише розпізнає незвичайну поведінку, але й відстежує складні схеми руху транспорту, від години пік до поганих погодних умов, щоб краще прогнозувати ризики. Штучний інтелект також навчається на основі історичних даних, покращуючи свої прогнози з часом та адаптуючись до змін у потоці руху.
Від картографування чорних зон до оптимізації безпеки в містах
Щоб карта чорних плям була ефективною, система повинна обробляти величезну кількість даних з камер і датчиків і аналізувати їх у режимі реального часу. Сучасні моделі штучного інтелекту використовують периферійні обчислення, які обробляють дані поблизу камери, а не надсилають їх на центральний сервер, зменшуючи затримку та захищаючи конфіденційність.
Агреговані дані не лише допомагають визначити зони ризику, але й підтримують органи дорожнього руху у прийнятті відповідних рішень щодо світлофорів та інфраструктури.
Однак точність ШІ також залежить від умов навколишнього середовища , від дня чи ночі, дощу чи сонця до інтенсивного чи неінтенсивного руху, а також поведінки пішоходів та мотоциклістів. Тому моделі ШІ необхідно точно налаштувати відповідно до характеристик дорожнього руху кожної міської зони, щоб зменшити кількість хибних попереджень та підвищити ефективність прогнозування.
Штучний інтелект прогнозує дорожньо-транспортні пригоди за допомогою камер та датчиків
Точність ШІ залежить від синхронізації даних датчиків і камер, обробки коливань дорожнього руху та здатності розпізнавати поведінку за різних умов освітлення та погоди. За умови ефективного розгортання ШІ не лише прогнозує аварії, але й формує основу для систем, які оптимізують світлофори, координують транспортні потоки та зменшують затори.
Ця технологія також відкриває перспективу для автомобілів з автономним керуванням та інтелектуальних транспортних систем, які можуть виявляти ризики до того, як трапляться аварії, та підвищувати безпеку в міських мережах.
Загалом, прогнозування дорожньо-транспортних пригод за допомогою штучного інтелекту з міських камер та датчиків є важливим кроком у застосуванні штучного інтелекту до управління дорожнім рухом . Ця технологія поєднує поведінковий аналіз, дані в режимі реального часу та моделі глибокого навчання, перетворюючи дані спостереження на конкретні карти ризиків, допомагаючи підвищити безпеку, оптимізувати транспортні потоки та будувати розумніші міста в майбутньому.
Джерело: https://tuoitre.vn/ai-du-doan-tai-nan-giao-thong-tu-camera-va-sensor-do-thi-20251128174419006.htm
Коментар (0)