Předvídání a prevence tragédií na metroových platformách pomocí umělé inteligence

Systém umělé inteligence vyškolený na skutečném záběru z kamer na metroových stanicích tvrdí, že dokáže rozpoznat varovné signály sebevražedného pokusu několik minut předtím, než k němu dojde, a to sledováním chování, jako je přecházení, zdržování se na okraji platformy a opakované pohledy do tunelu.

Systémy strojového učení byly testovány jako systémy pro monitorování událostí na platformách již několik let, obvykle s nějakou variací populární série aplikací rozpoznávání obrazů You Only Look Once (YOLO), které umožňují scénáře, ve kterých chodci spadli, nebo byl spáchán zločin, nebo kde platforma stanice byla prostě přeplněná (což umožňuje úřadům stanice regulovat přístup a řešit problém).

Z článku z roku 2024 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, jsou zde fáze, kterými YOLOV7 identifikuje cestující na platformě. Zdroj

S růstem počtu pokusu o sebevraždu nebo úspěšných sebevražd na železnici v posledních 3-5 letech (v regionech, jako je Spojené království, Kanada a Nizozemsko), vzrostl zájem o potenciál systémů strojového učení pro identifikaci chování spojeného se sebevraždou na železnici a metro, založeného na dispozicích a dalších faktorech:

Dwellers on the threshold: ukázková data ze souboru, který pohání projekt STARR, který je zmíněn v článku. Zdroj

V souhrnu, různé projekty zaměřené na využití umělé inteligence pro chování spojené se sebevraždou na platformách dosud nevytvořily jednotnou metodologii nebo společný přístup – nejméně proto, že metody, které tyto systémy pohání, se neustále vyvíjejí, stejně jako psychologická a psychiatrická znalost, která přináší vhled do tohoto druhu umělé inteligence.

Špičková technologie

Nyní nabízí nová studie z Kanady navrhovanou formalizaci tohoto směru v literatuře, jako Hodnocení rizika sebevraždy, v kontextu pokusu o sebevraždu na metroových stanicích.

V spolupráci s montrealskými dopravními úřady získali výzkumníci zapojení do nové studie přístup k záběru 66 skutečných pokusů o sebevraždu, jak je zachytily kamery na platformách v rámci působnosti úřadů:

Z nového článku, výstupní předpovědi ze dvou snímků, jeden zobrazující skutečný pokus o sebevraždu na železnici a druhý ne. Na obou stranách každého snímku je zobrazena mapa tepla nebezpečných a bezpečnějších oblastí na platformě, zobrazující v každém případě ‘dwell tendency’ osoby ve vztahu k ústí tunelu, interpretované prostřednictvím historických znalostí tendencí skutečných ‘skokanů’. Zdroj

Ačkoli bylo nutné uměle řešit nesoulad tříd, který nastává s tak omezeným množstvím skutečných dat, jedná se o vzácná data v nějakém životaschopném objemu; lze doufat, že budoucí projekty z dopravních úřadů po celém světě by mohly umožnit mezinárodní dataset s vyšším množstvím příkladů. Nicméně, pochopitelně, extrémně citlivá povaha takových záběrů z nich činí více než pouhý nebo snadný úkol.

Iniciativa, kterou autoři označují, je první, která sjednotila různé úkoly, které definují toto úsilí, a přináší s sebou nový benchmark pro scénář sebevraždy na metroové platformě.

Autoři uvádějí:

‘Na rozdíl od přístupů, které se zaměřují na izolované podúkoly nebo se snaží přímo odhadnout úmysl, naše formulace hodnotí riziko sebevraždy z nahromaděných důkazů tím, že zahrnuje sledování osob, rozpoznávání aktivit, semantické segmentování platformy a modelování mapy rizik na základě trajektorie.

‘Formulací hodnocení rizika sebevraždy jako samostatného úkolu a vytvořením kompletní provozní pipeline, která dosahuje 83,2% ROC-AUC na skutečných datech ze sledování, tato práce zdůrazňuje složitost hodnocení rizika sebevraždy a otevírá nové směry pro výzkum interpretabilních systémů umělé inteligence pro sociální dobro.’

