Tekoäly ennustaa onnettomuusalueita satelliittikuvista ja GPS-tiedosta

Tutkijat MIT:stä ja Qatarin tekoälykeskuksesta ovat kehittäneet tekoälyjärjestelmän, joka analysoi korkearesoluutioisia satelliittikuvia, GPS-koordinaatteja ja historiallisia onnettomuustietoja, jotta voisi kartoittaa mahdollisia onnettomuusalueita tieliikenneverkoissa. Järjestelmä on onnistuneesti ennustanut onnettomuusalueita, joissa ei ole aiemmin ollut onnettomuuksia.

Keskellä oikealla, ennustetut onnettomuusalueet nousevat kolmen tietolähteen yhdistelmästä. Ympyröiden korostamat alueet ovat ‘korkean riskin’ ennusteita, joilla ei ole historiallista onnettomuutta. Lähde: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Järjestelmä tarjoaa rohkeita ennusteita alueista, jotka ovat todennäköisesti tulevaisuudessa onnettomuusalueita, vaikka niillä ei ole aiemmin ollut onnettomuuksia. Tutkijat testasivat järjestelmää neljän vuoden ajan, ja heidän ennusteensa “ei-historiallisista” potentiaalisista onnettomuusalueista toteutuivat myöhemmissä vuosissa.

Uusi tutkimus on nimeltään Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Tutkijat ennustavat, että uusi arkkitehtuuri voidaan soveltaa myös muihin kohteisiin, kuten 911-päivystyskarttoihin tai taksien ja ride-share-palvelujen kysyntäennusteisiin.

Aiemmat vastaavat yritykset ovat yrittäneet luoda vastaavia ennustimia matalaresoluutioisista kartoista suurella harhalla tai hyödyntää onnettomuusfrekvenssiä avainmuuttujana, mikä johti korkean vaihtelun ja epätarkkoihin ennusteisiin. Sen sijaan uusi projekti, joka kattaa neljä suurta Yhdysvaltain kaupunkia, yhteensä 7 488 neliökilometriä, ylittää nämä aiemmat suunnitelmat yhdistämällä monipuolisempia tietolähteitä.

Harva tieto

Tutkijoiden ongelmana on harva tieto – erittäin suuret määrät onnettomuuksia havaitaan ja korjataan ilman tekoälyanalytiikkaa, mutta hienovaraisemmat vaaralliset korrelaatiot ovat vaikeita havaitsemaan.

Aiemmat onnettomuusennustejärjestelmät perustuvat Monte Carlo -estimointiin historiallisista onnettomuustiedoista, eivätkä ne voi tarjota tehokasta ennustemekanismia, kun tällaista tietoa ei ole. Sen sijaan uusi tutkimus tutkii tieliikenneverkon osia, joilla on samanlaiset liikennemallit, visuaalinen ulkonäkö ja rakenne, ja se johtaa onnettomuusriskiin perustuen näihin ominaisuuksiin.

Se on “ampuminen pimeään”, joka näyttää paljastaneen perustavanlaatuisia onnettomuusmerkkiä, joita voidaan hyödyntää uusien tieliikenneverkkojen suunnittelussa.

Kernel Density Estimation (KDE) on käytetty korostamaan historiallisia liikenneonnettomuusalueita, mutta se ei pysty ennustamaan tulevia onnettomuuksia. Ylävasemmalla olevassa kuvassa nähdään, missä KDE on ennustanut onnettomuuksia sinisessä ruudussa, verrattuna siihen, missä onnettomuudet yleensä sijaitsevat (vieressä). Alhaalla oikealla on vertailu KDE:n ennustusvirheestä MIT-järjestelmän tarkkaan ennusteeseen (sininen ruutu).

Tutkijat toteavat, että GPS-reittitiedot tarjoavat tietoa liikenteen virtauksesta, nopeudesta ja tiheydestä, kun taas satelliittikuvat alueesta lisäävät tietoa kaistojen määrästä, kaistojen lukumäärästä, ajoradan olemassaolosta ja jalankulkijoiden läsnäolosta.

Autori Amin Sadeghi, Qatar Computing Research Institutesta (QCRI), kommentoi “Malli voi yleistää yhdistämällä useita vihjeitä näennäisesti ei-liittyvistä tietolähteistä. Tämä on askel kohti yleistä tekoälyä, koska mallimme voi ennustaa onnettomuuskarttoja tutkimattomilla alueilla” ja jatkoi “Mallia voidaan käyttää myös ennustamaan hyödyllinen onnettomuuskartta, vaikka historiallista onnettomuustietoa ei ole, mikä voisi johtaa positiiviseen käyttöön kaupunkisuunnittelussa ja päätöksenteossa vertaamalla kuvitteellisia skenaarioita”.

Liikenteen ennustusjärjestelmän arkkitehtuuri tuottaa 5-metrisen resoluution onnettomuusaluekartan, jonka tutkijat toteavat olevan kriittinen erottamaan eri riskejä maantie- ja asuinalueiden välillä.

