今天的世界是一个巨大的迷宫，由混凝土和沥青层连接，为我们提供车辆导航。地图应用程序，GPS 让出行更便捷，摄像头提醒我们潜在的擦伤和划痕，以及电动自动驾驶汽车更低的燃料成本，相比这些，安全措施还没有完全跟上。

为了避免碰撞固有的不确定性，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 和卡塔尔人工智能中心的科学家开发了一种深度学习模型，可以预测高分辨率碰撞风险图。结合历史碰撞数据、路线图、卫星图像和 GPS 轨迹，风险图描述了未来一段时间内的预期碰撞次数，以识别高风险区域并预测未来的碰撞。

通常，这些类型的风险地图是以低得多的分辨率捕获的，在数百米左右徘徊，这意味着由于道路变得模糊在一起而掩盖了关键细节。然而，这些地图是 5x5 米的网格单元，更高的分辨率带来了新的清晰度：例如，科学家发现高速公路比附近的住宅道路具有更高的风险，并且合并和离开高速公路的坡道具有更高的风险风险高于其他道路。

通过捕捉所有地点未来发生碰撞概率的潜在风险分布，在没有任何历史数据的情况下，可以找到更安全的路线，使汽车保险公司能够根据客户的驾驶轨迹提供定制的保险计划，帮助城市规划者设计更安全的道路，甚至预测未来的碰撞。

尽管车祸很少发生，但它们造成的损失约占世界 GDP 的 3%，并且儿童和年轻人死亡的主要原因。

该团队的方法投下了更广泛的网络来捕获关键数据。它使用 GPS 轨迹模式识别高风险位置，提供有关密度、速度和交通方向的信息，以及描述道路结构的卫星图像，例如车道数量、是否有路肩，或者是否有大量路肩的行人。然后，即使高风险区域没有记录的碰撞事故，仅根据其交通模式和拓扑结构，仍然可以将其识别为高风险区域。

为了评估该模型，科学家们使用了 2017 年和 2018 年的撞车事故和数据，并测试了其预测 2019 年和 2020 年撞车事故的性能。许多地点被确定为高风险，即使它们没有撞车记录，并且在此期间也经历过撞车事故。后续年份。

该模型可以通过结合来自看似无关的数据源的多个线索，从一个城市推广到另一个城市。这是迈向通用人工智能的一步，因为我们的模型可以预测未知领域的碰撞地图，即使在没有历史碰撞数据的情况下，该模型也可用于推断有用的碰撞地图，通过比较想象的场景，这可以转化为对城市规划和政策制定的积极用途。

如果人们可以使用风险地图来识别潜在的高风险路段，他们就可以提前采取行动来降低他们出行的风险。