ایمنی بر مواردی چون ایمنی جاده ها (حذف آسیب های ناشی از تصادفات، مرگ و میر)، ایمنی در برابر گسترش بیماری ها در شهر و ... اشاره دارد. داده ها می توانند یک منبع قدرت مند در جهت ایمن شدن باشند و با کمک مدل های تحلیلی و ابزارها می توان به شهرها در جهت افزایش ایمنی کمک نمود.

 

ایمنی جاده ها را می توان با استفاده از روش های موجود در علم داده محاسبه نمود. به عنوان مثال با استفاده از مدل یادگیری عمیق عوامل خطر بر روی تصویر (جاده های باریک، عدم وجود خطوط راهنما، عدم وجود علائم راهنما و ...) مشخص می شوند. مدل یادگیری عمیق می تواند قابل تعمیم برای شهرهای دیگر نیز باشد و درنتیجه، امکان تخمین امتیاز برای تمام مکان های جغرافیایی که نمای خیابان آن ها در دسترس است می تواند به وجود آید. هدف از انجام پروژه در زمینه ایمنی جاده توصیه به رانندگان در مورد ایمن ترین مسیرها، همچنین راهنمایی دولت ها برای اجرای اقدامات ایمنی بیشتر در مکان هایی که علامت های تهدید کننده دارند می باشد. همچنین از دیدگاه زیست محیطی، انتظار می رود که با ارائه راه های ایمن تر برای رفت و آمد، نرخ پذیرش راه های حمل و نقل پایدار مانند دوچرخه افزایش یابد.  

 

هدف ایمنی در برابر گسترش بیماری ها در شهر را می توان شناسایی نقاط مهم انتشار بیماری و تصمیم گیری های بعدی در مورد آن عنوان کرد. به عنوان مثال مراکز پخش ویروس کرونا طی تحقیقات اولیه انجام شده توسط متخصصان داده کاوی و استخراج مدل شیوع، پمپ بنزین ها، بیمارستان ها و سوپرمارکت ها تشخیص داده شدند. با شناسایی این مراکز با کمک علم داده می توان تمهیداتی را برای کاهش یا حذف گسترش بیماری در آن ها در نظر گرفت.

 

داده:

داده سلامت عمومی محیطی (sdata.ir)

 

داشبورد:

داشبورد پراکندگی جغرافیایی سلامت در کشور آمریکا (sdata.ir)

 

پروژه:

DataKind | Data Science Supporting Vision Zero in Three New Cities

 

Deep Learning on Road Safety | Towards Data Science

کد:

warcraft12321/RoadSafety: Using deep learning to identify cyclists risk factors in London. (github.com)

 

مطالعه بیشتر (کتاب، مقاله، سایت، بلاگ، ...):

Road Safety Data Analysis and Evaluation Using Accident Database (ukdiss.com)