Ennakoivat ja ehkäisevät metroaseman tragedioita tekoälyllä

Tekoälyjärjestelmä, joka on koulutettu oikean metrovalvontakameran kuvamateriaaliin, väittää pystyvänsä havaitsemaan itsemurhayritysten varoitusmerkit minuutteja ennen tapahtumaa, seuraamalla käyttäytymistä, kuten askelten vaihtelua, viivyttelemistä laiturin reunalla ja useita kertoja tunneliin katsomista.

Machine learning -järjestelmiä on kokeiltu laituritapahtumien valvontajärjestelminä joitakin vuosia, yleensä jonkinlainen suosittu You Only Look Once (YOLO) -kuvaohjelmistosarjan voimalla, joka mahdollistaa skenaariot, joissa jalankulkijat saattavat kaatua, tai rikos voi olla tekeillä, tai laiturialue on yksinkertaisesti liian täynnä (jolloin aseman viranomaiset voivat säännellä pääsyä ja lieventää ongelmaa).

Vuoden 2024 tutkimuksesta ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, jossa kerrotaan, miten YOLOV7 tunnistaa laiturilla olevia matkustajia. Lähde

Rautatieliikenteessä tapahtuneiden itsemurhayritysten tai -onnistumisten määrä on lisääntynyt viimeisten 3-5 vuoden aikana (alueilla kuten Iso-Britannia, Kanada ja Alankomaat), ja kiinnostus koneoppimisjärjestelmiin, joilla voidaan tunnistaa itsemurhaan viittaava käyttäytyminen rautatie- ja metroasemilla, on lisääntynyt.

Kynnyskävijät: esimerkkiaineisto STARR-projektin aineistosta, josta keskustellaan tässä artikkelissa. Lähde

Tutkimuksista, joissa pyritään hyödyntämään tekoälyä itsemurhaan viittaavan käyttäytymisen tunnistamiseksi, ei ole kehittynyt yhtenäistä metodologiaa tai yhteistä lähestymistapaa – ainakin osittain siksi, että näiden järjestelmien menetelmät kehittyvät jatkuvasti, kuten myös psykologinen ja psykiatrinen tietämys, joka antaa näille järjestelmille ymmärrystä.

Uusi kehitys

Nyt Kanadasta saapunut uusi tutkimus tarjoaa tälle tutkimussuunalle muodollisen lähestymistavan, Itsemurhariskin arviointi (SRA), itsemurhayritysten yhteydessä metroasemilla.

Tutkijat, jotka osallistuivat uuteen tutkimukseen, saivat yhteistyössä Montrealin liikennelaitoksen kanssa käyttöönsä 66 todellisen itsemurhayrityksen valvontakameran tallenteen:

Uudesta tutkimuksesta, jossa esitetään kahden kehyksen ennusteita, joista toisessa on todellinen rautatieliikenteen itsemurhayritys ja toisessa ei. Kummankin kuvan molemmilla puolilla on lämpökartta, joka osoittaa vaarallisia ja turvallisia alueita laiturilla, ja jokaisessa tapauksessa henkilön ‘viivytysennakko’ tunnelin suulla, joka tulkitaan historiallisen tiedon perusteella ‘hyppääjien’ taipumusten kautta. Lähde

Vaikka oli tarpeen käsitellä luokkatasapaino, joka ilmenee tällaisessa rajatulla aineistossa, tämä on silti harvinainen aineisto, joka on käytettävissä jollain tasolla; toivottavasti tulevaisuuden hankkeet liikennelaitosten kanssa mahdollistavat useamman maan aineiston, jossa on suurempi määrä esimerkkejä. Kuitenkin ymmärrettävästi hyvin herkkä luonne tällaiselle aineistolle tekee tämän haasteelliseksi.

Alkuperäiset tekijät väittävät, että aloite on ensimmäinen, joka yhdistää moninaiset tehtävät, jotka määrittelevät tämän tavoitteen, ja tuo uuden vertailukohteen metroaseman itsemurhayritystilanteeseen.

