La IA predice puntos calientes de accidentes a partir de imágenes satelitales y datos de GPS

Investigadores del MIT y el Centro de Inteligencia Artificial de Catar han desarrollado un sistema de aprendizaje automático que analiza imágenes satelitales de alta resolución, coordenadas GPS y datos históricos de accidentes para cartografiar posibles secciones propensas a accidentes en las redes de carreteras, logrando predecir con éxito “puntos calientes” de accidentes donde ningún otro dato o método anterior lo indicaría.

A la derecha, los puntos calientes de accidentes predictivos emergen de la recopilación de tres fuentes de datos. Las áreas resaltadas en círculos son predicciones de ‘alto riesgo’ que en realidad no tienen antecedentes de accidentes. Fuente: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

El sistema ofrece predicciones audaces para áreas en una red de carreteras que probablemente se conviertan en puntos negros de accidentes, incluso donde esas áreas no tienen antecedentes de accidentes. Al probar el sistema con datos que cubren cuatro años, los investigadores encontraron que sus predicciones para estas zonas potenciales de peligro de accidentes sin antecedentes se cumplieron con los eventos en años posteriores.

El nuevo artículo se titula Infiriendo mapas de riesgo de accidentes de tráfico de alta resolución basados en imágenes satelitales y trayectorias GPS. Los autores predicen usos para la nueva arquitectura más allá de la predicción de accidentes, hipotetizando que podría aplicarse a mapas de riesgo de emergencia 911 o sistemas para predecir la probabilidad de demanda de taxis y proveedores de viajes compartidos.

Los esfuerzos anteriores han intentado crear predictores de incidentes similares a partir de mapas de baja resolución con alto sesgo, o aprovechar la frecuencia de accidentes como clave, lo que llevó a predicciones inexactas y de alta variabilidad. En cambio, el nuevo proyecto, que cubre cuatro ciudades importantes de EE. UU. que totalizan 7.488 kilómetros cuadrados, supera estos esquemas anteriores al recopilar formas más diversas de datos.

Datos escasos

El problema que enfrentan los investigadores es la escasez de datos – inevitablemente, grandes volúmenes de accidentes serán notados y abordados sin la necesidad de análisis de máquina, pero las correlaciones peligrosas más sutiles son difíciles de identificar.

Los sistemas anteriores de predicción de accidentes se centran en la estimación de Monte Carlo de los datos históricos de accidentes, y no pueden proporcionar un mecanismo de predicción efectivo donde estos datos son escasos. Por lo tanto, la nueva investigación estudia secciones de la red de carreteras con patrones de tráfico similares, apariencia visual similar y estructura similar, infiriendo una disposición a accidentes basada en estas características.

Es un “tiro en la oscuridad” que parece haber descubierto indicadores fundamentales de accidentes, que podrían utilizarse en el diseño de nuevas redes de carreteras.

La estimación de densidad del núcleo (KDE) se ha utilizado para resaltar los puntos calientes históricos de accidentes de tráfico, fallando al predecir las ubicaciones de accidentes futuros. En la imagen superior izquierda, vemos dónde KDE ha predicho accidentes en la región del cuadro azul, versus dónde los accidentes se localizaron generalmente (adyacente). Abajo a la derecha, una comparación de la falla de la predicción de KDE con la predicción precisa (cuadro azul) del sistema del MIT.

Los autores señalan que los datos de trayectoria GPS ofrecen información sobre el flujo, la velocidad y la densidad del tráfico, mientras que las imágenes satelitales del área agregan información sobre la disposición de los carriles, el número de carriles, así como la existencia de un arcén y la presencia de peatones.

El autor colaborador Amin Sadeghi, del Instituto de Investigación de Computación de Catar (QCRI) comentó “Nuestro modelo puede generalizar desde una ciudad a otra combinando múltiples pistas de fuentes de datos aparentemente no relacionadas. Esto es un paso hacia la IA general, porque nuestro modelo puede predecir mapas de accidentes en territorios no cartografiados” y continuó “El modelo se puede utilizar para inferir un mapa de accidentes útil incluso en ausencia de datos históricos de accidentes, lo que podría traducirse en un uso positivo para la planificación urbana y la toma de decisiones políticas al comparar escenarios imaginarios”.

