AI předpovídá místa nehod z družicových snímků a GPS dat

Výzkumníci z MIT a Katarského centra pro umělou inteligenci vyvinuli systém strojového učení, který analyzuje vysoce rozlišené družicové snímky, GPS souřadnice a historická data o nehodách za účelem mapování potenciálně nebezpečných úseků silnic, úspěšně předpovídající místa nehod, kde by je jiná data nebo metody neindikovaly.

Uprostřed vpravo se z tří zdrojů dat objevují předpovědi míst nehod. Oblasti zvýrazněné kruhy jsou předpovědi ‘vysokého rizika’, která ve skutečnosti nemají žádnou historii nehod. Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Systém nabízí odvážné předpovědi pro oblasti v silniční síti, které jsou pravděpodobně budoucími místy nehod, i když v těchto oblastech nebyla dosud žádná nehoda. Při testování systému na datech z čtyř let výzkumníci zjistili, že jejich předpovědi pro tyto ‘bez historie’ potenciální nebezpečné zóny se potvrdily v následujících letech.

Nová práce se jmenuje Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Autoři předpovídají použití nové architektury i pro jiné účely, jako jsou mapy rizika pro tísňová volání nebo systémy pro předpověď poptávky po taxi a sdílených autech.

Předchozí pokusy o vytvoření podobných předpovědí nehod z nízkorozlišených map s vysokou chybou nebo použití četnosti nehod jako klíčového faktoru vedly k nepřesným předpovědím. Nový projekt, který pokrývá čtyři velké americké města o celkové rozloze 7 488 kilometrů čtverečních, tyto předchozí systémy překonává kombinací různých forem dat.

Řídká data

Problém, se kterým se výzkumníci potýkají, je řídká data – velmi vysoké objemy nehod budou nevyhnutelně zpozorovány a řešeny bez potřeby strojové analýzy, ale více subtilně nebezpečné korelace jsou obtížně identifikovatelné.

Předchozí systémy pro předpověď nehod se zaměřují na Monte Carlo odhad historických dat o nehodách a nemohou poskytnout efektivní mechanismus předpovědi, kde tato data chybí. Proto nová práce studuje úseky silniční sítě se podobnými dopravními vzorci, podobným vzhledem a podobnou strukturou, odvozujících sklon k nehodám na základě těchto charakteristik.

Jedná se o ‘střelu do tmy’, která zdá se, že odhalila základní indikátory nehod, které by mohly být využity při návrhu nových silnic.

Kernel Density Estimation (KDE) byla použita k zvýraznění historických míst nehod, ale selhala při předpovědi budoucích míst nehod. V levém horním obrázku vidíme, kde KDE předpověděla nehody v modré oblasti, versus kde se nehody obvykle vyskytly (vedle). V pravém dolním rohu je srovnání selhání předpovědi KDE s přesnou předpovědí (modrá oblast) systému MIT.

Autoři poznamenávají, že data o GPS trajektoriích poskytují informace o toku, rychlosti a hustotě dopravy, zatímco družicové snímky oblasti přidávají informace o dispozici pruhů, počtu pruhů, existence tvrdého ramene a přítomnosti chodců.

Spoluautor Amin Sadeghi z Katarského výzkumného institutu pro informatiku (QCRI) komentoval “Náš model může generalizovat z jednoho města na druhé kombinací více náznaků z zdánlivě nesouvisejících zdrojů dat. Jedná se o krok směrem k obecné AI, protože náš model může předpovědět mapy nehod v neznámých územích.” a pokračoval “Model může být použit k odvození užitečné mapy nehod i v případě, že nejsou k dispozici historická data o nehodách, což by mohlo být pozitivně využito pro městské plánování a rozhodování tím, že porovnává imaginární scénáře”.

Architektura systému předpovědi dopravy generuje mapu rizika nehod s rozlišením 5 metrů, což autoři považují za kritické pro rozlišení různých rizik mezi dálnicí a sousedními rezidenčními ulicemi.

