AI forudsiger ulykkessteder fra satellitbilleder og GPS-data

Forskere fra MIT og Qatar Center for Artificial Intelligence har udviklet et machine learning-system, der analyserer højopløselige satellitbilleder, GPS-koordinater og historiske uulykkesdata for at kortlægge potentielle ulykkesområder i vejnetværk, og har med succes forudset ulykkes-“hot spots”, hvor ingen andre data eller tidligere metoder ville indikere dem.

Midt til højre, forudsigelige ulykkes-hotspots opstår fra at samle tre kilder af data. Områder, der er markeret med cirkler, er ‘højrisiko’-forudsigelser, der faktisk ikke har nogen historisk ulykkeshistorie. Kilde: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Systemet tilbyder dristige forudsigelser for områder i et vejnetværk, der sandsynligvis vil blive ulykkes-sorter, selv hvor disse områder ikke har nogen historie af ulykker. Ved at teste systemet over data, der dækker fire år, fandt forskerne, at deres forudsigelser for disse ‘ingen historie’-potentielle ulykkeszoner blev bekræftet af begivenheder i efterfølgende år.

Den nye artikel hedder Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Forfatterne forudser anvendelser for den nye arkitektur ud over ulykkesforudsigelse, og antager, at den kunne anvendes til 911-nødhjælpskort eller systemer til at forudse sandsynligheden for efterspørgsel efter taxaer og ride-share-leverandører.

Tidligere lignende forsøg har forsøgt at oprette lignende incident-forudsigelser fra lavopløselige kort med høj bias, eller også at udnytte ulykkesfrekvens som en nøgle, hvilket ledte til høj-varians, ukorrekte forudsigelser. I stedet overgår det nye projekt, der dækker fire større amerikanske byer med i alt 7.488 kvadratkilometer, disse tidligere schemer ved at samle mere diverse former for data.

Sparse Data

Problemet, som forskerne står over for, er sparse data – meget store mængder af ulykker vil uvægerligt blive bemærket og adresseret uden brug af maskinelle analyser, men mere subtile farlige korrelationer er svære at identificere.

Tidligere ulykkesforudsigelsessystemer centerer sig om Monte Carlo-estimation af historiske ulykkesdata, og kan give ingen effektiv forudsigelsesmekanisme, hvor denne data mangler. Derfor studerer det nye forskningsprojekt vejnetværkssektioner med lignende trafikmønstre, lignende visuel udseende og lignende struktur, og antager en disposition til ulykker baseret på disse karakteristika.

Det er et ‘skud i blinde’, der synes at have afdækket fundamentale ulykkesindikatorer, der kunne anvendes i designet af nye vejnetværk.

Kernel Density Estimation (KDE) er blevet brugt til at højligte historiske trafikulykkes-hotspots, uden at kunne forudse fremtidige ulykkeslokationer. I øverste venstre billede ser vi, hvor KDE har forudset ulykker i den blå boksregion, versus hvor ulykkerne generelt lokaliserer (tilstødende). Nederst til højre, en sammenligning af KDE-forudsigelsesfejl med den nøjagtige forudsigelse (blå boks) af MIT-systemet.

Forfatterne bemærker, at GPS-traektoriedata tilbyder informationer om flow, hastighed og tæthed af trafik, mens satellitbilleder af området tilføjer informationer om vejens disposition, antallet af kørebaner, samt eksistensen af en hård skulder og tilstedeværelsen af fodgængere.

Medforfatter Amin Sadeghi, fra Qatar Computing Research Institute (QCRI) kommenterede “Vores model kan generalisere fra en by til en anden ved at kombinere flere hints fra tilsyneladende ikke-relaterede datakilder. Dette er et skridt mod generel AI, fordi vores model kan forudse ulykkeskort i ukendte territorier.” og fortsatte “Modellen kan bruges til at slutte en nyttig ulykkeskort, selv i fravær af historiske ulykkesdata, hvilket kunne oversætte til positiv brug for byplanlægning og politik ved at sammenligne imaginative scenarier”.

