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 آلي ي分析 صور الأقمار الصناعية عالية الدقة وبيانات نظام التموضع العالمي وبيانات الحوادث التاريخية من أجل رسم خرائط لمواقع الحوادث المحتملة في شبكات الطرق، وتنبأ بنجاح بمواقع “الحوادث الساخنة” حيث لا توجد بيانات أو أساليب سابقة تشير إليها.

يظهر في الوسط إلى اليمين مواقع الحوادث التنبؤية من خلال جمع ثلاثة مصادر من البيانات. المناطق المhighlighted في الدوائر هي تنبؤات “مخاطر عالية” التي لا توجد لها تاريخ حادثي. 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 لمواقع في شبكة الطرق التي من المحتمل أن تصبح مواقع حوادث سوداء، حتى في المناطق التي لا توجد لها تاريخ حوادث. عند اختبار النظام على بيانات تغطي أربع سنوات، وجد الباحثون أن تنبؤاتهم لمواقع “لا تاريخ” المحتملة لمخاطر الحوادث تم تأكيدها من خلال الأحداث في السنوات اللاحقة.

الورقة الجديدة تسمى Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. يتنبأ المؤلفون بالاستخدامات للعمارة الجديدة خارج تنبؤ الحوادث، ويفترضون أنها يمكن تطبيقها على خرائط مخاطر الطوارئ 911 أو الأنظمة التي تتنبأ باحتمالية الطلب على سيارات الأجرة وموفرة الركوب المشترك.

جاءت الجهود المماثلة السابقة لمحاولة إنشاء تنبؤات حوادث مماثلة من خرائط منخفضة الدقة مع تحيز عال، أو الاستفادة من تواتر الحوادث كمفتاح، مما أدى إلى تنبؤات غير دقيقة ذات تباين عال. بدلاً من ذلك، يتجاوز المشروع الجديد، الذي يغطي أربع مدن كبرى في الولايات المتحدة تبلغ مساحتها الإجمالية 7,488 كيلومترًا مربعًا، هذه الخطط السابقة من خلال جمع أشكال أكثر تنوعًا من البيانات.

بيانات نادرة

المشكلة التي يواجهها الباحثون هي بيانات نادرة – سيتم ملاحظة حجم كبير من الحوادث بشكل طبيعي ومعالجتها بدون الحاجة إلى تحليلات آلية، ولكن العلاقات الخطرة الأكثر دقة صعبة التعرف عليها.

تركز أنظمة تنبؤ الحوادث السابقة على تقدير مونتي كارلو لبيانات الحوادث التاريخية، ويمكن أن توفر آليًا لا تتنبأ بمواقع الحوادث حيث تفتقر هذه البيانات. لذلك، دراست هذه الأبحاث أقسام شبكة الطريق ذات أنماط حركة مرور مشابهة ومظهر مرئي مشابه وهيكل مشابه، وافتراض ميل إلى الحوادث بناءً على هذه الخصائص.

تحقيق التعميم المفيد

التعلم الزائد هو خطر حرج في نظام يعتمد على بيانات نادرة، حتى حيث، كما في هذه الحالة، هناك مصدران آخران من بيانات داعمة. حيث تكون الحوادث منخفضة، يمكن سحب افتراضات زائدة من أمثلة قليلة، مما يؤدي إلى خوارزمية تنتظر مجموعة محددة جدًا من الظروف المحتملة، والتي لن تكون قادرة على تحديد احتمالات أوسع.

لذلك، في تدريب النموذج، قام الباحثون بإسقاط كل مصدر إدخال بشكل عشوائي مع احتمال 20٪، بحيث يمكن اعتبار المناطق التي تفتقر إلى بيانات حوادث (أو لا توجد لها) أثناء تدريب النموذج نحو التعميم، ويمكن أن تعمل مصادر البيانات الموازية كبديل ممثل لمعلومات مفقودة لأي دراسة لتقاطع أو قسم من الطريق.

التقييم

تم اختبار النموذج على مجموعة بيانات تضم ما يقرب من 7,500 كيلومتر مربع من المناطق الحضرية في بوسطن ولس أنجلوس وشيكاغو ونيويورك. تم تنظيم مجموعة البيانات في شكل 1,872 tile 2kmx2km، تحتوي كل منها على صور الأقمار الصناعية من MapBox، مع Masks الطرق عبر بيانات من OpenStreetMap. تمتلك الصور الأساسية والخرائط Masks دقة 0.625 متر.

يأتي بيانات نظام التموضع العالمي في شكل مجموعة بيانات خاصة تم جمعها بين 2015-2017 على مدن الأربع، بمجموع 7.6 مليون كيلومتر من مسارات نظام التموضع العالمي بمعدل عينة كل ثانية.

يستغل المشروع أيضًا 4.2 مليون سجل تغطي 2016-2020 في مجموعة بيانات الحوادث الأمريكية. تحتوي كل سجل على توقيتات وبيانات وصفية أخرى.

تم تغذية أول عامين من البيانات التاريخية إلى النموذج، وتم استخدام العامين الأخيرين للتدريب والتقييم، مما مكن الباحثين من تحديد دقة النظام على مدى عامين في إطار زمني قصير.

تم اختبار النظام مع وبدون بيانات تاريخية، وتم العثور على أنه ينجح في 捕获 التوزيع الكامن للمخاطر عبر جميع الحالات، و特别 تحسين الأساليب القائمة على KDE (انظر أعلاه).

الطرقات إلى الأمام

يؤكد المؤلفون أن نظامهم يمكن تطبيقه على دول أخرى مع تعديلات معمارية قليلة، حتى في المناطق التي لا توجد فيها بيانات حوادث. بالإضافة إلى ذلك، يُقترح المؤلفون بحثهم كمدخل محتمل لتصميم تخطيط المدينة لتنمية حضرية جديدة.

علق المؤلف الرئيسي سونغ تاو هي على العمل الجديد:

“من خلال 捕获 التوزيع الكامن للمخاطر الذي يحدد احتمالية الحوادث المستقبلية في جميع الأماكن، وبدون أي بيانات تاريخية، يمكننا العثور على طرق أكثر أمانًا، وتمكين شركات التأمين على السيارات من تقديم خطط تأمين مخصصة بناءً على مسارات قيادة العملاء، ومساعدة مخططي المدن على تصميم طرق أكثر أمانًا، و حتى التنبؤ بالحوادث المستقبلية.”

على الرغم من أن الورقة تشير إلى أن رمز النظام تم إصداره على GitHub، فإن الرابط إلى الرمز غير نشط، ولا يمكن العثور عليه حاليًا من خلال البحث، ويفترض أنه سيتم إضافته في مراجعة لاحقة.

يتمتع البحث بالpotential لتكون جزءًا من تطبيقات حركة المرور الشعبية المستندة إلى نظام التموضع العالمي وخطط المسار، وفقًا لسونغ تاو هي:

“إذا كان الناس يستطيعون استخدام خريطة المخاطر لتحديد مقاطع الطرق المحتملة ذات المخاطر العالية، يمكنهم اتخاذ إجراءات مسبقة لتقليل مخاطر الرحلات التي يقومون بها. تطبيقات مثل Waze و Apple Maps لها أدوات حادث، نحن نحاول أن نتجاوز الحوادث – قبل حدوثها،”