Το AI Προβλέπει τους Τοπους Συγκρούσεων Από Δορυφορικές Εικόνες και Δεδομένα GPS

Ερευνητές από το MIT και το Qatar Center for Artificial Intelligence έχουν αναπτύξει ένα σύστημα μηχανικής μάθησης που αναλύει υψηλής ανάλυσης δορυφορικές εικόνες, συντεταγμένες GPS και ιστορικά δεδομένα συντριμών για να χαρτογραφήσει πιθανές περιοχές συντριμών σε δίκτυα οδών, προβλέποντας επιτυχώς “ζεστές” περιοχές συντριμών όπου δεν υπάρχει άλλη δεδομένα ή προηγούμενες μεθόδους θα τις έδειχναν.

Στα δεξιά, προβλέψεις για περιοχές συντριμών προκύπτουν από την συλλογή τριών πηγών δεδομένων. Οι περιοχές που υπογραμμίζονται με κύκλους είναι προβλέψεις ‘υψηλού κινδύνου’ που στην πραγματικότητα δεν έχουν ιστορικό συντριμών. Πηγή: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Το σύστημα προσφέρει τολμηρές προβλέψεις για περιοχές σε ένα δίκτυο οδών που είναι πιθανό να γίνουν “μαύρες” περιοχές συντριμών, ακόμη και σε περιοχές που δεν έχουν ιστορικό συντριμών. Testοντας το σύστημα με δεδομένα που καλύπτουν τέσσερα χρόνια, οι ερευνητές βρήκαν ότι οι προβλέψεις τους για αυτές τις “χωρίς ιστορικό” περιοχές συντριμών επιβεβαιώθηκαν από γεγονότα τα επόμενα χρόνια.

Η νέα μελέτη ονομάζεται Προσδιορισμός υψηλής ανάλυσης χαρτών κινδύνου συντριμών με βάση δορυφορικές εικόνες και τροχιές GPS. Οι συγγραφείς προβλέπουν χρήσεις για τη νέα αρχιτεκτονική πέρα από την πρόβλεψη συντριμών, υποθέτοντας ότι θα μπορούσε να εφαρμοστεί σε χάρτες κινδύνου 911 ή συστήματα που προβλέπουν την πιθανότητα ζήτησης για ταξί και υπηρεσίες κοινής οδήγησης.

Προηγούμενες προσπάθειες έχουν προσπαθήσει να δημιουργήσουν παρόμοιους προβλέπτες συντριμών από χαμηλής ανάλυσης χάρτες με υψηλή προκατάληψη, ή να χρησιμοποιήσουν τη συχνότητα συντριμών ως κλειδί, το οποίο οδήγησε σε προβλέψεις υψηλής διασποράς και ανακριβείς. Αντίθετα, το νέο έργο, το οποίο καλύπτει τέσσερις μεγάλες πόλεις των ΗΠΑ με συνολική έκταση 7.488 τετραγωνικών χιλιομέτρων, υπερέχει των προηγούμενων σχεδίων συλλέγοντας πιο διαφορετικά είδη δεδομένων.

Λειψή Δεδομένα

Το πρόβλημα που αντιμετωπίζουν οι ερευνητές είναι τα λειψή δεδομένα – πολύ υψηλά όγκοι συντριμών θα αναγνωριστούν και θα αντιμετωπιστούν χωρίς την ανάγκη για αναλυτικά δεδομένα, αλλά πιο υποννοούμενες επικίνδυνες συσχετίσεις είναι δύσκολο να αναγνωριστούν.

Προηγούμενα συστήματα πρόβλεψης συντριμών επικεντρώνονται στην εκτίμηση Monte Carlo των ιστορικών δεδομένων συντριμών και δεν μπορούν να προσφέρουν αποτελεσματικό μηχανισμό πρόβλεψης όπου αυτά τα δεδομένα λείπουν. Έτσι, η νέα έρευνα μελετά τμήματα δρόμων με παρόμοιους траφικούς μοτίβους, παρόμοια οπτική εμφάνιση και παρόμοια δομή, υποθέτοντας μια προδιάθεση σε συντριμών με βάση αυτές τις ιδιότητες.

Είναι ένα “πυροβολισμός στο σκοτάδι” που φαίνεται να έχει αποκαλύψει θεμελιώδεις δείκτες συντριμών, οι οποίοι θα μπορούσαν να χρησιμοποιηθούν στη σχεδίαση νέων δρομολογίων.

