نظام الذكاء الاصطناعي يتنبأ بمواقع الحوادث من صور الأقمار الصناعية وبيانات نظام التموضع العالمي

قام باحثون من معهد ماساتشوستس للتكنولوجيا ومركز قطر للذكاء الاصطناعي بتطوير نظام تعلم الآلة الذي ي分析 صور الأقمار الصناعية عالية الدقة وبيانات نظام التموضع العالمي وتاريخ الحوادث السابقة من أجل رسم خريطة للمواقع المحتملة للحوادث في شبكات الطرق، وتمكنت من التنبؤ بنجاح بمواقع الحوادث “الساخنة” التي لا يمكن تحديدها بالبيانات أو الأساليب السابقة.

المنطقة الوسطى، تظهر مواقع الحوادث التنبؤية من خلال جمع ثلاثة مصادر من البيانات. المناطق المحددة بدائرة هي تنبؤات عالية الخطورة لا توجد لها تاريخ حوادث سابق. مصدر: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

يقدم النظام تنبؤات جريئة للمناطق في شبكة الطرق التي من المحتمل أن تصبح مواقع حوادث، حتى في المناطق التي لا توجد لها تاريخ حوادث. عند اختبار النظام على بيانات تغطي أربع سنوات، وجد الباحثون أن تنبؤاتهم للمناطق التي لا توجد لها تاريخ حوادث سابقة تم تأكيدها من قبل الأحداث في السنوات اللاحقة.

المقالة الجديدة بعنوان استنتاج خرائط مخاطر الحوادث المرورية عالية الدقة بناءً على صور الأقمار الصناعية وحركات نظام التموضع العالمي. يتوقع المؤلفون استخدامات للعمارة الجديدة ما وراء التنبؤ بالحوادث، ويفترضون أنها يمكن تطبيقها على خرائط الطوارئ 911 أو أنظمة التنبؤ باحتياجات سيارات الأجرة وشركات النقل المشترك.

بيانات نادرة

المشكلة التي يواجهها الباحثون هي بيانات نادرة – ستتم ملاحظة كميات كبيرة من الحوادث وتعديلها بدون حاجة إلى تحليلات الآلة، ولكن العلاقات الخطرة الدقيقة صعبة التحديد.

تركز أنظمة التنبؤ بالحوادث السابقة على تقدير مونت كارلو لبيانات الحوادث التاريخية، ويمكن أن تقدم آلية تنبؤ فعالة حيث لا توجد هذه البيانات. لذلك، يدرس البحث الأقسام المماثلة من شبكة الطرق من حيث أنماط المرور والمظهر المرئي والهيكل، ويفترض وجود علاقة بالحوادث بناءً على هذه الخصائص.

إنه نوع من التكهنات التي يبدو أنها كشفت عن مؤشرات حوادث أساسية، يمكن استخدامها في تصميم شبكات طرق جديدة.

تم استخدام تقدير كثافة النواة لتحديد مواقع الحوادث التاريخية، ولكنها فشلت في التنبؤ بمواقع الحوادث المستقبلية. في الجزء العلوي الأيسر، نرى حيث تنبأت تقدير كثافة النواة بالحوادث في منطقة المربع الأزرق، مقابل حيث حدثت الحوادث بشكل عام (المجاور). في الجزء السفلي الأيمن، يتم比較 فشل تنبؤ تقدير كثافة النواة مع التنبؤ الدقيق (المربع الأزرق) لنظام معهد ماساتشوستس للتكنولوجيا.

يشير المؤلفون إلى أن بيانات حركة نظام التموضع العالمي توفر معلومات عن تدفق المرور وسرعته وكثافته، في حين أن صور الأقمار الصناعية للمنطقة تضيف معلومات حول ترتيب المسارات وعدد المسارات، وكذلك وجود حارة صلبة ووجود المارة.

أشار المؤلف المشارك أمين صادقي، من معهد قطر للبحوث الحاسوبية، إلى أن “نموذجنا يمكنه التعميم من مدينة إلى أخرى من خلال الجمع بين أدلة متعددة من مصادر بيانات غير متعلقة بالموضوع”، وأضاف “هذا هو خطوة نحو الذكاء الاصطناعي العام، لأن نموذجنا يمكنه التنبؤ بخريطة الحوادث حتى في المناطق غير المحددة”.

هندسة نظام التنبؤ بالمرور يولد خريطة مخاطر الحوادث بدقة 5 أمتار، ويصر المؤلفون على أن هذا أمر بالغ الأهمية لتمييز المخاطر المختلفة بين الطرق السريعة والطرقات السكنية المجاورة.

