研究人員在歷史車禍數據、道路地圖、衛星圖像和GPS上訓練了一個深度模型，以實現高分辨率的車禍地圖，這可能帶來更安全的道路環境。今天的世界是一個大迷宮，由一層層的混凝土和瀝青連接起來，讓我們有機會通過車輛導航。

我們已經體驗了許多與道路有關的技術進步，但道路安全措施還沒有完全跟上。為了領先于車禍固有的不確定性，來自麻省理工學院計算機科學與人工智能實驗室（CSAIL）和卡塔爾人工智能中心的科學家們開發了一套深度學習模型，預測非常高分辨率的車禍風險地圖。在歷史車禍數據、道路地圖、衛星圖像和GPS追蹤的基礎上，風險地圖描述了未來一段時間內的預期車禍數量，以確定高風險區域并預測未來的車禍。

用于創建車禍風險地圖的數據集涵蓋了洛杉磯、紐約市、芝加哥和波士頓的7500平方公里。在這四個城市中，洛杉磯是最不安全的，因為它的車禍密度最高，其次是紐約市、芝加哥和波士頓。

通常情況下，這些類型的風險地圖是在低得多的分辨率下捕獲的，這些分辨率徘徊在數百米左右，這意味著掩蓋了關鍵的細節，因為道路變得模糊不清。然而，新的地圖是基于5×5米的網格單元，更高的分辨率帶來了新的洞察力。科學家們發現，例如，一條高速路比附近的住宅路有更高的風險，而合并和離開高速路的匝道比其他道路的風險更高。

麻省理工學院CSAIL博士生何松濤說："通過捕捉決定所有地方未來車禍概率的基本風險分布，而且沒有任何歷史數據，我們可以找到更安全的路線，使汽車保險公司能夠根據客戶的駕駛軌跡提供定制的保險計劃，幫助城市規劃者設計更安全的道路，甚至預測未來的車禍，"他是關于這項研究的新論文的主要作者。

交通事故耗費了世界GDP的大約3%，并且是兒童和年輕人死亡的主要原因。但總體上看，它的發生還是比較稀疏的，這種在如此高的分辨率下推斷地圖成為一項棘手的任務。這種級別的車禍分布很稀疏--在5×5的網格單元中發生車禍的平均年幾率約為千分之一，最關鍵的是它們很少在同一地點發生兩次。之前預測車禍風險的嘗試在很大程度上是基于歷史的，因為只有在附近發生過車禍的情況下，一個地區才會被認為是高風險的。

為了評估該模型，科學家們使用了2017年和2018年的車禍和數據，并測試了其在2019年和2020年預測車禍的性能。許多地點被確定為高風險，即使它們沒有任何車禍記錄，也在后續幾年中發生了車禍。

該團隊的方法投下了一張更廣泛的網來捕捉關鍵數據。它利用GPS軌跡模式和描述道路結構的衛星圖像來識別高風險地點，前者提供了關于交通密度、速度和方向的信息，后者則描述了道路結構，如車道數量、是否有路肩或是否有大量的行人。經過學習后，即使一個高風險地區沒有撞車記錄，僅根據其交通模式和拓撲結構，它仍然可以被確定為高風險。

為了評估該模型，科學家們調用了2017年和2018年的車禍和數據，并測試了其預測2019年和2020年車禍的能力。許多地點被確定為高風險，即使它們沒有撞車記錄，也在后續年份發生了撞車。

"我們的模型通過結合來自看似不相關的數據源的多個線索，可以從一個城市概括到另一個城市。這是邁向通用人工智能的一步，因為我們的模型可以預測未知領域的車禍地圖，"卡塔爾計算研究所（QCRI）的首席科學家和該論文的作者Amin Sadeghi說。"即使在沒有歷史車禍數據的情況下，該模型也可以用來推斷出有用的車禍地圖，這可以轉化為通過比較想象中的場景，對城市規劃和政策制定的積極用途。"

該數據集涵蓋了洛杉磯、紐約市、芝加哥和波士頓的7500平方公里。在這四個城市中，洛杉磯是最不安全的，因為它的車禍密度最高，其次是紐約市、芝加哥和波士頓。

"如果人們能夠使用風險地圖來識別潛在的高風險路段，他們就可以提前采取行動，減少他們出行的風險。像Waze和蘋果地圖這樣的應用程序都有事故特征工具，但我們正試圖走在車禍的前面--在它們發生之前，"他說。