Problemi kao što su nagle promene u ograničenjima brzine i nepotpune oznake traka su među najuticajnijim faktorima koji mogu predvideti saobraćajne nesreće, otkriva novo istraživanje inženjera Univerziteta Masačusets Amherst. Studija je zatim koristila mašinsko učenje da bi predvidela koji putevi mogu biti najopasniji na osnovu ovih karakteristika.
Objavljena u časopisu Transportation Research Record, studija je bila saradnja između UMass Amherst građevinskih inženjera i inženjera zaštite životne sredine Džimija Okea, docenta; Eleni Christofa, vanredni profesor; i Simos Gerasimidis, vanredni profesor; i građevinski inženjeri iz Egnatia Odos, javne inženjerske firme u Grčkoj.
Najuticajnije karakteristike uključivale su probleme dizajna puta (kao što su promene u ograničenjima brzine koje su previše nagle ili problemi sa zaštitnim ogradama), oštećenje kolovoza (pukotine koje se protežu preko puta i pukotine na mreži koje se nazivaju „aligatorske“ pukotine) i nepotpune oznake i put oznake.
Da bi identifikovali ove karakteristike, istraživači su koristili skup podataka od 9.300 milja puteva na 7.000 lokacija u Grčkoj. „Egnatia Odos je imala prave podatke sa svakog autoputa u zemlji, koje je veoma teško pronaći“, kaže Gerasimidis.
Oke, koji je zajedno sa Kristofom takođe član fakulteta u UMass Transportation Centru, sumnja da bi otkrića mogla da se protežu i izvan grčkih granica.
„Sam problem je globalno primenljiv — ne samo na Grčku, već i na Sjedinjene Države“, kaže on. Razlike u dizajnu puteva mogu uticati na rangiranje varijabli, ali s obzirom na intuitivnu prirodu karakteristika, on sumnja da bi same karakteristike bile važne bez obzira na lokaciju.
„Sami indikatori su univerzalne vrste zapažanja, tako da nema razloga da verujemo da se ne bi mogli generalizovati na SAD. On takođe napominje da se ovaj pristup može lako primeniti i na novim podacima sa drugih lokacija.
Ono što je važno, koristi se decenijama podataka o putevima: „Imamo sve ove mere koje možemo da upotrebimo da predvidimo rizik od sudara na našim putevima, a to je veliki korak u poboljšanju bezbednosnih rezultata za sve“, kaže on.
Postoji mnogo budućih aplikacija za ovaj rad. Za početak, to će pomoći budućim istraživanjima da se domognu važnih karakteristika za proučavanje. „Imali smo 60-ak indikatora. Ali sada možemo zaista da fokusiramo svoj novac na hvatanje onih koji su nam potrebni“, kaže Oke. „Moglo bi se kopati dublje da bi se razumelo kako bi određena funkcija zapravo mogla da doprinese padu“, a zatim izmeriti da li bi rešavanje problema aktivno smanjilo broj incidenata koji se dešavaju.
On takođe predviđa kako bi se ovo moglo koristiti za obuku AI za praćenje stanja na putevima u realnom vremenu. „Mogli biste da obučite modele koji mogu da identifikuju ove karakteristike na slikama, a zatim da predvidite rizik od pada kao prvi korak ka automatizovanom sistemu za praćenje i da date preporuke o tome šta treba da popravimo“, kaže on.
Gerasimidis dodaje da je ovo uzbudljiva primena veštačke inteligencije u stvarnom svetu. „Ovo je velika inicijativa koju radimo ovde i ima specifične inženjerske rezultate“, kaže on.
„Svrha je bila da se uradi ova studija veštačke inteligencije i dovede do [grčkih] zvaničnika da kažu ‘pogledajte šta možemo da uradimo.’ Veoma je teško koristiti veštačku inteligenciju i doći do konkretnih rezultata koji bi se mogli primeniti, a mislim da je ova studija jedna od njih. Sada je na grčkim zvaničnicima da iskoriste ove nove alate kako bi ublažili ogroman problem smrtnih slučajeva u saobraćajnim nesrećama Veoma smo željni da vidimo da naši nalazi dovode do poboljšanja ovog problema.“
„Ovaj rad bi mogao da posluži kao putokaz za buduću saradnju između akademika i inženjera na drugim temama“, dodaje on. „Matematički alati zajedno sa stvarnim podacima sastoje se od zaista moćne kombinacije kada se posmatraju društveni problemi.“
