Войти в почту

Как предсказать начало массовых беспорядков

Шум трибун, сопровождающий спортивные состязания, совсем не похож на членораздельную речь. Тем не менее, многие болельщики знают, что этот шум может быть очень информативным: если во время телетрансляции матча вы ненадолго выходите в другую комнату, то по доносящимся звукам можете примерно понять, разворачивается ли атака, забит ли гол или произошло грубое нарушение правил. Исследователи из Университета Бригама Янга (штат Юта) решили, что задача, которую так легко выполняет мозг болельщика, должна быть по силам и искусственному интеллекту. Они поставили перед алгоритмом машинного обучения задачу: систематизировать звуки стадиона и научиться вычленять из них информацию о том, что на самом деле происходит на площадке и на трибунах. О результатах своей работы они доложили на 176-й конференции Акустического общества Америки, проходившей в Канаде на прошлой неделе. Материалом послужили университетские соревнования по баскетболу среди мужчин и женщин, а позже результаты были проверены на футбольных и волейбольных матчах. Игра была разбита на интервалы длиной полсекунды, и в каждом интервале был проанализирован частотный спектр фонового шума, его интенсивность и изменение на протяжении интервала. Из этих данных исследователи выделили 512 акустических параметров. Таким образом, каждый полусекундный эпизод игры можно было охарактеризовать точкой в 512-мерном пространстве — а также сторонней информацией о том, что на самом деле происходило в этот момент игры. Согласно объяснениям руководителя проекта профессора Кента Джи, если у вас есть набор точек на плоскости, вы можете проанализировать их расположение и увидеть, к примеру, что они образуют три отдельных скопления. Для подобного анализа в 512-мерном пространстве необходим компьютер, однако суть задачи такая же: проанализировать расположение точек (то есть событий игры и соответствующего им шума трибун) в этом пространстве и выявить его особенности. На первом этапе работы исследователи выявили несколько ясно различимых кластеров. Они соответствовали следующим состояниям толпы: болельщики выражают энтузиазм во время атаки; поют; радуются; выражают недовольство; затихают в отсутствие важных событий на площадке; прислушиваются к объявлениям из динамиков. Однако внутри каждого кластера можно провести более детальный анализ, идентифицировав настроение трибун гораздо точнее. Каков практический смысл подобного исследования? Разумеется, задача восстановления событий матча по шуму трибун, — хотя она и может время от времени возникнуть перед болельщиком, отлучившимся от телевизора, чтобы заварить чаю, — широкого научно-практического интереса не представляет. Значительно заманчивее научиться анализировать и предсказывать настроение самой толпы болельщиков. В частности, по словам исследователей, алгоритм позволяет отслеживать нарастание негативных эмоций и предсказывать начало массовых беспорядков на стадионе или оценивать вероятность хулиганских инцидентов. Внедрение подобной техники способно сильно облегчить работу полиции во время спортивных соревнований и в конечном счете способствовать обеспечению безопасности людей. Однако область применения «акустического» метода анализа настроений толпы не ограничивается спортом: разработанный метод машинного обучения можно применять для анализа шумов, производимых любыми большими сборищами людей, от массовых политических манифестаций до толпы покупателей в шопинг-молле. Алгоритм исследователей из Юты позволяет заблаговременно прогнозировать опасные ситуации, вроде наступления паники при звуках пожарной тревоги, и принимать соответствующие меры.