التوقع والمنع المبكر لمآسي المنصات في المترو باستخدام الذكاء الاصطناعي

نظام الذكاء الاصطناعي المدرب على لقطات مراقبة حقيقية لمترو الأنفاق يزعم أنه يمكنه تحديد علامات تحذيرية ل попытات الانتحار قبل دقائق من حدوثها ، بتتبع سلوكيات مثل التمشية والتراجع إلى حافة المنصة والنظر المتكرر إلى النفق.

تم اختبار أنظمة التعلم الآلي كأنظمة مراقبة أحداث المنصة لمدة beberapa سنوات، وعادة مع بعض الاختلافات الشائعة في تطبيقات التعرف على الصور من سلسلة You Only Look Once (YOLO) التي تعمل في سيناريوهات حيث قد يكون المارة سقطوا، أو حيث يتم ارتكاب جريمة، أو حيث تكون منصة المحطة مزدحمة (مما يسمح سلطات المحطة بمراقبة الوصول ومعالجة المشكلة).

من الدراسة التي نُشرت في عام 2024 بعنوان ‘دراسة تجريبية لمراقبة ركاب محطة القطار باستخدام نهج الذكاء الاصطناعي’ المصدر

مع زيادة عدد محاولات الانتحار أو الانتحار الناجح على السكك الحديدية خلال السنوات الثلاث إلى خمس الماضية (في مناطق مثل المملكة المتحدة، كندا وهولندا)، زادت الاهتمامات بالاحتمال الذي قد تقدمه أنظمة التعلم الآلي لتحديد السلوك المائل للانتحار على منصات السكك الحديدية والمترو، بناءً على الميول والعوامل المتنوعة:

سكان على العتبة: بيانات مثال من مجموعة البيانات التي تعمل بمشروع STARR، والمدرجة في الورقة الجديدة المناقشة في هذه المقالة. المصدر

في المجموع، لم تتخذ المشاريع التي تسعى للاستفادة من الذكاء الاصطناعي لتحديد السلوك الانتحاري على المنصات نهجًا موحدًا أو نظامًا أساسيًا أو نهجًا شائعًا – ليس أقلها لأن الأساليب التي تعمل هذه الأنظمة تتطور باستمرار، جنبًا إلى جنب مع المعرفة النفسية والpsychiatric التي توفر رؤى حول هذا النوع من مراقبة الذكاء الاصطناعي.

الحدود المتقدمة

الآن، تقدم دراسة جديدة من كندا تصورًا رسميًا لهذا الفرع في الأدب البحثي، باعتباره تقييم مخاطر الانتحار (SRA) ، في سياق محاولات الانتحار في محطات المترو.

بالتعاون مع سلطات النقل في مونتريال، حصل الباحثون المشاركون في الدراسة الجديدة على وصول إلى لقطات حقيقية لمحاولات انتحار، كما تم التقاطها بواسطة كاميرات المنصة في نطاق السلطات:

من الورقة الجديدة، تنبؤات الإخراج من إطارات متعددة، واحدة منها تحمل محاولة انتحار حقيقية، والأخرى لا. على جانبي كل صورة، يتم عرض خريطة حرارية للمناطق الخطرة والأمن على المنصة تحت المراقبة، مع تمثيل ميل الشخص للبقاء فيما يتعلق بفم النفق. المصدر

على الرغم من أن من الضروري معالجة عدم التوازن في الفئة الذي يحدث مع مجموعة بيانات محدودة مثل هذه، إلا أن هذا هو بيانات نادرة بمقدار معقول؛ يمكننا أن نتمنى أن تسمح مشاريع مستقبلية من سلطات النقل حول العالم بوجود مجموعة بيانات متعددة الدول مع حجم أعلى من الأمثلة. ومع ذلك، من المنطقي أن تكون طبيعة هذه اللقطات حساسة للغاية، مما يجعل من الصعب الحصول عليها.