Η εκτίμηση πυκνότητας πυρήνα (KDE) έχει χρησιμοποιηθεί για να υπογραμμίσει ιστορικές περιοχές συντριμών, αποτυγχάνοντας να προβλέψει μελλοντικές περιοχές συντριμών. Στην πάνω αριστερή εικόνα βλέπουμε πού η KDE έχει προβλέψει συντριμούς στην περιοχή με το μπλε πλαίσιο, σε σύγκριση με τις περιοχές όπου οι συντριμές γενικά εντοπίζονται (παράλληλα). Κάτω δεξιά, μια σύγκριση της αποτυχίας της πρόβλεψης της KDE με την ακριβή πρόβλεψη (μπλε πλαίσιο) του συστήματος του MIT.

Οι συγγραφείς σημειώνουν ότι τα δεδομένα τροχιών GPS προσφέρουν πληροφορίες για τη ροή, την ταχύτητα και την πυκνότητα της κυκλοφορίας, ενώ οι δορυφορικές εικόνες της περιοχής προσθέτουν πληροφορίες για τη διάταξη των λωρίδων, τον αριθμό των λωρίδων, καθώς και την ύπαρξη ενός σκληρού ορίου και την παρουσία πεζών.

Ο συνεργάτης συγγραφέας Amin Sadeghi, από το Qatar Computing Research Institute (QCRI) σχολίασε “Το μοντέλο μας μπορεί να γενικευθεί από μια πόλη σε μια άλλη συνδυάζοντας πολλές ενδείξεις από φαινομενικά ασχετά δεδομένα. Αυτό είναι ένα βήμα προς τη γενική IA, επειδή το μοντέλο μας μπορεί να προβλέψει χάρτες συντριμών σε ανεξερεύνητες περιοχές” και συνέχισε “Το μοντέλο μπορεί να χρησιμοποιηθεί για να υποδείξει einen χρήσιμο χάρτη συντριμών ακόμη και στην απουσία ιστορικών δεδομένων συντριμών, το οποίο θα μπορούσε να μεταφραστεί σε θετική χρήση για την πολεοδομική σχεδίαση και την λήψη αποφάσεων με τη σύγκριση φανταστικών σεναρίων”.

Η αρχιτεκτονική του συστήματος πρόβλεψης κυκλοφορίας δημιουργεί einen χάρτη κινδύνου συντριμών με ανάλυση 5 μέτρων, η οποία οι συγγραφείς δηλώνουν ότι είναι κρίσιμη για να διακρίνει διαφορετικούς κινδύνους μεταξύ αυτοκινητοδρόμων και γειτονικών οδών κατοικιών.

Το έργο αξιολογήθηκε σε συντριμές και πλευρικά δεδομένα που καλύπτουν μια περίοδο μεταξύ 2017-18. Οι προβλέψεις έγιναν για το 2019 και το 2020, με πολλές “υψηλού κινδύνου” περιοχές που εμφανίζονται ακόμη και στην απουσία ιστορικών δεδομένων που θα τις προέβλεπαν.

Επιτύχοντας Χρήσιμη Γενίκευση

Η υπερπροσαρμογή είναι ένα κρίσιμο ρίσκο σε ένα σύστημα που τροφοδοτείται από λειψή δεδομένα, ακόμη και όπου, όπως σε αυτή την περίπτωση, υπάρχουν δύο επιπλέον πηγές υποστηρικτικών δεδομένων. Όπου μια συχνότητα είναι χαμηλή, υπερβολικές υποθέσεις μπορούν να εξαχθούν από πολύ λίγα παραδείγματα, οδηγώντας σε einen αλγόριθμο που περιμένει μια πολύ συγκεκριμένη, στενή ζώνη πιθανών περιστάσεων, και ο οποίος θα αποτύχει να αναγνωρίσει ευρύτερες πιθανότητες.

Γι’ αυτό, κατά την εκπαίδευση του μοντέλου, οι ερευνητές τυχαία “έβγαλαν” κάθε πηγή εισόδου με πιθανότητα 20%, ώστε οι περιοχές με λιγότερα (ή κανένα) δεδομένα συντριμών να μπορούν να εξεταστούν καθώς το μοντέλο εκπαιδεύεται προς γενίκευση, και ώστε οι παράλληλες πηγές δεδομένων να μπορούν να ενεργήσουν ως αντιπρόσωπος για λείπων πληροφορίες για οποιαδήποτε μελέτη μιας διασταύρωσης ή τμήματος οδού.

