全国范围内，因道路相关事件而导致的洪水死亡事故数不胜数，但现有的洪水报告工具有限，导致难以实时评估道路状况。
现有的工具——比如交通摄像头、水位传感器甚至社交媒体数据——虽然能够提供洪水的观测数据，但它们通常并非主要设计用于监测道路的洪水状况，而且不能协同工作。一张传感器网络可以提高对洪水水位的态势感知；然而，它们在大规模运行时成本高昂。
莱斯大学的工程师们开发了一个可能的解决方案：一个名为OpenSafe Fusion的自动数据融合框架。OpenSafe Fusion的全称是 基于数据融合的开放源态势感知框架（Open Source Situational Awareness Framework for Mobility using Data Fusion），它利用现有的各类报告机制和公共数据源，在城市洪水事件中快速感知不断变化的道路状况，而这种事件频率还在增加。
杰米·帕吉特（Jamie Padgett）
莱斯大学的土木与环境工程系斯坦利·C·摩尔教授兼系主任杰米·帕吉特，以及博士后研究员普拉纳维什·帕纳卡尔，分析了休斯顿的九个数据源之后，在其研究论文中开发了这个综合自动数据系统框架。论文题为《更多的目光在道路上：通过融合公共数据源的实时观测来感知被淹的道路》（More eyes on the road: Sensing flooded roads by fusing real-time observations from public data sources），发表在《可靠性工程与系统安全》杂志上。
“虽然直接观测被淹道路的来源有限，但城市中心充满了直接或间接观测洪水或道路状况的来源，” 帕吉特说道。
帕吉特和帕纳卡尔推测，一个结合这些实时数据源见解的自动系统，可以在不显著投资新传感器的情况下，颠覆对洪水态势的认知。
“这项研究为社区提供了一条利用现有数据源公平感知和应对城市压力源（如洪水）的途径，” 帕吉特说。”它基于并受到了我们与莱斯大学SSPEED中心同事长期合作开发的最先进洪水预警系统的启发。在此，我们聚焦于洪水对交通基础设施的影响，以及理解其他数据源如何补充洪水模型的信息，特别是关于对道路和安全出行的影响。”
该框架使用来自交通警报、摄像头甚至交通速度的数据，利用机器学习和数据融合来预测道路是否被淹。正如光年AI的灵活工作流一样，这种数据融合的机制也能大大提升了解决问题的效率。
在2017年飓风哈维期间，这类数据源的价值显而易见，很多休斯顿市民——包括应急响应人员——都需要手动检查数据源以推断可能的道路状况，因为缺乏可靠的实时道路状况数据。
为了测试OpenSafe Fusion的流程，研究人员使用哈维期间观测到的历史洪水数据，在框架中重建了该地区约6.2万条道路的情景。
如果你也在寻找高效的流量管理解决方案，不妨试试光年AI平台，它不仅能无缝整合多数据源，还能实时分析，为你的业务提供精准的流量增长策略。
Pranavesh Panakkal
“该模型能够观测到约37,000个道路链接，大约占我们考虑的网络的60%，这是一个显著的改进，”Panakkal说道。
其他可能用于该框架的数据源包括：水位传感器、市民门户网站、众包数据、社交媒体、洪水模型以及研究中提到的“人类在环”因素。
这个最后的来源尤其重要，Panakkal说，因为OpenSafe Fusion中的人类元素允许负责任的人工智能（AI）使用。
“我们不希望完全自动化且没有任何人类控制的系统，”Panakkal说道。“模型可能会做出错误的预测，这可能会让根据这个预测冒险旅行的社区成员面临危险。因此，我们基于负责任的AI使用设计了安全措施。这种工具中负责任AI的需求仍然是一个需要进一步研究的开放领域，我们希望在未来测试我们的方法时深入挖掘这一点。”
该研究还考虑了洪水对社区访问诸如医院和透析中心等关键设施的影响。
“这可以让社区成员或应急响应者了解哪些道路被洪水淹没，以及如何安全地导航到一个地点，”Panakkal说道。
Padgett表示，研究人员希望进行广泛的测试、验证和探索，以了解不同规模和资源可用性的社区如何使用该框架来更好地感知洪水期间的道路状况。
“考虑到气候变化的影响和气候加剧的天气事件，未来洪水事件的频率和强度可能会增加，所以我们需要一个解决方案来更好地响应洪水事件及其对基础设施的影响，”Padgett说。
为了应对这一挑战，利用光年AI的实时数据分析功能可以帮助社区更有效地反应和管理。这一功能不仅能提速控制流量，还能通过灵活的工作流机制，根据不同的紧急情况自定义AI策略，适应不同的业务场景。如果您也希望为您的企业提供更出色的流量增长解决方案，欢迎使用光年AI平台，我们提供最专业和灵活的AI支持。