Projekt byl hodnocen na základě dat o nehodách a laterálních datech z období mezi lety 2017-2018. Předpovědi byly poté provedeny pro roky 2019 a 2020, s několika ‘vysokým rizikem’ místy, která se objevila i v případě, že nebyla k dispozici žádná historická data, která by tato rizika indikovala.

Dosažení užitečné generalizace

Overfitting je kritickým rizikem v systému poháněném řídkými daty, i když, jako v tomto případě, jsou k dispozici dvě další podpůrná data. Pokud je incidence nízká, mohou být vyvozeny nadměrné předpoklady z příliš málo příkladů, což vede k algoritmu, který očekává velmi specifickou, úzkou škálu možných okolností, a který selže při identifikaci širších pravděpodobností.

Proto, při trénování modelu, výzkumníci náhodně ‘vypnuli’ každý vstupní zdroj s 20% pravděpodobností, aby oblasti s méně (nebo žádnými) daty o nehodách mohly být zohledněny při trénování modelu směrem k generalizaci, a aby paralelní zdroje dat mohly působit jako reprezentativní zástupce chybějících informací pro jakýkoli konkrétní studijní případ křižovatky nebo úseku silnice.

Hodnocení

Model byl testován na datové sadě zahrnující téměř 7 500 kilometrů čtverečních městské oblasti v Bostonu, Los Angeles, Chicagu a New Yorku. Datová sada byla organizována ve formě 1 872 čtverců o velikosti 2 km x 2 km, každý obsahující družicové snímky z MapBox, s maskovanými silničními segmenty prostřednictvím dat z OpenStreetMap. Základní snímky i segmentační mapy mají rozlišení 0,625 metrů.

GPS data jsou ve formě proprietární datové sady shromážděné mezi lety 2015-2017 ve čtyřech městech, celkem 7,6 milionu kilometrů GPS trajektorií s vzorkovací frekvencí 1 sekunda.

Projekt také využívá 4,2 milionu záznamů z let 2016-2020 v US Accidents Dataset. Každý záznam zahrnuje časové razítko a další metadata.

První dva roky historických dat byly zahrnuty do modelu, a poslední dva roky byly použity pro trénování a hodnocení, což umožnilo výzkumníkům stanovit přesnost systému za dva roky v krátkém časovém rámci.

Systém byl testován s a bez historických dat a byl nalezen úspěšně zachytit základní rozložení rizika napříč všemi případy, zejména zlepšující se oproti předchozím metodám založeným na KDE (viz výše).

Cesty vpřed

Autoři tvrdí, že jejich systém může být aplikován v jiných zemích s minimálními architektonickými změnami, i v místech, kde nejsou k dispozici data o nehodách. Kromě toho autoři navrhují svou práci jako možný doplněk městského plánování pro nové urbanistické rozvojové projekty.

Vedoucí autor Songtao He komentoval novou práci:

“Zachycením základního rozložení rizika, které určuje pravděpodobnost budoucích nehod na všech místech, a bez jakýchkoli historických dat, můžeme najít bezpečnější trasy, umožnit pojišťovnám poskytovat zákazníkům přizpůsobené pojistné plány na základě jejich jízdních trajektorií, pomoci městským plánovačům navrhnout bezpečnější silnice a dokonce předpovědět budoucí nehody.”

Ačkoli článek uvádí, že kód systému byl zveřejněn na GitHubu, odkaz na kód není aktivní, nemůže být nalezen vyhledáním a pravděpodobně bude zahrnut v pozdější revizi.

Výzkum má potenciál být začleněn do populárních spotřebitelských aplikací pro navigaci založených na GPS a plánování tras, podle Songtao He:

“Pokud lidé mohou použít mapu rizika k identifikaci potenciálně rizikových úseků silnic, mohou přijmout opatření dopředu, aby snížili riziko cest, které absolvují. Aplikace jako Waze a Apple Maps mají funkce pro hlášení incidentů, ale my se snažíme dostat před nehody – předtím, než k nim dojde,”