Dane Waze mogą pomóc przewidzieć awarie samochodów i skrócić czas reakcji


To jest ta rzecz o wypadkach samochodowych: są niezwykle rzadkie. W Stanach Zjednoczonych dziewięć osób zostaje rannych w wypadkach samochodowych na każde 100 milionów mil przejechanych samochodami, zgodnie z danymi National Highway Traffic Safety Administration.

Oto sprawa modeli komputerowych: nie są świetne w przewidywaniu rzadkich zdarzeń. „Wypadki i tak będą rzadkością, a modele mają tendencję do tęsknoty za rzadkimi zdarzeniami, ponieważ po prostu nie zdarzają się wystarczająco często” – mówi Tristan Glatard, profesor informatyki na Uniwersytecie Concordia, gdzie współpracuje z kolegami przy tworzeniu modeli, które może przewidzieć wypadki samochodowe przed ich wystąpieniem. „To jak znalezienie igły w stogu siana”.

Pewne dobre rzeczy mogą się zdarzyć, jeśli ktoś znajdzie tę igłę – jeśli zdołają przekształcić ulice i drogi w strumienie danych i przewidzieć, co może się tam wydarzyć. Służby ratunkowe mogą przybyć nieco szybciej. Urzędnicy państwowi mogą wykryć problematyczną drogę i naprawić ją.

OK, to nie do końca przewiduje przyszłość. Ale robi się niesamowicie blisko. Więc nawet jeśli jest to trudne i często drogie i zawsze skomplikowane, miasta, badacze i federalny Departament Transportu pracują właśnie nad tym.

W maju zespół naukowców medycznych z UCLA i UC Irvine opublikował artykuł w czasopiśmie Chirurgia Jama sugerując, że miejsca w Kalifornii mogą być w stanie wykorzystać dane z aplikacji Waze do crowdsourcingu, aby skrócić czas reakcji w sytuacjach awaryjnych. (Waze ma czteroletni program, który daje miastom dane o ruchu w zamian za informacje w czasie rzeczywistym o problemach, których użytkownicy mogą chcieć uniknąć, jak nagłe zamknięcia dróg). Porównując dane z usługi należącej do Google z danymi o awarii z California Highway Patrol naukowcy doszli do wniosku, że użytkownicy Waze powiadamiają aplikację o awarii średnio 2 minuty i 41 sekund, zanim ktokolwiek powiadomi organy ścigania.

„Prawie trzy minuty czasu realizacji nie zawsze są różnicą między życiem a śmiercią”, mówi Sean Young, profesor medycyny w UCLA i UCI, który pełni funkcję dyrektora wykonawczego Instytutu Prognoz na Uniwersytecie Kalifornijskim. Ale „jeśli te metody mogą skrócić czas reakcji o 20 do 60 procent, to będzie miało pozytywny wpływ kliniczny”, mówi. „Ogólnie zgadza się, że im szybciej wejdziesz na izbę przyjęć, tym lepsze będą wyniki kliniczne”.

W ubiegłym roku Volpe Center Departamentu Transportu zakończyło własną analizę sześciu miesięcy danych z raportu Waze i wypadków z Maryland i znalazło coś podobnego: jego naukowcy mogli zbudować model komputerowy z informacji crowdsourcingu, które uważnie śledziły wypadki zgłaszane policji . W rzeczywistości dane z crowdsourcingu miały pewne zalety w stosunku do oficjalnych wyników awarii, ponieważ wykryły awarie, które nie były na tyle duże, aby mogły zostać zgłoszone, ale były wystarczająco duże, aby spowodować poważne spowolnienie ruchu. Naukowcy rządowi napisali, że model może „zaoferować wczesny wskaźnik ryzyka katastrofy”, identyfikując, gdzie mogą się zdarzyć awarie.