Nový článek je nazvaný Hodnocení rizika sebevraždy z umělé inteligence poháněného videa ze sledování: Interpretabilní rámec pro prevenci na metroových stanicích a pochází od čtyř autorů z Université TÉLUQ, Polytechnique Montréal a Université du Québec à Montréal.

Metoda

Rámec autorů analyzuje živý videozáběr ze sledování, aby vygeneroval neustále aktualizovaný odhad rizika sebevraždy pro každou sledovanou osobu. Jednotlivci jsou detekováni, sledováni a převedeni na zjednodušené reprezentace polohy těla, po kterých systém rozpoznávání aktivit na základě skeletu identifikuje akce během krátkých časových úseků:

Provozní pipeline systému pro odhad rizika sebevraždy z videa ze sledování, ukazující, jak jsou sledování, odhad polohy těla, rozpoznávání aktivit, zónování platformy a mapy trajektorií kombinovány pro převod individuálních pohybů a chování na neustále aktualizovaný odhad rizika pro každou osobu na platformě.

Platforma je poté rozdělena na významné zóny, což umožňuje detekovat pohybové vzorce – jako opakované přecházení mezi různými oblastmi – a generovat mapy tepla, které zdůrazňují oblasti, které jsou nejčastěji obsazené, nebo které procházejí osoby spojené se zvýšeným rizikem.

Nakonec systém křížově ověřuje tyto prostorové vzorce proti pozorovaným chováním, aby produkoval individuální hodnocení rizika sebevraždy pro každou osobu na platformě – proces, který autoři nazývají odhad rizika.

Autoři použili předem vyškolenou implementaci YOLOX jako detektor osob pro svůj systém a zjistili, že jeho výchozí stav je pro tento účel dokonale použitelný. ByteTrack byl použit pro orchestraci víceobjektového sledování.

Každá osoba identifikovaná těmito procesy je přiřazena ke své vlastní předem vyškolené HRNet modelu, který poskytuje odhad kloubů a 2D body keypoints uvnitř ohraničujícího obdélníku stanoveného vnějším odhadem:

Příklad odhadu kloubů z HRNet, použitý v novém projektu. Zdroj

Pohyby vyhodnocené z dat videa z metroové platformy jsou sestaveny do kumulativních map, které definují historické pohyby (viz ‘platformní mapy tepla’ na straně dříve uvedeného obrázku).

Systém zahrnuje rámec STARR, předchozí práci navrženou pro vyhodnocení pravděpodobnosti sebevražedného chování na platformách:

Odhad polohy těla z rámce STARR. Zdroj

V tomto případě je STARR použit pro detekci tří jasně naznačených anotací chování cestujících: Pohled do tunelu; Chůze; a Stání.

Pro zahrnutí environmentálních kontextů je koncept platformy systému rozdělen do semanticky významných zón pomocí modelu YOLOv8n pro semantické segmentování, který byl vyškolen na ručně anotovaných obrazech platformy:

Platformní semantika: proces zónování použitý systémem pro převod segmentované platformy na tři behaviorálně významné regiony. Výsledné zóny blízko zdi, žluté čáry a tunelu poskytují prostorový kontext pro vyhodnocení pohybů cestujících a rizikového chování.

Výsledná segmentační mapa je použita pro odhad hranic platformy a definici tří provozních oblastí: zóny blízko zdi, zóny blízko žluté čáry, kde cestující mohou přistupovat k okraji platformy, zatímco zůstávají uvnitř bezpečnostních hranic; a zóny na konci platformy, nejblíže vchodu do tunelu.

Tyto zóny poskytují prostorový kontext potřebný pro identifikaci chování, která psychologická studia spojila se zvýšeným rizikem sebevraždy. Konkrétně umožňují systému detekovat opakované pohyby mezi zdí a žlutou čarou, spolu s vstupem do zóny na konci platformy.

Kombinované s mapami trajektorií vygenerovanými dříve, tyto prostorové indikátory jsou později zahrnuty do konečného hodnocení rizika sebevraždy.

Zajímavé je, že článek poznamenává, že jednou z charakteristických vlastností pokusů o sebevraždu je tendence zanechat předmět na platformě; nicméně autoři nebyli schopni tuto vlastnost zahrnout do této verze projektu, a tak ji ponechali pro budoucí práci.