يُدعي المؤلفون أن المبادرة هي الأولى التي تجمع المهام المتنوعة التي تعرف السعي إليها في مخطط، وتأتي مع معيار جديد لسيناريو محطة المترو:

يُشير المؤلفون إلى ما يلي:

‘على عكس النهج التي تركز على مهام فرعية معزولة أو تحاول استنتاج النية مباشرة، تقييم مخاطر الانتحار من الأدلة المتراكمة من خلال دمج تتبع الأشخاص، وتعرف النشاط، وتقسيم المنصة بشكل معنوي، وتحديد نموذج خريطة الحرارة القائم على المسار. ‘

‘من خلال تحديد تقييم مخاطر الانتحار كمهام متميزة وتحديد خط أنابيب تشغيلي كامل يحقق 83.2% من ROC-AUC على بيانات مراقبة حقيقية، هذا العمل يبرز تعقيد تقييم مخاطر الانتحار ويفسح المجال لاتجاهات جديدة لأبحاث الأنظمة القابلة للتفسير للخير الاجتماعي.’

الورقة الجديدة بعنوان تقييم مخاطر الانتحار من مراقبة الفيديو القوية بالذكاء الاصطناعي: إطار قابل للتفسير للوقاية في محطات المترو، ويأتي من أربعة مؤلفين عبر Université TÉLUQ و Polytechnique Montréal و Université du Québec à Montréal.

الطريقة

تُحلل إطار المؤلفين تدفق فيديو مراقبة مباشر لإنشاء تقييم مستمر لمخاطر الانتحار لكل راكب تم تتبعه. يتم الكشف عن الأفراد وتتبعهم وتحويلهم إلى تمثيلات بسيطة للوضع الجسدي، وبعد ذلك يتم تحديد نظام تعرف النشاط القائم على الهيكل العظمي للإجراءات خلال فترات زمنية قصيرة:

خط أنابيب النظام لتقدير مخاطر انتحار الركاب من فيديو المراقبة، مع्रदर كيف يتم دمج التتبع وتقدير الوضع وتعرف النشاط وتقسيم المنصة وخريطة الحرارة القائمة على المسار لتحويل حركات وسلوكيات الفرد إلى تقييم مخاطر مستمر لكل شخص على المنصة.

然后 يتم تقسيم المنصة إلى مناطق ذات معنى، مما يسمح بالكشف عن أنماط الحركة – مثل التمشية المتكررة بين مناطق مختلفة – ويتم投影 مسارات الركاب على خريطة للمنصة، مما يجعل من الممكن توليد خريطة حرارية تبرز المناطق الأكثر احتلالًا أو عبورًا من قبل الأشخاص المرتبطين بمخاطر مرتفعة.

أخيرًا، يقوم النظام بمراجعة هذه الأنماط المكانية مقابل السلوكيات المرصودة لتحديد تقييم فردي لمخاطر الانتحار لكل شخص على المنصة – عملية يسميها المؤلفون استدلال المخاطر.

استخدم المؤلفون تطبيق YOLOX المسبق التدريب ككاشف إنسان للنظام، ووجدوا أن حالته الجاهزة مناسبة تمامًا لهذا الغرض. تم استخدام ByteTrack لتوجيه تتبع متعدد الكائنات.

كل فرد تم تحديده من خلال هذه العمليات يتم تعيينه لنموذج HRNet المسبق التدريب، مما يوفر تقدير المفصل و نقاط الجسم ثنائية الأبعاد داخل صندوق حدودي محدد بواسطة أحد هذه التقديرات:

أمثلة على تقدير المفصل من HRNet، المستخدم في المشروع الجديد. المصدر

تُستخدم تقديرات الوضع التي يتم تقييمها من بيانات الفيديو لإنشاء خرائط تراكميّة تحدد الحركة التاريخية (انظر ‘خرائط المنصة الحرارية’ على جانب الصورة السابقة).

