KI vorhersagt Unfall-Hotspots aus Satellitenbildern und GPS-Daten

Forscher von MIT und dem Qatar Center for Artificial Intelligence haben ein maschinelles Lernsystem entwickelt, das hochauflösende Satellitenbilder, GPS-Koordinaten und historische Unfalldaten analysiert, um potenziell unfallträchtige Straßenabschnitte in Straßennetzen zu kartieren und erfolgreich Unfall-“Hotspots” vorherzusagen, wo keine anderen Daten oder vorherige Methoden dies anzeigen würden.

Mitte rechts, vorhergesagte Unfall-Hotspots entstehen durch die Kombination von drei Datenquellen. Die in Kreisen hervorgehobenen Bereiche sind ‘hochrisiko’-Vorhersagen, die tatsächlich keine historische Unfallgeschichte haben. Quelle: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Das System bietet mutige Vorhersagen für Bereiche in einem Straßennetz, die wahrscheinlich zu Unfall-Schwarzen werden, sogar in Bereichen, in denen es keine Unfallgeschichte gibt. Bei Tests des Systems über Daten, die vier Jahre abdecken, fanden die Forscher heraus, dass ihre Vorhersagen für diese ‘keine Geschichte’-potenziellen Unfall-Gefahrenzonen durch Ereignisse in den folgenden Jahren bestätigt wurden.

Die neue Studie heißt Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Die Autoren prognostizieren Anwendungen für die neue Architektur über Unfallvorhersagen hinaus und vermuten, dass sie auf 911-Notfall-Risikokarten oder Systeme zur Vorhersage der Nachfrage nach Taxis und Ride-Share-Anbietern angewendet werden könnte.

Vorherige ähnliche Bemühungen haben versucht, ähnliche Unfall-Vorhersager aus niedrigauflösenden Karten mit hohem Bias oder aus Unfallhäufigkeit als Schlüssel zu erstellen, was zu ungenauen Vorhersagen führte. Stattdessen übertrifft das neue Projekt, das vier große US-Städte mit insgesamt 7.488 Quadratkilometern abdeckt, diese früheren Schemata, indem es vielfältigere Formen von Daten kombiniert.

Sparse Daten

Das Problem, mit dem die Forscher konfrontiert sind, sind sparse Daten – sehr hohe Unfallzahlen werden unweigerlich ohne die Notwendigkeit von maschinellen Analysen bemerkt und angegangen, aber subtilere gefährliche Korrelationen sind schwierig zu identifizieren.

Frühere Unfall-Vorhersagesysteme konzentrieren sich auf Monte-Carlo-Schätzung von historischen Unfalldaten und können keine effektive Vorhersagemethode bieten, wo diese Daten fehlen. Daher untersucht die neue Forschung Straßenabschnitte mit ähnlichen VerkehrsMustern, ähnlichem visuellem Erscheinungsbild und ähnlicher Struktur und leitet eine Neigung zu Unfällen aus diesen Merkmalen ab.

Es ist ein ‘Schuss ins Blaue’, der anscheinend grundlegende Unfallindikatoren aufgedeckt hat, die bei der Gestaltung neuer Straßennetze verwendet werden könnten.

Kernel-Density-Estimation (KDE) wurde verwendet, um historische Unfall-Hotspots hervorzuheben, aber es konnte keine zukünftigen Unfallorte vorhersagen. Im oberen linken Bild sehen wir, wo KDE Unfälle im blauen Bereich vorhergesagt hat, im Vergleich zu den tatsächlichen Unfallorten (nebenan). Unten rechts, ein Vergleich der KDE-Vorhersagefehler mit der genauen Vorhersage (blauer Bereich) des MIT-Systems.

Die Autoren bemerken, dass GPS-Trajektorien-Daten Informationen über den Verkehrsfluss, die Geschwindigkeit und die Dichte des Verkehrs liefern, während Satellitenbilder des Gebiets Informationen über die Anordnung der Spuren, die Anzahl der Spuren, die Existenz einer Mittelleitplanke und die Anwesenheit von Fußgängern hinzufügen.

Der Mitautor Amin Sadeghi vom Qatar Computing Research Institute (QCRI) kommentierte “Unser Modell kann von einer Stadt zur anderen verallgemeinern, indem es mehrere Hinweise aus scheinbar unabhängigen Datenquellen kombiniert. Dies ist ein Schritt in Richtung allgemeiner KI, da unser Modell Unfallkarten in unerforschten Gebieten vorhersagen kann.” und fügte hinzu “Das Modell kann verwendet werden, um eine nützliche Unfallkarte auch im Falle fehlender historischer Unfalldaten zu erstellen, was sich positiv auf die Stadtplanung und die politische Entscheidungsfindung auswirken könnte, indem man hypothetische Szenarien vergleicht”.