Mapa rizika platformy

Místo toho, aby se spoléhal pouze na chování jediné osoby, rámec také kombinuje mapy trajektorií z více známých případů ohrožení, aby vytvořil platformní ‘mapu rizika pozice’:

Vytvoření mapy rizika platformy z pohybů více ohrožených cestujících. Oblasti, které opakovaně přitahují zdržování, přecházení nebo jiné rizikové chování, se stávají stále více prominentními a jsou později použity jako jeden z faktorů pro konečné hodnocení rizika.

Oblasti, které opakovaně přitahují dlouhodobé obsazení, se objevují jako oblasti s vyšším rizikem, zatímco místa spojená s krátkým nebo vzácným návštěvami zůstávají nižšího rizika. Výsledný skóre rizika pozice se stává jedním z vstupů pro konečné hodnocení rizika sebevraždy.

Konečný skóre rizika je založen na osmi indikátorech nahromaděných v čase: skóre rizika pozice odvozené z map platformy; zda cestující přechází nebo stojí na žluté čáře; počet přechodů žluté čáry; celková doba strávená na žluté čáře; nejdelší nepřerušená doba strávená na žluté čáře; opakované pohyby mezi zdí a žlutou čarou; opakované orientace směrem k tunelu; a vstup do zóny na konci platformy, nejblíže vchodu do tunelu.

Tyto behaviorální a prostorové signály jsou poté kombinovány pomocí modelu XGBoost, který produkuje neustále aktualizovaný odhad rizika sebevraždy pro každou osobu na platformě.

Data a testy

Testy byly provedeny na datech ze sledování poskytnutých Société de transport de Montréal (STM), sestávajících z 66 pětiminutových záznamů pořízených před skutečnými pokusy o sebevraždu, spolu s 56 kontrolními záznamy z týmž kamer, ve stejném čase, kdy k žádnému pokusu o sebevraždu nedošlo.

S pomocí odborníků z psychologie a expertů na sebevražedné chování, byli jednotliví cestující anotováni podle toho, zda se objevili v ohroženém nebo kontrolním scénáři, což vedlo k datové sadě 256 osob, z nichž 66 bylo spojeno s pokusy o sebevraždu a 190 bylo přiřazeno ke kontrolní skupině.

Pro zabránění úniku informací, všechny osoby extrahované ze stejného záznamu byly přiřazeny ke stejnému rozdělení dat, se 75% dat použitých pro trénink a 25% rezervovaných pro testování, přičemž byla zachována rovnováha mezi ohroženými a kontrolními případy.

Třída XGBoost byla trénována po dobu 300 iterací zesilování, při rychlosti učení 0,05, s podsamplingem pro trénovací instance i funkce, aby se zlepšila generalizace. Protože dataset obsahuje podstatně více kontrolních případů než ohrožených, proces trénování kompenzoval tento nesoulad tím, že přiřadil dodatečnou váhu menšinové třídě.

Provedení bylo hodnoceno především pomocí plochy pod křivkou ROC (ROC-AUC), měřící, jak účinně systém rozlišuje mezi ohroženými a kontrolními osobami.

Další metriky zahrnovaly citlivost, měřící správnou identifikaci ohrožených případů; specificitu, měřící správnou identifikaci kontrolních případů; falešnou pozitivní rychlost, odrážející falešné poplachy (FPR); a falešnou negativní rychlost, odrážející zmeškané detekce (FNR). Úmyslně nízká rozhodovací prahová hodnota byla přijata, aby se priorizovala raná identifikace potenciálně ohrožených situací:

Provedení rámce hodnocení rizika sebevraždy ve čtyřech konfiguracích, porovnávající varianty s asistencí ground-truth, horní hranice a plně automatizované varianty napříč ROC-AUC, citlivostí, specificitou, falešnou pozitivní rychlostí a rychlostí zmeškaných detekcí – a ukazující dopad nahrazení anotací ground-truth automatizovanými detekčními, sledovacími a rozpoznávacími moduly.

Jako je vidět v tabulce výsledků výše, plně automatizovaný systém dosáhl ROC-AUC 0,832, zatímco nahrazení automatizovaných detekčních a sledovacích komponent ground-truth anotacemi zvýšilo výkon na 0,919.