Αξιολόγηση

Το μοντέλο αξιολογήθηκε σε ένα σύνολο δεδομένων που αποτελείται από σχεδόν 7.500 χλμ. αστικής περιοχής σε Βοστώνη, Λος Άντζελες, Σικάγο και Νέα Υόρκη. Το σύνολο δεδομένων οργανώθηκε με τη μορφή 1.872 τμημάτων 2×2 χλμ., κάθε ένα από τα οποία περιείχε δορυφορικές εικόνες από MapBox, με δρόμους που έχουν μασκαρειστεί μέσω δεδομένων από OpenStreetMap. Και οι βασικές εικόνες και οι χάρτες έχουν ανάλυση 0,625 μέτρων.

Τα δεδομένα GPS έρχονται με τη μορφή ενός ιδιωτικού συνόλου δεδομένων που συλλέχθηκαν μεταξύ 2015-17 στις τέσσερις πόλεις, συνολικής απόστασης 7,6 εκατομμυρίων χιλιομέτρων με ρυθμό δειγματοληψίας 1 δευτερόλεπτο.

Το έργο εκμεταλλεύεται 4,2 εκατομμύρια εγγραφές που καλύπτουν το 2016-2020 στο US Accidents Dataset. Κάθε εγγραφή περιλαμβάνει χρονικές σήμανσεις και άλλα μεταδεδομένα.

Τα πρώτα δύο χρόνια ιστορικών δεδομένων τροφοδοτήθηκαν στο μοντέλο, και τα δύο τελευταία χρόνια χρησιμοποιήθηκαν για εκπαίδευση και αξιολόγηση, επιτρέποντας στους ερευνητές να καθορίσουν την ακρίβεια του συστήματος σε δύο χρόνια σε μια σύντομη χρονική περίοδο.

Το σύστημα αξιολογήθηκε με και χωρίς ιστορικά δεδομένα, και βρέθηκε να καταγράφει επιτυχώς την υποκείμενη κατανομή κινδύνου σε όλες τις περιπτώσεις, βελτιώνοντας σημαντικά τις προηγούμενες μεθόδους KDE (βλέπε παραπάνω).

Δρόμοι Εμπρός

Οι συγγραφείς υποστηρίζουν ότι το σύστημα τους μπορεί να εφαρμοστεί σε άλλες χώρες με ελάχιστες αρχιτεκτονικές τροποποιήσεις, ακόμη και σε περιοχές όπου δεν υπάρχουν δεδομένα συντριμών. Επιπλέον, οι συγγραφείς προτείνουν την έρευνά τους ως πιθανή προσθήκη στη σχεδίαση πολεοδομικού σχεδιασμού για νέες αστικές αναπτύξεις.

Ο κύριος συγγραφέας Songtao He σχολίασε για το νέο έργο:

“Καταγράφοντας την υποκείμενη κατανομή κινδύνου που καθορίζει την πιθανότητα μελλοντικών συντριμών σε όλους τους τόπους, και χωρίς κανένα ιστορικό δεδομένο, μπορούμε να βρούμε ασφαλέστερους δρόμους, να ενεργοποιήσουμε εταιρείες ασφάλισης αυτοκινήτου να προσφέρουν εξατομικευμένα σχέδια ασφάλισης με βάση τις τροχιές οδήγησης των πελατών, να βοηθήσουμε τους πολεοδόμους να σχεδιάσουν ασφαλέστερους δρόμους, και ακόμη και να προβλέψουμε μελλοντικές συντριμούς.”

Αν και η μελέτη υποδηλώνει ότι ο κώδικας του συστήματος έχει κυκλοφορήσει στο GitHub, ο σύνδεσμος προς τον κώδικα δεν είναι ενεργός, δεν μπορεί να βρεθεί με αναζήτηση και πιθανότατα θα περιλαμβανθεί σε μια μελλοντική αναθεώρηση.

Η έρευνα έχει δυνατότητα να ενσωματωθεί σε δημοφιλείς εφαρμογές GPS-βασισμένης κυκλοφορίας και πλοήγησης, σύμφωνα με τον Songtao He:

“Εάν οι άνθρωποι μπορούν να χρησιμοποιήσουν τον χάρτη κινδύνου για να αναγνωρίσουν πιθανές περιοχές υψηλού κινδύνου, μπορούν να λάβουν μέτρα εκ των προτέρων για να μειώσουν τον κίνδυνο των ταξιδιών τους. Εφαρμογές όπως το Waze και το Apple Maps έχουν εργαλεία περιστατικών, αλλά προσπαθούμε να προηγηθούμε των συντριμών — πριν συμβούν,”