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.
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.
To that end, when files are actively downloading, a new icon now appears in the Search bar that users can tap to view and manage downloads, pause and resume all downloads or just individual items, and select one to increase its priority or view it in a chat. The company maintains that it cannot act against individual or group chats, which are “private amongst their participants,” but it will respond to requests in relation to sticker sets, channels and bots which are publicly available. During the invasion of Ukraine, Pavel Durov has wrestled with this issue a lot more prominently than he has before. Channels like Donbass Insider and Bellum Acta, as reported by Foreign Policy, started pumping out pro-Russian propaganda as the invasion began. So much so that the Ukrainian National Security and Defense Council issued a statement labeling which accounts are Russian-backed. Ukrainian officials, in potential violation of the Geneva Convention, have shared imagery of dead and captured Russian soldiers on the platform. "Like the bombing of the maternity ward in Mariupol," he said, "Even before it hits the news, you see the videos on the Telegram channels." Some privacy experts say Telegram is not secure enough As a result, the pandemic saw many newcomers to Telegram, including prominent anti-vaccine activists who used the app's hands-off approach to share false information on shots, a study from the Institute for Strategic Dialogue shows.
from kr