Nahrazení pouze modulu rozpoznávání aktivit vedlo k menšímu zisku, zvyšujícímu ROC-AUC na 0,893. Nejvyšší skóre, 0,924, bylo dosaženo, když všechny vstupy pocházely z anotací ground-truth, naznačující, že detekce, sledování a extrakce indikátorů zůstávají hlavními zdroji chyb v aktuální pipeline.

Analýza trénovaného modelu XGBoost ukázala, že přímá interakce s žlutou čarou byla mezi nejsilnějšími prediktory zvýšeného rizika, následovaná počtem přechodů žluté čáry, a opakovaným pohybem mezi zónami platformy. Čas strávený na žluté čáře a skóre rizika pozice také přispěly podstatně, zatímco orientace směrem k tunelu a vstup do zóny na konci platformy poskytly další, ale méně rozhodující signály.

Vracíme se k kvalitativním výsledkům, které byly dříve naznačeny, rámec přiřadil vysoké skóre rizika osobám, které byly později spojeny s pokusy o sebevraždu, zatímco osobám v kontrolní skupině byly přiřazeny podstatně nižší skóre:

Jak je vidět dříve v článku, kvalitativní výsledky uvedené v článku zahrnují výstupní předpovědi dvou snímků z dat ze sledování, s mapami tepla na obou stranách, které indikují zdržování a další platformové aktivity.

V jednom případě bylo skóre rizika 0,98 spojeno s dlouhodobým pobytem na žluté čáře a obsazením oblastí identifikovaných jako vysoce rizikové mapou rizika pozice. V jiném případě osoba ohrožená sebevraždou obdržela skóre 0,92, zatímco osoby v kontrolní skupině obdržely podstatně nižší odhady.

Podle autorů tyto rozdíly vyplývají z akumulace více indikátorů, spíše než z jediného chování. Dlouhodobé přecházení žluté čáry, opakovaná orientace směrem k tunelu a dlouhodobé přítomnosti v oblastech s vyšším rizikem na platformě všechny přispívají ke zvýšeným odhadům rizika.

Autoři uzavírají:

‘Mimo výkon, naše studie zdůrazňuje interpretabilitu, ukazující, že hodnocení rizika jsou řízena intuitivními indikátory, které jsou v souladu se stanovenými behaviorálními a prostorovými rizikovými faktory.

‘To позиcionuje navrhovaný rámec jako významný most mezi systémy umělé inteligence pro sledování a mezioborovým výzkumem prevence sebevraždy.’

Závěr

Z osobní stránky, je to stále vzácnější úleva najít článek o umělé inteligenci, který nebude pravděpodobně vyvolávat incendiární reakci v některé části populace, protože by bylo těžké zpochybnit hodnotu cílů, které stojí za tímto druhem projektu.

Z praktické stránky, velmi malý počet pixelů obsazených hlavou a relativně malý počet pixelů obsazených celou osobou pod dohledem v tomto scénáři, činí velmi obtížným určit, zda osoba často hledí na tunel – jeden z varovných signálů potenciální železniční sebevraždy.

Jako vždy, v projektech týkajících se infrastruktury pro sledování, toto zdá se být otázkou rozlišení a zdrojů: pokud by byly více kamer na více frekventovaných intervalech pokrývajících platformu, včetně jedné, která by pokrývala výstup tunelu (tj. tunelový pohled, z něhož náhle vyjede metro), existoval by potenciál pro zapojení některých rámců kolem směru pohledu. Jak tomu je, současná práce se spoléhá na vyhodnocení celkového směru těla, aby signalizovalo, že subjekt se dívá na tunel.

Nakonec, otázka je otázkou rozpočtu, alespoň pokud jde o železniční infrastrukturu; pokud by všechny platformy byly vybaveny bariérami a bránami – funkce, které se vyskytují zřídka na londýnském metru a v metroových sítích jiných měst po celém světě – platformy by nenabídly žádnou příležitost k sebepoškození. Pokud by všechny platformy byly vybaveny bariérami a bránami – funkce, které se vyskytují zřídka na londýnském metru a v metroových sítích jiných měst po celém světě – pak by platformy nenabídly žádnou příležitost k sebepoškození. For sure, increased surveillance is the cheaper option, and early identification of characteristic signs of self-harm could allow direct intervention before tragedy occurs. First published Tuesday, June 9th, 2026