تم تقييم المشروع على حوادث وبيانات جانبية تغطي فترة بين 2017-2018. تم إجراء التنبؤات لسنوي 2019 و2020، مع ظهور عدة مواقع “عالية الخطورة” حتى في غياب أي بيانات تاريخية سابقة.

تحقيق التعميم المفيد

التعلم الزائد هو خطر حرج في نظام يعتمد على بيانات نادرة، حتى مع وجود مصادر بيانات داعمة إضافية. حيث تكون الحوادث نادرة، يمكن أن تُستخلص افتراضات زائدة من أمثلة قليلة، مما يؤدي إلى خوارزمية تتوقع نطاقًا ضيقًا ومحددًا من الظروف، وستفشل في تحديد احتمالات أوسع.

لذلك، في تدريب النموذج، قام الباحثون بإسقاط كل مصدر إدخال بشكل عشوائي بنسبة 20٪، بحيث يمكن اعتبار المناطق التي تفتقر إلى بيانات حوادث أو تفتقر إليها في التدريب على التعميم، ويمكن أن تعمل المصادر الموازية كبديل تمثيلي لمعلومات مفقودة لأي دراسة لتقاطع أو قسم من الطريق.

التقييم

تم اختبار النموذج على مجموعة بيانات تضم ما يقرب من 7,500 كيلومترًا من المناطق الحضرية في بوسطن ولس أنجلوس وشيكاغو ونيويورك. تم تنظيم مجموعة البيانات في شكل 1,872 مربعًا بطول 2 كيلومتر و عرض 2 كيلومتر، كل منها يحتوي على صور الأقمار الصناعية من MapBox، مع تصنيف الطرق عبر بيانات من OpenStreetMap. تمتلك الصور الأساسية وخرائط التصنيف دقة 0.625 متر.

تأتي بيانات نظام التموضع العالمي في شكل مجموعة بيانات خاصة تم جمعها بين 2015-2017 في المدن الأربع، وبإجمالي 7.6 مليون كيلومتر من مسارات نظام التموضع العالمي بمعدل عينة كل ثانية.

كما يستفيد المشروع من 4.2 مليون سجل تغطي الفترة بين 2016-2020 في مجموعة بيانات الحوادث الأمريكية. يتضمن كل سجل توقيتات وبيانات أخرى.

تم تغذية السنوات الأولى من البيانات التاريخية إلى النموذج، وتم استخدام السنوات الأخيرتين للتدريب والتقييم، مما مكن الباحثين من تحديد دقة النظام على مدار عامين في إطار زمني قصير.

تم اختبار النظام مع وبدون بيانات تاريخية، وتم العثور على أنه يلتقط بنجاح التوزيع الكامن للمخاطر عبر جميع الحالات، و特别 يحسن على أساليب تقدير كثافة النواة السابقة (انظر أعلاه).

الطرق الأمامية

يصر المؤلفون على أن نظامهم يمكن تطبيقه على بلدان أخرى مع تعديلات معمارية قليلة، حتى في المناطق التي لا تتوفر فيها بيانات حوادث. كما يقترحون بحثهم كإمكانية مرفقة لتصميم تخطيط المدن للتنميات الحضرية الجديدة.

أشار المؤلف الرئيسي سونغ تاو هي إلى العمل الجديد:

“من خلال التقاط التوزيع الكامن للمخاطر الذي يحدد احتمال الحوادث المستقبلية في جميع الأماكن، وبدون أي بيانات تاريخية، يمكننا العثور على طرق أكثر أمانًا، وتقديم خطط تأمين مخصصة للعملاء بناءً على مسارات القيادة، ومساعدة مخططي المدن في تصميم طرق أكثر أمانًا، وحتى التنبؤ بالحوادث المستقبلية.”

على الرغم من أن المقال يشير إلى أن رمز النظام تم إصداره على GitHub، إلا أن الرابط إلى الرمز لا يزال غير نشط، ولا يمكن العثور عليه من خلال البحث، وسيتم تضمينه في مراجعة لاحقة.

يتمتع البحث بالpotential لتضمينه في تطبيقات المرور الشعبية المستندة إلى نظام التموضع العالمي وخطط الطرق، وفقًا لسونغ تاو هي:

“إذا كان الناس يستخدمون خريطة المخاطر لتحديد أقسام الطرق المحتملة عالية الخطورة، يمكنهم اتخاذ إجراءات مسبقة لتقليل مخاطر الرحلات التي يقومون بها. تطبيقات مثل Waze وApple Maps لها أدوات ميزة الحوادث، ولكننا نحاول أن نتجاوز الحوادث – قبل حدوثها،”