在城市繁忙的十字路口的交通灯上方看，你可能会看到一个摄像头。可能已安装这些设备以监控交通状况并在发生碰撞时提供视觉效果。但他们可以做得更多吗?他们能否帮助规划人员优化交通流量或识别最有可能发生事故的站点?他们是否可以这样做，而不需要个人拖延几个小时的镜头?

来自德克萨斯州高级计算中心(TACC)，德克萨斯大学交通研究中心和奥斯汀市的研究人员相信如此。他们一起致力于开发工具，允许使用深度学习和数据挖掘进行复杂，可搜索的流量分析。

在本月的IEEE国际大数据大会上，他们将展示一种新的深度学习工具，该工具使用奥斯汀市相机的原始交通摄像机镜头识别物体 - 人，汽车，公共汽车，卡车，自行车，摩托车和交通信号灯 - - 并描述这些对象如何移动和交互。然后，交通工程师和官员可以对这些信息进行分析和查询，以确定，例如，有多少辆汽车在单行道上行驶错误。

“我们希望开发一个灵活高效的系统，以帮助交通研究人员和决策者满足动态，真实的分析需求，”TACC数据挖掘与统计小组负责人的研究科学家Weijia Xu说。“我们不想为单个特定问题构建一个交钥匙解决方案。我们希望探索可能有助于满足大量分析需求的方法，即使是那些可能在未来出现的问题。”

他们为流量分析开发的算法自动标记原始数据中的所有潜在对象，通过将对象与其他先前识别的对象进行比较来跟踪对象，并比较每个帧的输出以揭示对象之间的关系。

一旦研究人员开发出一种能够标记，跟踪和分析交通的系统，他们就将其应用于两个实际例子：计算行驶在道路上的移动车辆的数量，并确定车辆和行人之间的密切接触。

系统在10分钟的视频剪辑中自动统计车辆，初步结果显示他们的工具整体准确率为95%。

UT运输研究中心网络建模中心的研究助理兼主任Natalia Ruiz Juri说，了解交通量及其随时间的分布对于验证交通模型和评估交通网络的性能至关重要。

“目前的做法通常依赖于使用昂贵的传感器进行连续数据采集，或者在选定的时间段内对交通量进行几天的交通研究，”她说。“利用人工智能从现有摄像机自动生成交通量将为交通网络提供更广泛的空间和时间覆盖，促进生成有价值的数据集，以支持创新研究，并了解交通管理和运营决策的影响。 “

在潜在的近距离接触的情况下，研究人员能够自动识别车辆和行人非常接近的一些案例。这些都没有代表现实生活中的危险，但它们证明了系统如何在没有人为干预的情况下发现危险的地点。

奥斯汀市的咨询工程师兼该项目的合作者Jen Duthie说：“奥斯汀市致力于结束交通事故死亡，视频分析将成为帮助我们查明潜在危险地点的有力工具。”“在受伤或死亡发生之前，我们可以将资源用于解决问题所在地。”

研究人员计划探索自动化如何促进其他与安全相关的分析，例如确定行人穿过指定人行道外的繁忙街道的位置，了解驾驶员对不同类型的行人产量标志的反应，并量化行人愿意行走的距离为了使用人行道。

该项目展示了人工智能技术如何大大减少分析视频数据所需的工作量，并为决策者提供可操作的信息。

“人们备受期待的自驾车和联网汽车的引入可能会导致车辆和行人的行为以及道路性能发生重大变化，”Ruiz Juri说。“视频数据将在理解这些变化方面发挥关键作用，人工智能可能是实现真正捕捉新技术影响的全面大规模研究的核心。”

该团队建立了一个网站，公众可以在其中查看其检测，跟踪和查询工具的示例，以进行流量分析。