يضم النظام الجديد إطار STARR، وهو عمل سابق مصمم لتقييم احتمال السلوك الانتحاري على المنصات:

تقدير الوضع من إطار STARR. المصدر

في هذه الحالة، يتم استخدام STARR لتحديد ثلاثة تعليقات إجرائية لركاب واضحة: نظر النفق؛ المشي؛ و الوقوف.

لدمج السياق البيئي، يتم تقسيم概念 النظام للمنصة إلى مناطق معنوية семантиكية باستخدام نموذج YOLOv8n للتقسيم السمانتي المدرب على صور المنصة المُحَددة يدويا:

سمات المنصة: عملية التزoning التي يستخدمها النظام لتحويل منصة مقسمة إلى ثلاث مناطق سلوكية ذات معنى. المناطق الناتجة القريبة من الجدار، والخط الأصفر، والمنطقة القريبة من النفق توفر السياق المكاني المستخدم لتقييم حركات الركاب وسلوكيات المخاطر.

تُستخدم خريطة التقسيم الناتجة لتقدير حدود المنصة وتحديد ثلاث مناطق تشغيلية: منطقة قريبة من الجدار بالقرب من جدار المنصة؛ منطقة قريبة من الخط الأصفر حيث يمكن للركاب الاقتراب من حافة المنصة مع البقاء داخل حدود السلامة؛ ومنطقة نهاية المنصة الأبعد عن مدخل النفق.

تُزوّد هذه المناطق السياق المكاني اللازم لتحديد السلوكيات المرتبطة بمخاطر الانتحار المرتفعة. على وجه الخصوص، تُمكّن من الكشف عن الحركة المتكررة بين الجدار والخط الأصفر، بالإضافة إلى الدخول إلى منطقة نهاية المنصة.

يتضمن النظام خريطة حرارية للمسار التي تم إنشاؤها سابقًا، ويتم دمج هذه المؤشرات المكانية في تقييم مخاطر الانتحار النهائي.

يُشير المؤلفون إلى أن أحد سمات محاولات الانتحار هو ترك كائن على المنصة؛ ومع ذلك، لم يتمكن المؤلفون من دمج هذا في هذا الإصدار من المشروع، وتركوه للعمل المستقبلي.

خريطة مخاطر المنصة

بدلاً من الاعتماد فقط على سلوك فرد واحد، يجمع الإطار أيضًا خرائط حرارية للمسار من حالات مخاطر متعددة معروفة لإنشاء خريطة مخاطر المنصة على مستوى المنصة:

بناء خريطة مخاطر المنصة من حركات ركاب متعددين في خطر. المناطق التي تجذب بشكل متكرر الاحتلال أو التمشية أو سلوكيات أخرى مرتبطة بالمخاطر تصبح أكثر وضوحًا وتُستخدم لاحقًا كعامل واحد في تقييم المخاطر النهائي.

تظهر المناطق التي تكتسب احتلالًا مطولًا كمناطق مخاطر أعلى، في حين تظل المناطق المرتبطة بزيارات قصيرة أو نادرة مخاطر أقل. تصبح درجة مخاطر الموقع واحدة من المدخلات المستخدمة في تقييم مخاطر الانتحار النهائي.

تعتمد درجة المخاطر النهائية على ثمانية مؤشرات متراكمة بمرور الوقت: درجة مخاطر الموقع المشتقة من خرائط المنصة الحرارية؛ 是否 يمشي أو يقف على الخط الأصفر؛ عدد مرات عبور الخط الأصفر؛ المدة الإجمالية التي تم قضاؤها على الخط الأصفر؛ أطول فترة غير منقطعة تم قضاؤها على الخط الأصفر؛ الحركة المتكررة بين الجدار والخط الأصفر؛ التوجه المتكرر تجاه النفق؛ ودخول منطقة نهاية المنصة القريبة من النفق.

ثم يتم دمج هذه الإشارات السلوكية والمكانية عبر نموذج XGBoost، مما ينتج تقييمًا مستمرًا لمخاطر الانتحار لكل فرد على المنصة.