Tekijät toteavat:

‘Toisin kuin lähestymistavat, jotka keskittyvät erillisiin alitehtäviin tai yrittävät johtaa aikeita suoraan, meidän muodostelmamme arvioi itsemurhariskiä kertyneistä todisteista sisällyttämällä henkilön seuraamisen, toiminnan tunnistamisen, semanttisen segmentoinnin laiturialueella ja reitinohjatun riskin lämpökartan mallinnuksen.

‘Muodostamalla SRA: n erilliseksi tehtäväksi ja luomalla täydellisen toiminnallisen putken, joka saavuttaa 83,2 %: n ROC-AUC: n todellisilla valvontatiedoilla, tämä työ korostaa itsemurhariskin arvioinnin monimutkaisuutta ja avaa uusia tutkimussuunia tulkittavissa tekoälyjärjestelmissä sosiaaliseen hyväksi.’

Uusi tutkimus on nimeltään Itsemurhariskin arviointi tekoälyvoimaisesta videovalvonnasta: Tulkittava raami ehkäisemiseksi metroasemilla, ja se on neljän tekijän yhteistyötä Université TÉLUQ: n, Polytechnique Montréal: n ja Université du Québec à Montréal: n kanssa.

Menetelmä

Tekijöiden kehys analysoi suoraa valvontavideovirtaa jokaisen seurattavan matkustajan jatkuvasti päivittyvän itsemurhariskiarvion luomiseksi. Yksilöt havaitaan, seurataan ja muunnetaan yksinkertaisiksi ruumiin asennoksi, minkä jälkeen luurangopohjainen toimintatunnistusjärjestelmä tunnistaa toimintoja lyhyiden aikojen kuluessa:

Järjestelmäputki, joka arvioi matkustajan itsemurhariskiä valvontavideosta, näyttää, miten seuraaminen, asennon arviointi, toiminnan tunnistus, laiturin vyöhyke ja reitin lämpökartat yhdistyvät muuttamaan yksittäisten liikkeiden ja käyttäytymisen jatkuvasti päivittyväksi riskiarvioksi kullekin laiturilla olevalle henkilölle.

Laiturialue jaetaan merkityksellisiin vyöhykkeisiin, mikä mahdollistaa liikemallien, kuten toistuvan askelten vaihtelun eri alueiden välillä, havaitsemisen. Matkustajien reitit projisoidaan laiturin kartalle, mikä mahdollistaa lämpökarttojen luomisen, jotka korostavat alueita, jotka ovat usein miehitettyjä tai joissa on korkea riski.

Lopulta järjestelmä vertaa näitä tilastollisia malleja havaittuun käyttäytymiseen ja tuottaa yksilöllisen itsemurhariskiarvion kullekin laiturilla olevalle henkilölle – prosessi, jota tekijät kutsuvat riskinjohtumaksi.

Tekijät käyttivät esikoulutettua YOLOX -toteutusta ihmisen havaitsemiseen järjestelmässään ja totesivat, että sen valmiin tila on täysin käyttökelpoinen tähän tarkoitukseen. ByteTrack -toteutusta käytettiin usean olion seuraamiseen.

Kunkin tällä prosessilla eriytetyn henkilön määritetään oma esikoulutettu HRNet -malli, joka tarjoaa niveltunnistuksen ja 2D-ruumiin avaimen määrittelyn ympyröidyn arvion sisällä, joka määritetään uloimmasta näistä arvioista:

Esimerkkejä niveltunnistuksesta HRNet: llä, jota käytetään uudessa hankkeessa. Lähde

Laiturin liikkeiden arvioinnit videodatasta rakennetaan kumulatiivisiksi kartoiksi, jotka määrittelevät historiallisen liikkeen (ks. ‘laiturin lämpökartat’ edellisen kuvan vieressä).

Uusi järjestelmä sisältää STARR -kehyksen, joka on aiempi työ, joka on suunniteltu arvioimaan itsemurhan todennäköisyyttä laiturialueilla:

Asennon arviointi STARR-kehyksessä. Lähde

Tässä tapauksessa STARR: ia käytetään kolmen matkustajan toiminnan tunnistamiseen: Tunnelin tarkastelu; Kävely; ja Seisaaminen.