Tutkimus arvioitiin onnettomuuksista ja sivutietoja koskevassa aineistossa, joka kattoi vuosien 2017-2018 ajan. Ennusteet tehtiin vuosille 2019 ja 2020, ja useita “korkean riskin” alueita ilmaantui, vaikka niillä ei ollut aiempaa historiallista tietoa, joka olisi normaalisti ennustanut näin.

Saavuttaminen hyödyllinen yleistyminen

Ylioppiminen on kriittinen riski järjestelmässä, joka perustuu harvaan tietoon, vaikka siinä on kaksi muuta tietolähdettä. Kun tapahtuma on harvinainen, liian monia oletuksia voidaan tehdä liian vähäisistä esimerkeistä, mikä johtaa algoritmiin, joka odottaa erittäin tiettyä, kapeaa mahdollisten olosuhteiden kaistaa, ja joka epäonnistuu tunnistamaan laajemmat todennäköisyydet.

Sen vuoksi tutkijat poistivat satunnaisesti jokaisen syötteen 20 prosentin todennäköisyydellä, jotta alueet, joilla on vähemmän (tai ei ollenkaan) onnettomuustietoa, voidaan ottaa huomioon, kun malli koulutetaan yleistymään, ja jotta rinnakkaisten tietolähteiden voidaan toimia edustavana edustajana puuttuvan tiedon korvikkeena minkä tahansa risteyskohtaan tai tieliikenneverkon osaan.

Arviointi

Malli testattiin aineistolla, joka kattoi lähes 7 500 kilometrin kaupunkialueen Bostonissa, Los Angelesissa, Chicagossa ja New Yorkissa. Aineisto järjestettiin 1 872 2 km x 2 km ruutuun, joista kussakin on satelliittikuvat MapBoxista, ja tien segmentointi on maskattu OpenStreetMapin tiedoilla. Sekä peruskuva että segmentointikartat ovat 0,625 metrin resoluutiolla.

GPS-tiedot ovat muodossa, joka on kerätty omistajan datasetistä vuosina 2015-2017 neljässä kaupungissa, yhteensä 7,6 miljoonaa kilometriä GPS-reittejä yhden sekunnin näytteistysnopeudella.

Tutkimus hyödyntää myös 4,2 miljoonaa tietoa, jotka kattavat vuodet 2016-2020 US Accidents Dataset -tietokannassa. Jokainen tietue sisältää aikaleimat ja muita metatietoja.

Ensimmäiset kaksi vuotta historiallista tietoa syötettiin malliin, ja viimeiset kaksi vuotta käytettiin koulutukseen ja arviointiin, mikä mahdollisti tutkijoiden vahvistaa järjestelmän tarkin järjestelmän tarkin yli kahden vuoden ajan lyhyessä ajassa.

Järjestelmä testattiin sekä ilman historiallista tietoa että sen kanssa, ja se todettiin onnistuneesti kaapanneen perustavanlaatuisen riskijakauman kaikissa tapauksissa, ja se paransi aiempia KDE-pohjaisia menetelmiä (ks. yllä).

Tietä eteenpäin

Tutkijat väittävät, että heidän järjestelmänsä voidaan soveltaa muihin maihin vähäisin arkkitehtonisin muutoksin, jopa paikkoihin, joissa onnettomuustietoja ei ole. Lisäksi tutkijat ehdottavat tutkimustaan mahdollisena liitteenä kaupunkisuunnittelun suunnittelussa uusille kaupunkikehityksille.

Pääkirjoittaja Songtao He kommentoi uudesta tutkimuksesta:

“Koska voimme havaita perustavanlaatuisen riskijakauman, joka määrää tulevien onnettomuuksien todennäköisyyden kaikissa paikoissa, ja ilman historiallista tietoa, voimme löytää turvallisempia reittejä, mahdollistaa vakuutusyhtiöille räätälöityjä vakuutussuunnitelmia asiakkaiden ajo-uraa koskevien tietojen perusteella, auttaa kaupunkisuunnittelijoita suunnittelemaan turvallisempia teitä, ja jopa ennustaa tulevia onnettomuuksia.”

Vaikka tutkimus osoittaa, että järjestelmän koodi on julkaistu GitHubissa, koodin linkki ei ole aktiivinen, eikä sitä voida löytää haulla, ja se ilmestyy todennäköisesti myöhemmässä versiossa.

Tutkimuksella on potentiaalia sisällyttää suosittuihin kuluttajaluokan GPS-pohjaisiin liikenne-sovelluksiin ja reittiohjelmiin, Songtao Hen mukaan:

“Jos ihmiset voivat käyttää riskikarttaa potentiaalisten korkean riskin tieliikennealueiden tunnistamiseen, he voivat tehdä etukäteen toimia vähentämään riskiä matkoillaan. Sovellukset kuten Waze ja Apple Maps ovat tapahtumien ominaisuuksia, mutta yritämme päästä eteenpäin onnettomuuksista – ennen kuin ne tapahtuvat,”