البيانات والاختبارات

تم إجراء الاختبارات على لقطات مراقبة مقدمة من Société de transport de Montréal (STM)، تتألف من 66 تسجيلًا مدته خمس دقائق تم التقاطها قبل محاولات انتحار حقيقية، إلى جانب 56 تسجيلًا مقترنًا من نفس الكاميرات، في أوقات مماثلة لم تكن هناك محاولة انتحار:

بمساعدة من الخبراء في علم النفس والانتحار، تم تحديد ركاب فردين وفقًا لما إذا كانوا يظهرون في سيناريو خطر أو سيناريو تحكم، مما أدى إلى مجموعة بيانات من 256 فردًا، منهم 66 مرتبطين بمحاولات انتحار، و 190 من المجموعة المرجعية.

为了 منع تسرب المعلومات، تم تعيين جميع الأفراد المستخرَجين من التسجيل نفسه إلى نفس جزء البيانات، مع استخدام 75% من البيانات للتدريب و 25% للتحقق، مع الحفاظ على التوازن بين الحالات في خطر والسيطرة:

تم تدريب مصنف XGBoost لمدة 300 تكرار تعزيز، بمعدل تعلم 0.05، مع عينة من مثيلات التدريب وميزاتها لتحسين التعميم. نظرًا لأن مجموعة البيانات تحتوي على حالات تحكم أكثر بكثير من حالات الخطر، فإن عملية التدريب تعوض عن ذلك من خلال تعيين وزن إضافي للفئة الأقلية.

تم تقييم الأداء بشكل أساسي باستخدام مساحة تحت المنحنى المستقيم لمستقبل التشغيل (ROC-AUC)، مما يقيس مدى فعالية النظام في التمييز بين الحالات في خطر والسيطرة:

تشمل المقاييس الإضافية ال حساسية، التي تقيس تحديد الحالات في خطر بشكل صحيح؛ النوعية، التي تقيس تحديد الحالات المرجعية بشكل صحيح؛ معدل الإيجابيات الكاذبة، الذي يعكس الإنذارات الكاذبة (FPR)؛ و معدل السلبيات الكاذبة، الذي يعكس حالات الفشل في الكشف (FNR). تم采用 عتبة قرار متعمدة منخفضة لجعل الأولوية لتحديد مبكر لمواقف الخطر المحتملة:

أداء إطار تقييم مخاطر الانتحار في أربعة تكوينات، مقارنة بين متغيرات مساعدة بالحقيقة الأرضية ومتغيرات الحد الأعلى والمتغيرات التلقائية بالكامل عبر ROC-AUC و الحساسية و النوعية و معدل الإنذارات الكاذبة و معدل الفشل في الكشف – و يُظهر تأثير استبدال تعليقات الحقيقة الأرضية bằng وحدات الكشف التلقائي وتعرف النشاط.

كما هو موضح في الجدول الأولي أعلاه، حقق النظام التلقائي بالكامل درجة ROC-AUC 0.832، في حين أن استبدال مكونات الكشف التلقائي وتعقبها بتعليقات الحقيقة الأرضية زادت الأداء إلى 0.919.

استبدال وحدة تعرف النشاط فقط أدى إلى مكسب أصغر، حيث رفع ROC-AUC إلى 0.893. تم الحصول على أعلى درجة، 0.924، عندما تم توفير جميع الإدخالات من تعليقات الحقيقة الأرضية، مما يشير إلى أن الكشف وتعقب النشاط لا يزالان مصدرين رئيسيين للخطأ في الأنابيب الحالية.

كما أظهر تحليل نموذج XGBoost المدرب أن التفاعل المباشر مع الخط الأصفر كان من بين أقوى المؤشرات على المخاطر المرتفعة، تلاه عدد عبور الخط الأصفر، والحركة المتكررة بين مناطق المنصة. كما ساهم الوقت الذي تم قضاؤه على الخط الأصفر ودرجة مخاطر الموقع بشكل كبير، في حين قدمت الانتباه الموجه نحو النفق ودخول منطقة نهاية المنصة إشارات إضافية، ولكن أقل حسمًا.

