Prédiction d’accidents par IA à partir d’images satellites et de données GPS

Les chercheurs du MIT et du Qatar Center for Artificial Intelligence ont développé un système d’apprentissage automatique qui analyse des images satellites haute résolution, des coordonnées GPS et des données historiques sur les accidents pour cartographier les sections de réseaux routiers potentiellement accidentogènes, en prédisant avec succès les “points chauds” d’accidents où aucune autre donnée ou méthode précédente ne les indiquerait.

À droite, les points chauds d’accidents prédictifs émergent de la combinaison de trois sources de données. Les zones soulignées en cercles sont des prédictions de ‘haut risque’ qui n’ont en fait aucune histoire d’accidents. Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Le système offre des prédictions audacieuses pour les zones du réseau routier qui sont susceptibles de devenir des points noirs, même lorsque ces zones n’ont aucune histoire d’accidents. En testant le système sur des données couvrant quatre ans, les chercheurs ont constaté que leurs prédictions pour ces zones potentielles de danger sans histoire d’accidents se sont avérées exactes au fil des ans.

L’article nouveau s’intitule Inférer des cartes de risque d’accidents de trafic haute résolution basées sur des images satellites et des trajectoires GPS. Les auteurs prévoient des utilisations pour la nouvelle architecture au-delà de la prédiction d’accidents, en supposant qu’elle pourrait être appliquée à des cartes de risque d’urgence 911 ou à des systèmes pour prédire la probabilité de demande de taxis et de services de covoiturage.

Les efforts antérieurs similaires ont tenté de créer des prédicteurs d’incidents similaires à partir de cartes à basse résolution avec un biais élevé, ou de tirer parti de la fréquence des accidents comme clé, ce qui a conduit à des prédictions inexactes et à haute variance. Au lieu de cela, le nouveau projet, qui couvre quatre grandes villes américaines totalisant 7 488 kilomètres carrés, surpasse ces schémas antérieurs en combinant des formes de données plus diverses.

Données éparses

Le problème auquel sont confrontés les chercheurs est celui des données éparses – de très grands volumes d’accidents seront inévitablement remarqués et traités sans besoin d’analyse de machine, mais des corrélations plus subtilement dangereuses sont difficiles à identifier.

Les systèmes de prédiction d’accidents précédents se concentrent sur l’estimation de Monte Carlo des données historiques sur les accidents et ne peuvent fournir aucun mécanisme de prédiction efficace lorsque ces données font défaut. Par conséquent, la nouvelle recherche étudie les sections de réseaux routiers avec des modèles de trafic similaires, une apparence visuelle similaire et une structure similaire, en déduisant une disposition aux accidents en fonction de ces caractéristiques.

C’est un “coup de chance” qui semble avoir découvert des indicateurs d’accidents fondamentaux, qui pourraient être utilisés dans la conception de nouveaux réseaux routiers.

L’estimation de la densité du noyau (KDE) a été utilisée pour mettre en évidence les points chauds d’accidents de trafic historiques, sans parvenir à prédire les emplacements futurs des accidents. Dans l’image du haut à gauche, nous voyons où la KDE a prédit des accidents dans la région de la boîte bleue, par rapport à l’endroit où les accidents se sont généralement produits (à côté). En bas à droite, une comparaison de l’échec de la prédiction de la KDE par rapport à la prédiction précise (boîte bleue) du système du MIT.

Les auteurs notent que les données de trajectoire GPS offrent des informations sur le flux, la vitesse et la densité du trafic, tandis que les images satellites de la zone ajoutent des informations sur la disposition des voies, le nombre de voies, ainsi que l’existence d’un accotement et la présence de piétons.

L’auteur contributeur Amin Sadeghi, du Qatar Computing Research Institute (QCRI) a commenté “Notre modèle peut généraliser d’une ville à une autre en combinant plusieurs indices provenant de sources de données apparemment sans rapport. C’est un pas vers l’IA générale, car notre modèle peut prédire des cartes de risque d’accidents dans des territoires inexplorés.” et a poursuivi “Le modèle peut être utilisé pour déduire une carte de risque d’accidents utile même en l’absence de données historiques sur les accidents, ce qui pourrait se traduire par un usage positif pour la planification urbaine et la prise de décision politique en comparant des scénarios imaginaires”.