La arquitectura del sistema de predicción de tráfico genera un mapa de riesgo de accidentes a una resolución de 5 metros, que los autores afirman es crítica para distinguir diferentes riesgos entre carreteras y caminos residenciales adyacentes.

El proyecto se evaluó en accidentes y datos laterales que cubrían un período entre 2017-18. Luego se realizaron predicciones para 2019 y 2020, con varias ubicaciones de “alto riesgo” que surgieron incluso en ausencia de cualquier dato histórico que normalmente predeciría esto.

Logrando una generalización útil

El sobreajuste es un riesgo crítico en un sistema alimentado por datos escasos, incluso donde, como en este caso, hay dos fuentes adicionales de datos de apoyo. Donde la incidencia es baja, se pueden extraer suposiciones excesivas de demasiados ejemplos, lo que lleva a un algoritmo que espera una banda muy particular y estrecha de circunstancias posibles, y que fallará al identificar probabilidades más amplias.

Por lo tanto, al entrenar el modelo, los investigadores “dejaron caer” aleatoriamente cada fuente de entrada con una probabilidad del 20%, para que las áreas con menos (o ningún) dato de accidentes puedan ser consideradas a medida que el modelo se entrena hacia la generalización, y para que las fuentes de datos paralelas puedan actuar como un proxy representativo para la información que falta para cualquier estudio de una intersección o sección de carretera.

Evaluación

El modelo se probó en un conjunto de datos que comprende casi 7.500 km de área urbana en Boston, Los Ángeles, Chicago y Nueva York. El conjunto de datos se organizó en forma de 1.872 mosaicos de 2 km x 2 km, cada uno que contiene imágenes satelitales de MapBox, con segmentación de carreteras enmascarada a través de datos de OpenStreetMap. Tanto las imágenes de base como los mapas de segmentación tienen una resolución de 0,625 metros.

Los datos de GPS provienen en forma de un conjunto de datos propietario recopilado entre 2015-17 en las cuatro ciudades, totalizando 7,6 millones de kilómetros de trayectorias GPS a una tasa de muestreo de 1 segundo.

El proyecto también explota 4,2 millones de registros que cubren 2016-2020 en el conjunto de datos de accidentes de EE. UU.. Cada registro incluye marcas de tiempo y otros metadatos.

Los dos primeros años de datos históricos se alimentaron al modelo, y los dos últimos años se utilizaron para el entrenamiento y la evaluación, lo que permitió a los investigadores establecer la precisión del sistema durante dos años en un corto período de tiempo.

El sistema se probó con y sin datos históricos, y se encontró que capturó con éxito la distribución subyacente de riesgo en todos los casos, mejorando notablemente los métodos anteriores basados en KDE (ver arriba).

Camino adelante

Los autores sostienen que su sistema se puede aplicar a otros países con poca modificación arquitectónica, incluso en lugares donde no están disponibles los datos de accidentes. Además, los autores proponen su investigación como un posible complemento al diseño de planificación urbana para nuevos desarrollos urbanos.

El autor principal Songtao He comentó sobre el nuevo trabajo:

“Al capturar la distribución subyacente de riesgo que determina la probabilidad de accidentes futuros en todos los lugares, y sin datos históricos, podemos encontrar rutas más seguras, permitir que las compañías de seguros de automóviles ofrezcan planes de seguros personalizados basados en las trayectorias de conducción de los clientes, ayudar a los planificadores urbanos a diseñar carreteras más seguras, y incluso predecir accidentes futuros.”

Aunque el artículo indica que el código del sistema se ha publicado en GitHub, el enlace al código no está activo, no se puede encontrar mediante una búsqueda y presumiblemente se incluirá en una revisión posterior.

La investigación tiene el potencial de incorporarse en aplicaciones de tráfico basadas en GPS de consumo popular y planificadores de rutas, según Songtao He:

“Si las personas pueden utilizar el mapa de riesgo para identificar posibles segmentos de carreteras de alto riesgo, pueden tomar medidas de antemano para reducir el riesgo de los viajes que realizan. Aplicaciones como Waze y Apple Maps tienen herramientas de incidentes, pero estamos tratando de anticiparnos a los accidentes —antes de que ocurran,”