Arkitekturen af trafikforudsigelsessystemet genererer et ulykkesrisikokort på en 5-meter opløsning, hvilket forfatterne mener er kritisk for at skelne forskellige risici mellem motorvej og tilstødende boligveje.

Projektet blev evalueret på uulykker og laterale data, der dækker en periode mellem 2017-18. Forudsigelser blev derefter lavet for 2019 og 2020, med flere ‘højrisiko’-lokationer, der opstod, selv i fravær af nogen historisk data, der normalt ville forudse dette.

Achieving Useful Generalization

Overfitting er en kritisk risiko i et system, der drives af sparse data, selv hvor der, som i dette tilfælde, er to yderligere kilder af støttende data. Hvor en forekomst er lav, kan der træffes for mange antagelser fra for få eksempler, hvilket fører til en algoritme, der forventer en meget bestemt, smal bånd af mulige omstændigheder, og som vil fejle i at identificere bredere sandsynligheder.

Derfor trænede forskerne modellen ved at tilfældigt “droppe ud” hver indgangskilde med en 20% sandsynlighed, så områder med mindre (eller ingen) ulykkesdata kan overvejes, mens modellen trænes mod generalisering, og så parallelle datakilder kan fungere som en repræsentativ proxy for manglende information for en given undersøgelse af en krydsning eller en sektion af vej.

Evaluation

Modellen blev testet på en dataset, der bestod af næsten 7.500 km af byområde i Boston, Los Angeles, Chicago og New York City. Datasettet var organiseret i form af 1.872 2 km x 2 km fliser, hver med satellitbilleder fra MapBox, med vejsegmentering maskeret via data fra OpenStreetMap. Begge grundbilleder og segmenteringskort havde en opløsning på 0,625 meter.

GPS-data kom i form af en proprietær dataset, der blev indsamlet mellem 2015-17 over de fire byer, i alt 7,6 millioner kilometer af GPS-traektorier med en 1-sekunds samplinghastighed.

Projektet udnyttede også 4,2 millioner poster, der dækker 2016-2020 i US Accidents Dataset. Hver post indeholdt tidsstempel og andre metadata.

De første to år af historiske data blev født til modellen, og de sidste to år blev brugt til træning og evaluering, hvilket gjorde det muligt for forskerne at etablere systemets nøjagtighed over to år i en kort tidsramme.

Systemet blev testet med og uden historiske data og blev fundet at kunne fange den underliggende risikofordeling på tværs af alle tilfælde, hvilket betydeligt forbedrede tidligere KDE-baserede metoder (se ovenfor).

Roads Forward

Forfatterne mener, at deres system kan anvendes i andre lande med lidt arkitektonisk modificering, selv i lokaliteter, hvor ulykkesdata ikke er tilgængelige. Derudover foreslår forfatterne deres forskning som en mulig tillæg til byplanlægning og design af nye byudviklinger.

Første forfatter Songtao He kommenterede på det nye arbejde:

“Ved at fange den underliggende risikofordeling, der bestemmer sandsynligheden for fremtidige uulykker på alle steder, og uden nogen historiske data, kan vi finde sikrere ruter, aktivere auto-forsikringsselskaber til at tilbyde tilpassede forsikringsplaner baseret på kundernes kørepræferencer, hjælpe byplanlæggere med at designe sikrere veje og endda forudse fremtidige uulykker.”

Selvom artiklen angiver, at koden for systemet er blevet udgivet på GitHub, er linket til koden ikke aktivt og kan ikke findes ved en søgning, og vil sandsynligvis blive inkluderet i en senere revision.

Forskningen har potentiale til at blive inkorporeret i populære forbruger-niveau GPS-baserede trafikapps og ruteplanlæggere, ifølge Songtao He:

“Hvis folk kan bruge risikokortet til at identificere potentielt højrisiko-vejsegmenter, kan de tage handling i forvejen for at reducere risikoen for ture, de tager. Apps som Waze og Apple Maps har incidentfunktioner, men vi forsøger at komme før uulykkerne – før de sker,”