13 فوریه 2024- توسط دانشگاه ماساچوست آمهرست-اعتبار: دامنه عمومی Pixabay/CC0
تحقیقات جدید مهندسان دانشگاه ماساچوست آمهرست نشان می دهد مسائلی مانند تغییرات ناگهانی در محدودیت سرعت و خط کشی ناقص خطوط از جمله تاثیرگذارترین عواملی هستند که می توانند تصادفات جاده ای را پیش بینی کنند. سپس این مطالعه از یادگیری ماشینی برای پیش‌بینی اینکه کدام جاده‌ها ممکن است خطرناک‌ترین باشند بر اساس این ویژگی‌ها استفاده کرد.
این مطالعه که در مجله Transportation Research Record منتشر شد، با همکاری مهندسان عمران و محیط زیست UMass Amherst، Jimi Oke، استادیار النی کریستوفا، دانشیار؛ و سیموس گراسیمیدیس، دانشیار؛ و مهندسان عمران از Egnatia Odos، یک شرکت مهندسی دولتی در یونان انجام شد..
تأثیرگذارترین ویژگی‌ها شامل مسائل طراحی جاده (مانند تغییر در محدودیت‌های سرعتی که خیلی ناگهانی هستند یا مشکلات گاردریل)، آسیب‌های روسازی (ترک‌هایی که در سراسر جاده کشیده می‌شوند و ترک‌های شبکه‌ای که به آن ترک «تمساح» گفته می‌شود) و علائم ناقص و نشانه گذاری جاده‌ها بود.
برای شناسایی این ویژگی ها، محققان از مجموعه داده ای از 9300 مایل جاده در 7000 مکان در یونان استفاده کردند. گراسیمیدیس می‌گوید: «ایگناتیا اودوس داده‌های واقعی را از تمام بزرگراه‌های کشور داشت که یافتن آن بسیار سخت است.
اوکه، که به همراه کریستوفا، همچنین یکی از اعضای هیئت علمی مرکز حمل و نقل UMass است، مشکوک است که این یافته ها فراتر از مرزهای یونان باشد.
او می گوید: «مشکل به خودی خود در سطح جهانی قابل اجرا است – نه فقط در یونان، بلکه برای ایالات متحده. تفاوت در طراحی جاده ها ممکن است بر نحوه رتبه بندی متغیرها تأثیر بگذارد، اما با توجه به ماهیت شهودی ویژگی ها، او گمان می کند که خود ویژگی ها صرف نظر از مکان مهم هستند.
“شاخص‌ها خود انواع مشاهدات جهانی هستند، بنابراین دلیلی وجود ندارد که باور کنیم آنها قابل تعمیم به ایالات متحده نیستند.” او همچنین خاطرنشان می کند که این رویکرد می تواند به راحتی بر روی داده های جدید از مکان های دیگر نیز مستقر شود.
نکته مهم این است که ده‌ها سال داده‌های جاده‌ای را به خوبی مورد استفاده قرار می‌دهد: «ما همه این اقدامات را داریم که می‌توانیم برای پیش‌بینی خطر تصادف در جاده‌هایمان استفاده کنیم، و این گام بزرگی در بهبود نتایج ایمنی برای همه است».
برنامه های آینده زیادی برای این کار وجود دارد. برای شروع، به تحقیقات آینده در مورد ویژگی های مهم مطالعه کمک می کند. اوکه می‌گوید: «ما 60 شاخص عجیب و غریب داشتیم. اما اکنون، می‌توانیم واقعاً پول خود را روی گرفتن شاخص‌هایی که نیاز داریم متمرکز کنیم. «می‌توان عمیق‌تر کاوش کرد تا فهمید که چگونه یک ویژگی خاص می‌تواند به خرابی‌ها کمک کند» و سپس اندازه‌گیری کرد که آیا رفع مشکل به طور فعال تعداد حوادثی را که رخ می‌دهد کاهش می‌دهد یا خیر.
او همچنین پیش بینی می کند که چگونه می توان از این برای آموزش هوش مصنوعی برای نظارت بر وضعیت جاده ها در زمان واقعی استفاده کرد. او می‌گوید: «شما می‌توانید مدل‌هایی را آموزش دهید که می‌توانند این ویژگی‌ها را از روی تصاویر شناسایی کنند و سپس خطر تصادف را به عنوان اولین گام به سمت یک سیستم نظارت خودکار پیش‌بینی کنند و همچنین توصیه‌هایی در مورد آنچه باید اصلاح کنیم، ارائه کنید.
Gerasimidis اضافه می کند که این یک برنامه هیجان انگیز و واقعی از هوش مصنوعی است. او می گوید: «این یک ابتکار بزرگ است که ما در اینجا انجام می دهیم، و نتایج مهندسی خاصی دارد.
“هدف این بود که این مطالعه هوش مصنوعی را انجام دهیم و آن را به مقامات [یونانی] برسانیم تا بگویند “ببینید چه کاری می توانیم انجام دهیم.” استفاده از هوش مصنوعی و دستیابی به نتایج مشخصی که بتوان آنها را اجرا کرد بسیار دشوار است و من فکر می‌کنم این مطالعه یکی از آنهاست. اکنون بر عهده مقامات یونانی است که از این ابزارهای جدید برای کاهش معضل عظیم تلفات تصادفات رانندگی استفاده کنند. ما بسیار مشتاقیم که ببینیم یافته های ما به بهبود این مشکل منجر می شود.”
او می افزاید: «این کار می تواند به عنوان نقشه راه برای همکاری های آتی بین دانشگاهیان و مهندسان در موضوعات دیگر باشد. “ابزارهای ریاضی همراه با داده های واقعی از ترکیبی واقعا قدرتمند در هنگام بررسی مشکلات اجتماعی تشکیل شده اند.”