Die Architektur des Verkehrsvorhersagesystems generiert eine Unfall-Risikokarte mit einer Auflösung von 5 Metern, die die Autoren als kritisch für die Unterscheidung zwischen verschiedenen Risiken auf Autobahnen und angrenzenden Wohnstraßen betrachten.

Das Projekt wurde auf Unfälle und laterale Daten im Zeitraum 2017-18 ausgewertet. Vorhersagen wurden dann für 2019 und 2020 erstellt, wobei mehrere ‘hochrisiko’-Orte auftraten, sogar im Falle fehlender historischer Daten, die normalerweise dies vorhersagen würden.

Nützliche Verallgemeinerung

Overfitting ist ein kritischer Risiko in einem System, das von sparsamen Daten angetrieben wird, sogar wenn, wie in diesem Fall, zwei zusätzliche Datenquellen vorhanden sind. Wo ein Ereignis selten ist, können übermäßige Annahmen aus zu wenigen Beispielen gezogen werden, was zu einem Algorithmus führt, der eine sehr spezifische, enge Bandbreite von möglichen Umständen erwartet und der nicht in der Lage ist, breitere Wahrscheinlichkeiten zu identifizieren.

Daher haben die Forscher bei der Ausbildung des Modells jede Eingabequelle mit einer Wahrscheinlichkeit von 20% zufällig ‘ausgeblendet’, damit Bereiche mit weniger (oder keinen) Unfalldaten berücksichtigt werden können, während das Modell auf Verallgemeinerung trainiert wird, und damit parallele Datenquellen als repräsentativer Stellvertreter für fehlende Informationen für jede Untersuchung einer Kreuzung oder eines Straßenabschnitts dienen können.

Auswertung

Das Modell wurde auf einem Datensatz getestet, der fast 7.500 km² städtische Fläche in Boston, Los Angeles, Chicago und New York City umfasst. Der Datensatz wurde in Form von 1.872 2×2 km großen Kacheln organisiert, die jeweils Satellitenbilder von MapBox enthielten, mit Straßensegmenten, die über Daten von OpenStreetMap maskiert wurden. Sowohl die Basisbilder als auch die Segmentierungs-Karten haben eine Auflösung von 0,625 Metern.

Die GPS-Daten kommen in Form eines proprietären Datensatzes, der zwischen 2015-17 über die vier Städte gesammelt wurde und insgesamt 7,6 Millionen Kilometer GPS-Trajektorien mit einer Abtastrate von 1 Sekunde umfasst.

Das Projekt nutzt auch 4,2 Millionen Datensätze, die zwischen 2016-2020 im US-Accidents-Datensatz enthalten sind. Jeder Datensatz enthält Zeitstempel und andere Metadaten.

Die ersten beiden Jahre der historischen Daten wurden dem Modell zugeführt, und die letzten beiden Jahre wurden für die Ausbildung und Auswertung verwendet, was es den Forschern ermöglichte, die Genauigkeit des Systems über zwei Jahre in einem kurzen Zeitrahmen zu überprüfen.

Das System wurde mit und ohne historische Daten getestet und konnte erfolgreich die zugrunde liegende Risikoverteilung in allen Fällen erfassen, wobei es die vorherigen KDE-basierten Methoden (siehe oben) deutlich übertraf.

Weiterentwicklung

Die Autoren behaupten, dass ihr System auf andere Länder mit wenig architektonischen Modifikationen angewendet werden kann, sogar in Ländern, in denen Unfalldaten nicht verfügbar sind. Darüber hinaus schlagen die Autoren ihre Forschung als mögliche Ergänzung zur Stadtplanung und zum Design neuer städtischer Entwicklungen vor.

Der Leitautor Songtao He kommentierte das neue Werk:

“Indem wir die zugrunde liegende Risikoverteilung erfassen, die die Wahrscheinlichkeit von zukünftigen Unfällen an allen Orten bestimmt, und ohne historische Daten, können wir sicherere Routen finden, Autoversicherungsunternehmen ermöglichen, maßgeschneiderte Versicherungspläne auf Basis der Fahrtrouten der Kunden anzubieten, Stadtplanern helfen, sicherere Straßen zu entwerfen, und sogar zukünftige Unfälle vorhersagen.”

Obwohl die Studie angibt, dass der Code für das System auf GitHub veröffentlicht wurde, ist der Link zum Code nicht aktiv, kann derzeit nicht durch eine Suche gefunden werden und wird wahrscheinlich in einer späteren Revision hinzugefügt.

Die Forschung hat das Potenzial, in beliebte Verbraucher-GPS-basierte Verkehrs-Apps und Routenplaner integriert zu werden, laut Songtao He:

“Wenn Menschen die Risikokarte verwenden können, um potenziell hochrisiko-Straßenabschnitte zu identifizieren, können sie im Voraus Maßnahmen ergreifen, um das Risiko der Fahrten, die sie unternehmen, zu reduzieren. Apps wie Waze und Apple Maps haben Unfall-Feature-Tools, aber wir versuchen, vor den Unfällen zu sein – bevor sie passieren,”