工程師開發人工智慧系統即時感知被淹沒的道路
與道路相關的事件是全國洪水死亡的主要原因，但有限的洪水報告工具使得即時評估道路狀況變得困難。
現有的工具——交通攝影機、水位感測器甚至社交媒體數據——可以提供洪水觀測，但它們通常不是主要為感知道路洪水狀況而設計的，並且不能協同工作。感測器網路可以提高洪水水位態勢感知；然而，大規模營運的成本高昂。
萊斯大學的工程師開發了一個可能的解決方案來解決這個問題：一個名為 OpenSafe Fusion 的自動化資料融合框架。 OpenSafe Fusion 是使用資料融合的開源態勢感知行動框架的縮寫，它利用現有的個人報告機制和公共資料來源來感知日益頻繁的城市洪水事件期間快速變化的道路狀況。
萊斯大學斯坦利·C·摩爾工程教授兼土木與環境工程系系主任傑米·帕吉特 (Jamie Padgett) 與土木與環境工程博士後研究員普拉納韋什·帕納卡爾(Pranavesh Panakkal) 一起分析了來自休士頓九個來源的數據，然後制定了綜合框架他們的研究中的自動化數據系統。
這項題為「更多關注道路：透過融合公共資料來源的即時觀測來感知被淹沒的道路」的研究發表在《可靠性工程與系統安全》雜誌上。
帕吉特說：“雖然直接觀察洪水道路的來源有限，但城市中心有許多直接或間接觀察洪水或道路狀況的來源。”
帕吉特和帕納卡爾假設，結合這些即時來源的見解的自動化系統可能會徹底改變洪水態勢感知，而無需對新感測器進行大量投資。
帕吉特說：“這項研究為社區提供了一條利用現有數據源公平感知和應對洪水等城市壓力源的途徑。”
「它建立在我們與賴斯 SSPEED 中心同事的長期合作基礎上並受到啟發，他們一直在開發最先進的洪水警報系統。在這裡，我們專注於洪水對交通基礎設施的影響，並重點了解如何其他資料來源可以補充洪水模型的信息，特別是在對道路和安全流動的影響方面。
該框架使用交通警報、攝影機甚至交通速度等來源的數據，並利用機器學習和數據融合來預測道路是否被洪水淹沒。
此類資料來源的價值在 2017 年哈維颶風期間顯而易見，因為休士頓的許多人（包括緊急應變人員）都採用手動檢查資料來源來推斷可能的路況，以克服缺乏可靠的即時路況資料的問題。
為了測試 OpenSafe Fusion 流程，研究人員使用哈維期間觀察到的歷史洪水資料在框架中重現場景，其中包括休士頓地區約 62,000 條道路。
「該模型能夠觀察到大約 37,000 條道路，約占我們考慮的網路的 60%，這是一個重大改進，」Panakkal 說。
該框架中可以使用的其他資料來源包括：水位感測器、公民入口網站、眾包、社群媒體、洪水模型以及該研究稱為「人機互動」的因素。
Panakkal 表示，最後一個來源尤其重要，因為 OpenSafe Fusion 的人為因素允許負責任地使用人工智慧 (AI)。
「我們不想要一個完全自動化且沒有任何人為控制的系統，」帕納卡爾說。
「模型可能會做出錯誤的預測，這可能會危及基於此預測而決定冒險旅行的社區成員。因此，我們設計了基於負責任的人工智慧使用的保障措施。此類工具中對負責任的人工智慧的需求仍然是進一步工作的開放領域，我們希望在未來測試我們的方法時進行更深入的研究。
該研究還考慮了自然災害期間洪水對社區使用醫院和透析中心等關鍵設施的影響。
帕納卡爾說：“這讓社區成員或緊急救援人員了解哪些道路被洪水淹沒以及如何安全前往某個地點。”
帕吉特說，研究人員希望進行廣泛的測試、驗證和探索，以了解不同規模和資源可用性的社區如何使用這個框架來更好地感知洪水期間的道路狀況。
帕吉特說：「考慮到氣候變遷的影響和氣候加劇的天氣事件，未來洪水事件的頻率和強度可能會增加，因此我們需要一種解決方案來更好地應對洪水事件及其對基礎設施的影響。
如果想详细了解，可以点开视频下方的链接。
谢谢观看本视频。要是喜欢，请订阅、点赞。谢谢
原文：https://techxplore.com/news/2024-08-ai-real-roads.html
More information: Pranavesh Panakkal et al, More eyes on the road: Sensing flooded roads by fusing real-time observations from public data sources, Reliability Engineering & System Safety (2024). DOI: 10.1016/j.ress.2024.110368
更多資訊： Pranavesh Panakkal 等人，更專注於道路：透過融合公共資料來源的即時觀測來感知被淹沒的道路，可靠性工程與系統安全(2024)。 DOI：10.1016/j.ress.2024.110368
油管：https://youtu.be/5iXytJYCvY8