L’architecture du système de prédiction de trafic génère une carte de risque d’accidents à une résolution de 5 mètres, que les auteurs déclarent être critique pour distinguer les différents risques entre les routes à grande vitesse et les routes résidentielles adjacentes.

Le projet a été évalué sur des accidents et des données latérales couvrant une période allant de 2017 à 2018. Des prédictions ont ensuite été faites pour 2019 et 2020, avec plusieurs emplacements à “haut risque” émergeant même en l’absence de toute donnée historique qui aurait normalement prédit cela.

Atteindre une généralisation utile

La suradaptation est un risque critique dans un système alimenté par des données éparses, même lorsque, comme dans ce cas, il existe deux sources de données supplémentaires. Lorsqu’un incident est rare, des hypothèses excessives peuvent être tirées de trop peu d’exemples, conduisant à un algorithme qui s’attend à une bande de circonstances très particulière et étroite, et qui échouera à identifier des probabilités plus larges.

Par conséquent, lors de la formation du modèle, les chercheurs ont aléatoirement “supprimé” chaque source d’entrée avec une probabilité de 20 %, de sorte que les zones avec moins (ou aucune) donnée sur les accidents puissent être considérées comme le modèle se forme vers la généralisation, et de sorte que les sources de données parallèles puissent agir comme un proxy représentatif pour les informations manquantes pour toute étude d’une intersection ou d’une section de route.

Évaluation

Le modèle a été testé sur un ensemble de données comprenant près de 7 500 km de zone urbaine à Boston, Los Angeles, Chicago et New York. L’ensemble de données a été organisé sous la forme de 1 872 tuiles de 2 km x 2 km, chacune contenant des images satellites de MapBox, avec une segmentation routière masquée via des données d’OpenStreetMap. Les images de base et les cartes de segmentation ont une résolution de 0,625 mètre.

Les données GPS proviennent d’un ensemble de données propriétaires collectées entre 2015 et 2017 sur les quatre villes, totalisant 7,6 millions de kilomètres de trajectoires GPS à un taux d’échantillonnage de 1 seconde.

Le projet exploite également 4,2 millions d’enregistrements couvrant 2016-2020 dans l’ensemble de données US Accidents Dataset. Chaque enregistrement comprend des horodatages et d’autres métadonnées.

Les deux premières années de données historiques ont été fournies au modèle, et les deux dernières années ont été utilisées pour la formation et l’évaluation, permettant aux chercheurs d’établir l’exactitude du système sur deux ans dans un court laps de temps.

Le système a été testé avec et sans données historiques, et a été trouvé pour capturer avec succès la distribution sous-jacente de risque dans tous les cas, améliorant notamment les méthodes basées sur la KDE (voir ci-dessus).

Routes vers l’avant

Les auteurs soutiennent que leur système peut être appliqué à d’autres pays avec peu de modifications architecturales, même dans les endroits où les données sur les accidents ne sont pas disponibles. De plus, les auteurs proposent leur recherche comme un éventuel complément à la conception de la planification urbaine pour les nouveaux développements urbains.

L’auteur principal Songtao He a commenté sur le nouveau travail:

“En capturant la distribution de risque sous-jacente qui détermine la probabilité de futurs accidents à tous les endroits, et sans aucune donnée historique, nous pouvons trouver des itinéraires plus sûrs, permettre aux compagnies d’assurance auto de fournir des plans d’assurance personnalisés en fonction des trajectoires de conduite des clients, aider les urbanistes à concevoir des routes plus sûres, et même prédire les accidents futurs.”

Bien que l’article indique que le code du système a été publié sur GitHub, le lien vers le code n’est pas actif, ne peut pas être trouvé par une recherche et sera probablement inclus dans une révision ultérieure.

La recherche a le potentiel d’être intégrée dans des applications de navigation GPS grand public et des planificateurs d’itinéraire, selon Songtao He:

“Si les gens peuvent utiliser la carte de risque pour identifier les segments de route potentiellement à haut risque, ils peuvent prendre des mesures à l’avance pour réduire le risque des déplacements qu’ils effectuent. Des applications comme Waze et Apple Maps ont des outils de fonctionnalités d’incident, mais nous essayons de devancer les accidents – avant qu’ils ne se produisent,”