محققان ابزاری را ایجاد کرده اند که از هوش مصنوعی برای شناسایی اجسام در تصاویر کامپیوتری ترافیک استفاده کرده و نحوه حرکت و تعامل آنها را مشخص می کند.. پس از آن، اطلاعات مورد نظر را می توان توسط مهندسان ترافیک و مقامات مورد بررسی و تجزیه و تحلیلی قرار داد تا ایمنی و عملکرد شبکه حمل و نقل شهر را بهبود بخشد.

در ترافیک و در یک تقاطع شلوغ شهر، بالا را نگاه کنید: احتمالا یک دوربین خواهید دید. این دستگاه ها ممکن است برای نظارت بر شرایط ترافیک نصب شده و تصاویری را در صورت برخورد ارائه دهند. اما آیا می توانند بیشتر کار کنند؟ آیا می توانند به برنامه ریزان کمک کنند تا جریان ترافیک را بهینه کنند یا سایت هایی را شناسایی کنند که به احتمال زیاد به حوادث احتمالی رسیده اند؟ و آیا آنها می توانند بدون نیاز به افراد در طول ساعت فیلم ها بگیرند؟

محققان مرکز تست پیشرفته تگزاس (TACC)، مرکز تحقیقات حمل و نقل دانشگاه تگزاس و شهر آستین در حال تلاش برای توسعه ابزارهایی هستند که تجزیه و تحلیل ترافیک پیشرفته و قابل جستجو را با استفاده از داده کاوی امکان می دهند.

در کنفرانس بین المللی IEEE Big Data در ماه جاری، آنها یک ابزار جدید یادگیری عمیق ارائه می دهند که فیلم های ترافیک جاده ای شهر آستین برای شناسایی هر نوع اثاثه ترافیکی، اتومبیل، اتوبوس، کامیون، دوچرخه، موتور سیکلت و چراغ راهنمایی را نشان می دهند و مشخص می کنند که چگونه این اشیاء حرکت و تعامل دارند. این اطلاعات پس از آن می توانند توسط مهندسان ترافیک و مقامات مورد تجزیه و تحلیل قرار گیرند.

Weijia Xu، دانشمند تحقیقاتی گروه داده کاوی و آمار در TACC ، می افزاید: "ما امیدواریم که یک سیستم انعطاف پذیر و کارآمد برای کمک به محققان ترافیکی و تصمیم گیرندگان برای نیازهای تجزیه و تحلیل پویا و واقعی زندگی واقعی ایجاد کنیم." "ما نمی خواهیم یک راه حل کلیدی برای یک مشکل خاص بسازیم. ما می خواهیم ابزارهایی را کشف کنیم که ممکن است برای تعدادی از نیازهای تحلیلی، حتی آنهایی که ممکن است در آینده ظاهر شوند، مفید باشد."

الگوریتم را آنها برای تجزیه و تحلیل خودکار ترافیک ازاطلاعات جاده استفاده می کنند. سپس آن را با سایر اشیاء که قبلا شناخته شده است، مقایسه می کنند تا ارتباطات بین اشیا را کشف کند. هنگامی که محققان یک سیستم را که قادر به برچسب گذاری، ردیابی و تجزیه و تحلیل ترافیک توسعه دادند، آنها را به دو نمونه عملی تقسیم کرد: شمارش تعداد وسایل نقلیه در حال حرکت در یک جاده و شناسایی مواجه شدن بین وسیله نقلیه و عابر پیاده.

سیستم به طور خودکار وسایل نقلیه را در یک ویدیو کلیپ 10 دقیقه ای شمارش کرد و نتایج اولیه نشان داد که ابزار آنها 95 درصد دقیق بود.

ناتالی رئیز جوری، یکی از محققان و مدیر مرکز مدل سازی شبکه در مرکز تحقیقات حمل و نقل UTگفت: درک حجم ترافیک و توزیع آنها در طول زمان برای اعتبارسنجی مدل های حمل و نقل و ارزیابی عملکرد شبکه حمل و نقل بسیار مهم است.

 او  افزود: تمرین کنونی اغلب به استفاده از سنسورهای گران برای جمع آوری داده های مداوم یا مطالعاتی که حجم ترافیک را برای چند روز در طی دوره های انتخابی مشخص می کند متکی است.

استفاده از هوش مصنوعی به طور خودکار حجم ترافیک از دوربین های موجود را تولید و پوشش های فضایی و زمانی وسیع تر از شبکه حمل و نقل را فراهم می کند، در واقع تسهیل در تولید مجموعه داده های ارزشمند برای حمایت از تحقیقات نوین و درک تاثیر مدیریت ترافیک و تصمیمات عملیاتی است. در مورد برخورد های بالقوه نزدیک، محققان قادر به شناسایی خودکار مواردی بودند که وسایل نقلیه و عابر پیاده در مجاورت هم بودند. هیچ کدام از اینها خطرات واقعی زندگی را نشان ندادند، اما نشان دادند که چگونه سیستم بدون دخالت انسانی مکان های خطرناکی را کشف می کند.

محققان قصد دارند تا ببینند که چگونه اتوماسیون می تواند سایر تحلیل های مربوط به ایمنی را تسهیل کند، از جمله شناسایی مکان هایی که پیاده ها در خیابان های شلوغ در خارج از مکانهای تعیین شده پیاده روی می کنند، درک رانندگان و واکنش آن ها را نشان دهند.

این تیم یک وبسایت را ایجاد کرد که در آن مردم می توانند نمونه هایی از تشخیص، ردیابی و ابزار پرس و جو برای تجزیه و تحلیل ترافیک را مشاهده کنند.

 این مطلب در11 دسامبر در  پایگاه خبری ساینس دیلی منتشر شده است.