Ympäristön kontekstin sisällyttämiseksi järjestelmän laiturin käsitys jaetaan semanttisesti merkityksellisiin vyöhykkeisiin YOLOv8n semanttisen segmentoinnin mallin avulla, joka on koulutettu manuaalisesti merkittyihin laiturin kuviin:

Laiturin semantiikka: zonointiprosessi, jota järjestelmä käyttää laiturin muuntamiseen kolmeen käyttäytymisen kannalta merkitykselliseen alueeseen. Tuloksena olevat seinän lähellä olevat, keltaisen viivan lähellä olevat ja tunnelin lähellä olevat alueet tarjoavat tilastollisen kontekstin, jota käytetään matkustajien liikkeiden ja riskikäyttäytymisen arvioimiseen.

Tuloksena oleva segmentointikartta käytetään laiturin rajojen arvioimiseen ja määrittämiseen kolmea toimialuetta: seinän lähellä oleva alue laiturin seinän lähellä; keltaisen viivan lähellä oleva alue, jossa matkustajat voivat lähestyä laiturin reunaa turvallisesti; ja laiturin kauimmainen alue tunnelin sisäänkäynnin lähellä.

Nämä alueet tarjoavat tilastollisen kontekstin, jota voidaan käyttää käyttäytymisen tunnistamiseen, joka on psykologisissa tutkimuksissa liitetty korkeaan itsemurhariskiin. Erityisesti ne mahdollistavat järjestelmän havaitsemisen toistuvat liikkeet seinän ja keltaisen viivan välillä, sekä pääsyn laiturin kauimmaiseen alueeseen.

Nämä alueet yhdistetään myöhemmin lopulliseen itsemurhariskiarvioon.

Mielenkiintoista on, että tutkimus toteaa, että yksi itsemurhayritysten tunnusmerkki on jättää esine laiturille; kuitenkin tekijät eivät voineet sisällyttää tätä tähän hankkeen versioon, jättäen sen tulevaan työhön.

Laiturin riskikartta

Sen sijaan, että riippuisi vain yhden henkilön käyttäytymisestä, kehys yhdistää myös useiden tunnettujen riskialttiiden tapausten reitin lämpökartat laiturin laajuisen ‘sijainnin riskikartan’ luomiseksi:

Laiturin riskikartan rakentaminen useiden riskialttiiden matkustajien liikkeistä. Alueet, jotka houkuttelevat toistuvasti viivyttelevää, askelten vaihtelua tai muita riskiin liittyviä käyttäytymisen muotoja, tulevat merkittäviksi ja käytetään myöhemmin yhtenä tekijänä lopullisessa riskiarvioinnissa.

Alueet, jotka toistuvasti houkuttelevat pitkäaikaista oleskelua, nousevat korkeampiin riskialueisiin, kun taas alueet, jotka liittyvät lyhytaikaiseen tai harvinaiseen vierailuihin, säilyttävät alhaisemman riskin. Tuloksena oleva sijainnin riskipistemäärä tulee yhdeksi lopullisen itsemurhariskiarvion syötteeksi.

Lopullinen riskipistemäärä perustuu kahdeksaan indikaattoriin, jotka kertyvät ajan kuluessa: sijainnin riskipistemäärä, joka johtuu laiturin lämpökartasta; onko matkustaja kävellyt tai seissyt keltaisella viivalla; keltaisen viivan ylittämisen määrä; keltaisella viivalla vietetty kokonaisaika; pisin keskeytymätön aika keltaisella viivalla; toistuva edestakainen liike seinän ja keltaisen viivan välillä; toistuva suuntautuminen tunneliin; ja pääsy tunnelin lähelle.

Nämä käyttäytymiseen ja tilaan liittyvät signaalit yhdistetään XGBoost -mallin avulla, joka tuottaa jatkuvasti päivittyvän itsemurhariskiarvion kullekin laiturilla olevalle henkilölle.

