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.
"There are a lot of things that Telegram could have been doing this whole time. And they know exactly what they are and they've chosen not to do them. That's why I don't trust them," she said. Andrey, a Russian entrepreneur living in Brazil who, fearing retaliation, asked that NPR not use his last name, said Telegram has become one of the few places Russians can access independent news about the war. Multiple pro-Kremlin media figures circulated the post's false claims, including prominent Russian journalist Vladimir Soloviev and the state-controlled Russian outlet RT, according to the DFR Lab's report. That hurt tech stocks. For the past few weeks, the 10-year yield has traded between 1.72% and 2%, as traders moved into the bond for safety when Russia headlines were ugly—and out of it when headlines improved. Now, the yield is touching its pandemic-era high. If the yield breaks above that level, that could signal that it’s on a sustainable path higher. Higher long-dated bond yields make future profits less valuable—and many tech companies are valued on the basis of profits forecast for many years in the future. Pavel Durov, a billionaire who embraces an all-black wardrobe and is often compared to the character Neo from "the Matrix," funds Telegram through his personal wealth and debt financing. And despite being one of the world's most popular tech companies, Telegram reportedly has only about 30 employees who defer to Durov for most major decisions about the platform.
from nl