Teraz DOT finansuje dodatkowe badania, tym razem z miastami, które mogą faktycznie korzystać z danych. W Tennessee naukowcy rządowi współpracują z patrolem drogowym, aby włączyć dane Waze do modelu przewidywania awarii w stanie, z nadzieją, że będzie on dokładny do godziny w siatce o powierzchni jednego mili kwadratowej, zamiast obecnych czterech godzin w obrębie siatka o powierzchni 42 mil kwadratowych. W Bellevue w Waszyngtonie projekt DOT pomógł zbudować interaktywny pulpit nawigacyjny, z którego urzędnicy mogą korzystać w celu identyfikacji wzorców awarii i zagrożeń. Jeśli na tym samym odcinku drogi dzieje się kilka awarii, „mapa ciepła zaczyna świecić”, mówi Franz Loewenherz, planista transportu w Bellevue. Miasto może wtedy zacząć zbierać dane z lokalnych kamer drogowych, aby szukać przyczyn.

Widok deski rozdzielczej Bellevue. Ulice z najpoważniejszymi i częstymi awariami są zaznaczone na czerwono.

The City of Bellevue, Washington

Bellevue jest miłym przypadkiem testowym dla tego rodzaju eksperymentu z danymi, ponieważ jest już bardzo dobry w zbieraniu i koordynowaniu danych z raportów policyjnych i 911 połączeń w celu ulepszenia transportu. (Wiele miejsc zmaga się nawet z zamieszczaniem raportów policyjnych w postaci formularzy, które są przydatne dla planistów dróg, aby mogli wykryć uporczywe wzorce awarii.) DOT może wykorzystać Bellevue do sprawdzenia, jak blisko danych o ruchu ulicznym jest to, co faktycznie dzieje się na ziemi .

Zanim jednak takie eksperymenty z danymi o ruchu będą miały charakter główny, zajmie to dużo pracy – po części dlatego, że niewiele miejsc jest takich jak Bellevue. „Musisz mieć wiele danych i różnych typów danych, a następnie móc je analizować, aby można było je zastosować, a nie tylko gromadzić dane” – mówi Christopher Cherry, profesor inżynierii na University of Kentucky, który niedawno ukończył badanie, w jaki sposób można wykorzystać dane o ruchu do poprawy bezpieczeństwa drogowego. Same dane o ruchu są przydatne. Aby jednak przewidzieć ryzyko wypadków i zapobiec im, powinieneś także mieć poczucie, gdzie zdarzają się wypadki, jak wyglądają drogi i jak te drogi działają w różnych warunkach pogodowych. A potem musisz połączyć wszystkie te zbiory danych i pomóc im rozmawiać ze sobą – bez najmniejszego wyczynu.

Wracając do UCLA i UCI, naukowcy próbują dowiedzieć się, jak masują ruch Waze, aby był bardziej dokładny. Jest dobry powód, dla którego dane o ruchu w Google nie mogą być podporządkowane rozmowom 911, mówi Young, naukowiec: Nadal istnieje wiele fałszywych alarmów, gdy dane o ruchu identyfikują awarię, której nie ma lub nie są wystarczająco poważne, by zagwarantować pomoc medyczna. „Jeśli używasz danych Waze jako złotego standardu i za każdym razem, gdy użytkownik Waze zgłosi wypadek samochodowy, ostrzegasz wydziały policji, a następnie odwracasz je od wszelkiego rodzaju innych zasobów potrzebnych do przestępstwa, zdrowia publicznego i bezpieczeństwa”, mówi.

Glatard i jego zespół z Concordia w Montrealu opublikowali niedawno artykuł sugerujący, że mogą połączyć trzy zbiory danych – w miejskich sieciach drogowych, w sprawie awarii i pogody – aby przewidzieć, gdzie mogą się zdarzyć wypadki z 85-procentową dokładnością. Ale o jednym z ośmiu wypadków, które przewiduje, nigdy się nie zdarzy. W końcu chciałby, aby władze miasta wykorzystały tego rodzaju informacje do kierowców tras wokół ulic, które stają się szczególnie niebezpieczne, gdy pada śnieg. Ale najpierw chce trenować model na większej ilości danych – zestawach danych dotyczących ruchu w Montrealu, transporcie publicznym w Montrealu i sposobie jazdy kierowców w Montrealu. „Modele działają tak długo, jak długo mamy dobre źródła danych i wiele z nich” – mówi. Więc zanim ktokolwiek zobaczy awarie, zanim się zdarzą, Raport mniejszościStyl, muszą się zbierać.


Więcej świetnych opowiadań