आज की दुनिया कंक्रीट डामर की परतों से जुड़ी एक बड़ी भूलभुलैया है जो हमें कार से यात्रा करने की अनुमति देती है। ट्रैफिक से संबंधित हमारे अधिकांश अग्रिमों के लिए - जीपीएस हमें मैपिंग ऐप्स के लिए कम न्यूरॉन्स का उपयोग करने की इजाजत देता है, कैमरे हमें संभावित रूप से महंगी खरोंच की चेतावनी देते हैं, और इलेक्ट्रिक स्वायत्त कारों में ईंधन की खपत कम होती है - सुरक्षा उपायों के बारे में क्या? हम अभी भी बिंदु ए से बिंदु बी तक सुरक्षित रूप से पहुंचने के लिए ट्रैफिक लाइट, विश्वास और हमारे चारों ओर स्टील पर हमारी निरंतर निर्भरता पर भरोसा करते हैं।
दुर्घटनाओं से जुड़ी अनिश्चितता से बचने के लिए, MIT के कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लेबोरेटरी (CSAIL) और कतर सेंटर फॉर आर्टिफिशियल इंटेलिजेंस (QCAI) के वैज्ञानिकों ने एक गहन शिक्षण मॉडल विकसित किया है जो बहुत उच्च-रिज़ॉल्यूशन दुर्घटना जोखिम मानचित्र बनाता है। ऐतिहासिक क्रैश डेटा, रोड मैप्स, सैटेलाइट इमेजरी और जीपीएस ट्रैक्स के संयोजन के आधार पर, जोखिम मानचित्र उच्च जोखिम वाले क्षेत्रों की पहचान करने और भविष्य की दुर्घटनाओं की भविष्यवाणी करने के लिए भविष्य में दुर्घटनाओं की अपेक्षित संख्या का वर्णन करते हैं।
विशिष्ट रूप से, इस प्रकार के जोखिम मानचित्रों को बहुत कम रिज़ॉल्यूशन पर दर्ज किया जाता है, जो सैकड़ों मीटर में होता है, जिसका अर्थ है कि महत्वपूर्ण विवरण नहीं देखा जा सकता है। हालाँकि, इन नक्शों में पाँच-बाई-पाँच-मीटर ग्रिड सेल हैं, और उच्च रिज़ॉल्यूशन नई स्पष्टता प्रदान करता है: वैज्ञानिकों ने पता लगाया है कि, उदाहरण के लिए, एक फ्रीवे में आस-पास की आवासीय सड़कों की तुलना में अधिक जोखिम है।
हालांकि कार दुर्घटनाएं बहुत आम नहीं हैं, वे वैश्विक सकल घरेलू उत्पाद का लगभग 3% खर्च करती हैं और बच्चों और युवाओं के लिए मृत्यु का प्रमुख कारण हैं। यह विरलता इस तरह के उच्च-रिज़ॉल्यूशन मानचित्रों को एक चुनौतीपूर्ण कार्य बनाती है। लेकिन टीम का दृष्टिकोण आवश्यक डेटा एकत्र करने के लिए जाल को चौड़ा करता है। यह जीपीएस प्रक्षेपवक्र पैटर्न का उपयोग करके उच्च जोखिम वाले स्थानों की पहचान करता है जो यातायात घनत्व, गति और दिशा के साथ-साथ उपग्रह छवियों के बारे में जानकारी प्रदान करता है जो सड़कों की संख्या जैसे गलियों की संख्या, कंधों की उपस्थिति या पैदल चलने वालों की संख्या का वर्णन करता है। फिर, भले ही एक उच्च जोखिम वाले क्षेत्र में कोई विफलता न हो, फिर भी इसे केवल ट्रैफिक पैटर्न और टोपोलॉजी के आधार पर उच्च जोखिम वाले क्षेत्र के रूप में पहचाना जा सकता है।
"हमारे मॉडल को प्रतीत होता है कि असंबद्ध डेटा स्रोतों से कई सुरागों को जोड़कर एक शहर से दूसरे शहर में सामान्यीकृत किया जा सकता है। यह सहयोगी आर्टिफिशियल इंटेलिजेंस की दिशा में एक कदम है क्योंकि हमारा मॉडल अज्ञात क्षेत्रों में दुर्घटना मानचित्रों की भविष्यवाणी कर सकता है," कतर कंप्यूटिंग रिसर्च इंस्टीट्यूट (क्यूसीआरआई) के प्रमुख शोधकर्ता और पेपर के लेखक अमीन सादेघी कहते हैं।
परीक्षण किया गया डेटा सेट 7 वर्ग फुट को कवर करता है। लॉस एंजिल्स, न्यूयॉर्क, शिकागो और बोस्टन से किमी। चार शहरों में, लॉस एंजिल्स उच्चतम दुर्घटना घनत्व के कारण सबसे खतरनाक था, इसके बाद न्यूयॉर्क, शिकागो और बोस्टन का स्थान था।
"यदि लोग सड़क के संभावित उच्च जोखिम वाले क्षेत्रों की पहचान करने के लिए जोखिम मानचित्र का उपयोग कर सकते हैं, तो वे अपनी यात्रा के जोखिम को कम करने के लिए अग्रिम कदम उठा सकते हैं। वेज़ और जैसे अनुप्रयोगों में Apple मानचित्र, घटनाओं के साथ काम करने के लिए उपकरण हैं, लेकिन हम विफलताओं का अनुमान लगाने की कोशिश करते हैं - इससे पहले कि वे हों," - कहते हैं वैज्ञानिक
यह भी पढ़ें:
- वीडियो: Queclink GL300 की समीक्षा - GPS ट्रैकर कैसे काम करता है?
- जीपीएस क्या है: पोजिशनिंग सिस्टम के प्रकार, यह कैसे काम करता है और भविष्य क्या रखता है