Tiedot ja testit

Testit suoritettiin Société de transport de Montréal (STM) -yhtiön toimittamilla valvontakameran tallenteilla, jotka koostuivat 66 viiden minuutin tallenteesta, jotka oli otettu ennen todellisia itsemurhayrityksiä, sekä 56 vertailutallenteista samoilta kameroilta, samoilta ajoilta, jolloin itsemurhayritystä ei tapahtunut.

Psykologian ja itsemurhakäyttäytymisen asiantuntijoiden avustuksella yksilöitä merkittiin sen mukaan, olivatko he osallistuneet riskialttiiseen tai vertailuryhmään, mikä tuotti aineiston 256 yksilöllä, joista 66 liittyi itsemurhayrityksiin ja 190 vertailuryhmään.

Jotta voidaan estää tietojen vuotaminen, kaikki samasta tallenteesta poistetut yksilöt määritettiin samalle aineiston jakoon, josta 75 % käytettiin koulutukseen ja 25 % pidettiin testaamiseen, säilyttäen tasapainon riskialttiisten ja vertailuryhmien välillä.

XGBoost-luokittelija koulutettiin 300 vahvistusiteraatiolla, 0,05: n oppimisnopeudella, jossa oli alijoukkoinen otanta sekä koulutusinstansseista että ominaisuuksista, jotta parannetaan yleistettävyyttä. Koska aineistossa on huomattavasti enemmän vertailuryhmiä kuin riskialttiisia tapauksia, koulutusprosessi korjasi tämän antamalla enemmän painoa vähemmistöluokalle.

Suorituskyky arvioitiin pääasiassa Vastaanottajan toimintakäyrän alueen (ROC-AUC) avulla, joka mittaa, miten tehokkaasti järjestelmä erottaa riskialttiiset ja vertailuryhmät.

Lisäksi arvioitiin herkkyyttä, joka mittaa oikein tunnistettujen riskialttiisten tapausten määrää; spesifisyyttä, joka mittaa oikein tunnistettujen vertailuryhmien määrää; virheellisen positiivisen tapausten määrää, joka heijastaa väärä hälytyksiä (FPR); ja virheellisen negatiivisen tapausten määrää, joka heijastaa puuttuvia havaintoja (FNR). Tietoisesti alhainen päätöskynnys otettiin käyttöön, jotta voidaan priorisoida riskialttiisten tilanteiden varhainen tunnistaminen:

Itsemurhariskin arviointikehys neljällä konfiguraatiolla, joissa vertaillaan ground truth -avustettuja, ylärajaa ja täysin automaattisia versioita ROC-AUC: n, herkkyyden, spesifisyyden, virheellisen positiivisen ja puuttuvan havainnon osalta – ja näyttää, miten ground truth -merkintöjen korvaaminen automaattisilla havainnoilla, seuraamisella ja toiminnan tunnistamisella vaikuttaa suorituskykyyn.

Kuten edellä olevasta taulukosta voidaan nähdä, täysin automaattinen järjestelmä saavutti 0,832: n ROC-AUC: n, kun taas ground truth -merkintöjen korvaaminen automaattisilla havainnoilla ja seuraamisella paransi suorituskykyä 0,919: ksi.

Automaattisen toiminnan tunnistusmoduulin korvaaminen tuotti pienemmän hyödyn, joka nosti ROC-AUC: n 0,893: ksi. Korkein pistemäärä, 0,924, saavutettiin, kun kaikki syötteet saatiin ground truth -merkinnöistä, mikä viittaa siihen, että havainnon, seuraamisen ja aliraportoinnin virheet ovat edelleen pääasialliset virhelähteet tässä putkessa.

Koulutetun XGBoost-mallin analyysi osoitti, että suora vuorovaikutus keltaisen viivan kanssa oli yksi vahvimmista ennustajista korkealle riskille, seurattuna keltaisen viivan ylittämisen määrällä ja toistuvalla edestakaisella liikkeellä laiturin vyöhykkeiden välillä. Aika keltaisella viivalla ja sijainnin riskipistemäärä vaikuttivat myös merkittävästi, kun taas tunneliin suunnattu huomio ja pääsy laiturin kauimmaiseen alueeseen tarjosivat lisäksi vähäisemmän, mutta edelleen tärkeän signaalin.