بالعودة إلى النتائج النوعية المعروضة أعلاه، قام الإطار بتعيين درجات مخاطر عالية للأفراد الذين كانوا فيما بعد مرتبطين بمحاولات انتحار، بينما كانوا يخصصون درجات مخاطر أقل بكثير لركاب السيطرة المحيطين بهم:

كما هو موضح في المقال أعلاه، النتائج النوعية المعروضة في الورقة تampilkan تنبؤات الإخراج من صورة مراقبة، مع خرائط حرارية على جانبي كل صورة لتحديد النشاطات والحركات على المنصة.

في حالة واحدة، تم ربط درجة مخاطر 0.98 بوجود مطول على الخط الأصفر و احتلال مناطق تم تحديدها على أنها عالية المخاطر بواسطة خريطة مخاطر الموقع. في حالة أخرى، تلقى فرد في خطر درجة 0.92، بينما تلقى ركاب السيطرة القريبون تقديرات أقل بكثير.

وفقًا للمؤلفين، تظهر هذه الفروق من تراكم عدة مؤشرات، وليس سلوكًا واحدًا. العبور المطول للخط الأصفر، والتوجه المتكرر نحو النفق، والوجود المستدام في مناطق عالية المخاطر على المنصة جميعها تساهم في تقديرات المخاطر المرتفعة.

يُشير المؤلفون إلى ما يلي:

‘ما وراء الأداء، يُظهر دراستنا التأكيد على القابلية للتفسير، حيث يتم دفع تقييمات المخاطر بواسطة مؤشرات متوافقة مع عوامل المخاطر السلوكية والمكانية القائمة.’

‘يُعد الإطار المقترح جسرًا هامًا بين أنظمة المراقبة القائمة على الذكاء الاصطناعي وأبحاث الانتحار متعددة التخصصات.’

الاستنتاج

من الناحية الشخصية، من النادر العثور على ورقة بحثية عن الذكاء الاصطناعي تستحق النشر ولا تثير رد فعل مثير للجدل في جزء من السكان، لأن من الصعب إنكار قيمة الأهداف وراء هذا النوع من المشاريع.

من الناحية العملية، فإن كمية البكسل الصغيرة التي يحتوي عليها الرأس، وكمية المساحة الصغيرة على الشاشة التي يحتوي عليها الشخص كله تحت المراقبة في هذا السيناريو، تجعل من الصعب تحديد ما إذا كان الفرد ينظر بانتظام إلى النفق – واحد من العلامات التحذيرية لمحاولة الانتحار على السكك الحديدية.

كما هو الحال دائمًا في مشاريع البنية التحتية للمراقبة، يبدو أن هذه مشكلة حول الدقة والموارد: إذا كان هناك المزيد من الكاميرات في فترات زمنية أكثر تواترًا تغطي المنصة، بما في ذلك واحدة تغطي مدخل النفق (أي جانب النفق الذي يظهر منه قطار المترو فجأة)، فسيكون هناك مجال لاستخدام بعض الإطارات المتطورة حول اتجاه النظر. كما هو الحال الآن، يعمل العمل الحالي على تقييم اتجاه الجسم بأكمله للإشارة إلى أن الموضوع يراقب النفق.

في النهاية، المشكلة هي مشكلة ميزانية، على الأقل فيما يتعلق ببنية السكك الحديدية؛ إذا كانت جميع المنصات مجهزة بالحواجز والبوابات – الميزات التي تظهر بشكل متكرر في محطات مترو لندن وشبكات المترو في مدن أخرى حول العالم – فإن المنصات لن تقدم أي فرصة لل إيذاء الذاتي.

من المؤكد أن المراقبة المتزايدة هي الخيار الأرخص، والكشف المبكر عن علامات تحذيرية للايذاء الذاتي يمكن أن يسمح بالتدخل المباشر قبل وقوع المأساة.

نُشر لأول مرة يوم الثلاثاء، 9 يونيو 2026