Город и перевозчики

Нейросети для городских проектов

Прохожу на аспирантской программе курс «Умные городские системы». Его цель — использовать нейросети для анализа городских данных.

Мы изучаем как нейросети работают с разными типами данных: табличными, географическими, спутниковыми снимками, панорамами улиц, текстовыми комментариями к точкам на карте и т.п.

Я сделал модель прогнозирования числа пострадавших в дорожно-транспортных происшествиях на основе данных Москвы.

Учитываю следующие виды данных:

— табличные данные о ДТП с координатами и различными признаками, в т.ч. с количеством жертв;
— текстовые описания обстоятельств ДТП и нарушений ПДД (естественный язык);
— пространственные данные точечных объектов из OpenStreetMap (светофоры, пешеходные переходы и др.).

Для каждого типа данных применяется специализированная модель для извлечения векторных представлений (эмбеддингов): языковая, геопространственная и табличная. Затем данные агрегируются по шестиугольным пространственным ячейкам (H3) и подаются в регрессионную нейросетевую модель.

Результат на карте:
— синие точки — фактические ДТП из базы,
— цвет шестигранных ячеек — прогноз количества жертв (пострадавшие + погибшие).

Пока это учебный проект. Не для практического применения. Но в перспективе обученную модель можно применять на другие территории для прогноза очагов ДТП.

🤔8🔥4👍2❤1👌1😍1

www.group-telegram.com/jp/cityandoperators.com/210

1.07K viewsMay 30 at 10:50

Нейросети для городских проектов

Прохожу на аспирантской программе курс «Умные городские системы». Его цель — использовать нейросети для анализа городских данных.

Мы изучаем как нейросети работают с разными типами данных: табличными, географическими, спутниковыми снимками, панорамами улиц, текстовыми комментариями к точкам на карте и т.п.

Я сделал модель прогнозирования числа пострадавших в дорожно-транспортных происшествиях на основе данных Москвы.

Учитываю следующие виды данных:

— табличные данные о ДТП с координатами и различными признаками, в т.ч. с количеством жертв;
— текстовые описания обстоятельств ДТП и нарушений ПДД (естественный язык);
— пространственные данные точечных объектов из OpenStreetMap (светофоры, пешеходные переходы и др.).

Для каждого типа данных применяется специализированная модель для извлечения векторных представлений (эмбеддингов): языковая, геопространственная и табличная. Затем данные агрегируются по шестиугольным пространственным ячейкам (H3) и подаются в регрессионную нейросетевую модель.

Результат на карте:
— синие точки — фактические ДТП из базы,
— цвет шестигранных ячеек — прогноз количества жертв (пострадавшие + погибшие).

Пока это учебный проект. Не для практического применения. Но в перспективе обученную модель можно применять на другие территории для прогноза очагов ДТП.

BY Город и перевозчики