Palatessaan laadullisiin tuloksiin, joita esiteltiin aiemmin, kehys antoi korkeat riskipistemäärät henkilöille, jotka myöhemmin liittyivät itsemurhayrityksiin, kun taas läheiset vertailuryhmät saivat huomattavasti alhaisempia arvioita:

Kuten aiemmin artikkelissa nähtiin, laadulliset tulokset, jotka esitetään tutkimuksessa, sisältävät kahden kuvan ennusteita valvontatiedoista, joissa on lämpökartat kummankin kuvan vieressä, jotka osoittavat oleskelun ja muiden laituritoimintojen sijainnin.

Yhdessä tapauksessa riskipistemäärä 0,98 liittyi pitkäaikaiseen oleskeluun keltaisella viivalla ja alueiden miehitykseen, jotka laiturin lämpökartassa määriteltiin korkeaksi riskiksi. Toisessa tapauksessa riskialtis henkilö sai pistemäärän 0,92, kun taas läheiset vertailuryhmät saivat huomattavasti alhaisempia arvioita.

Tekijöiden mukaan nämä eroavaisuudet johtuvat useiden indikaattoreiden kertymästä, eikä yksittäisestä käyttäytymisestä. Keltaisen viivan toistuva ylittäminen, tunneliin suunnattu huomio ja pitkäaikainen oleskelu korkean riskin alueilla laiturilla kaikki vaikuttavat korkeaan riskiarvioon.

Tekijät toteavat:

‘Lisäksi suorituskyvystä, tutkimuksemme korostaa tulkittavuutta, osoittaen, että riskiarviot perustuvat intuitiivisiin indikaattoreihin, jotka ovat linjassa vakiintuneiden käyttäytymiseen ja tilaan liittyvien riskitekijöiden kanssa.

‘Tämä asettaa ehdotetun kehyksen merkittäväksi sillaksi tekoälypohjaisen valvontajärjestelmän ja monitieteisen itsemurhien ehkäisemistutkimuksen välillä.’

Johtopäätös

Henkilökohtaisesti on yhä harvinaisempaa löytää tekoälytutkimus, joka on arvokas ja josta ei ole helppo löytää kiistanalaista aihepiiriä, koska on vaikea kiistää tämänkaltaisten hankkeiden tavoitteiden arvoa.

Praktisesti ottaen pään pieni koko kuvassa ja koko henkilön suhteellisen pieni näyttötila tällaisessa skenaariossa tekevät siitä hyvin haasteellisen määritellä, onko yksilö usein katsomassa tunneliin – yksi itsemurhayritysten varoitusmerkeistä.

Kuten aina valvontainfrastruktuuriin liittyvissä hankkeissa, tämä näyttää olevan ongelma resursseista ja resoluutiosta: jos laiturilla olisi useampi kamera useammilla paikoilla, mukaan lukien yksi, joka kattaa tunnelin sisäänkäynnin (ts. tunnelin puolelta, josta metrojunat yllättäen ilmestyvät), olisi mahdollista käyttää joitakin kehittyviä kehyksiä katseensuunnan määrittämiseksi. Kuten se nyt on, tämä työ perustuu koko kehon suunnan arviointiin sen sijaan, että yksilö katsoo tunneliin.

Lopulta ongelma on budjettikysymys, ainakin rautatieliikenteen infrastruktuurin osalta; jos kaikilla laiturilla olisi esteitä ja portteja – ominaisuuksia, jotka ovat harvinaisia Lontoon metroasemilla ja maailman muiden kaupunkien metroverkoissa – laiturit eivät tarjoaisi mahdollisuuksia itsevahingoittumiselle.

Todennäköisesti lisääntynyt valvonta on halvempi vaihtoehto, ja varhainen tunnistaminen itsevahingoittumisen ominaispiirteistä voisi mahdollistaa suoran puuttumisen ennen traagisia tapahtumia.

Julkaistu ensimmäisen kerran tiistaina 9. kesäkuuta 2026