एआई सैटेलाइट इमेजरी और जीपीएस डेटा से दुर्घटना हॉट-स्पॉट की भविष्यवाणी करता है

एमआईटी और कतर केंद्र के लिए कृत्रिम बुद्धिमत्ता के शोधकर्ताओं ने एक मशीन लर्निंग सिस्टम विकसित किया है जो उच्च-रिज़ॉल्यूशन सैटेलाइट इमेजरी, जीपीएस कोऑर्डिनेट और ऐतिहासिक दुर्घटना डेटा का विश्लेषण करता है ताकि सड़क नेटवर्क में संभावित दुर्घटना-प्रवण अनुभागों को मैप किया जा सके, सफलतापूर्वक दुर्घटना ‘हॉट स्पॉट’ की भविष्यवाणी की जा सके जहां कोई अन्य डेटा या पिछले तरीके से इसकी भविष्यवाणी नहीं की जा सकती है।

मध्य दाएं, भविष्य कहने वाले दुर्घटना हॉट-स्पॉट तीन स्रोतों के डेटा को एकत्रित करने से उभरते हैं। वृत्त में हाइलाइट किए गए क्षेत्र ‘उच्च जोखिम’ की भविष्यवाणी हैं जो वास्तव में कोई ऐतिहासिक दुर्घटना इतिहास नहीं है। स्रोत: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

सिस्टम सड़क नेटवर्क के उन क्षेत्रों के लिए बोल्ड भविष्यवाणी प्रदान करता है जो दुर्घटना काले धब्बे बनने की संभावना है, यहां तक कि उन क्षेत्रों में जहां कोई दुर्घटना का इतिहास नहीं है। चार साल के डेटा पर सिस्टम का परीक्षण करने के बाद, शोधकर्ताओं ने पाया कि उनकी भविष्यवाणी इन ‘कोई इतिहास नहीं’ संभावित दुर्घटना खतरे क्षेत्रों के लिए बाद के वर्षों में घटनाओं द्वारा समर्थित थी।

नया कागज़ का शीर्षक सैटेलाइट इमेजरी और जीपीएस ट्रेजेक्टरी पर आधारित उच्च-रिज़ॉल्यूशन यातायात दुर्घटना जोखिम मानचित्र का अनुमान है। लेखकों का अनुमान है कि नए आर्किटेक्चर के लिए 911 आपातकालीन जोखिम मानचित्र या टैक्सी और राइड-शेयर प्रदाताओं के लिए मांग की संभावना का अनुमान लगाने के लिए इसका उपयोग किया जा सकता है।

पिछले प्रयासों ने कम-रिज़ॉल्यूशन मानचित्रों से समान घटना-पूर्वानुमान बनाने का प्रयास किया है, जिसमें उच्च पूर्वाग्रह होता है, या दुर्घटना की आवृत्ति को एक प्रमुख के रूप में उपयोग करने का प्रयास किया है, जिससे उच्च-विचरण, असटीक भविष्यवाणी होती है। इसके बजाय, नया परियोजना, जो चार प्रमुख अमेरिकी शहरों को कवर करता है, जो कुल 7,488 वर्ग किलोमीटर है, इन पहले के योजनाओं से बेहतर प्रदर्शन करता है bằng विविध रूप से डेटा एकत्र करने से।

विरल डेटा

शोधकर्ताओं को जो समस्या का सामना करना पड़ता है वह विरल डेटा है – दुर्घटनाओं की बहुत बड़ी मात्रा को अनिवार्य रूप से देखा जाएगा और मशीन विश्लेषण की आवश्यकता के बिना संबोधित किया जाएगा, लेकिन अधिक सूक्ष्म रूप से खतरनाक संबंधों को पहचानना मुश्किल है।

पिछले दुर्घटना भविष्यवाणी प्रणाली ऐतिहासिक दुर्घटना डेटा के मोंटे कार्लो अनुमान पर केंद्रित हैं, और जहां यह डेटा कम है वहां कोई प्रभावी भविष्यवाणी तंत्र प्रदान नहीं कर सकते हैं। इसलिए, नए शोध में समान यातायात पैटर्न, समान दृश्य उपस्थिति और समान संरचना वाले सड़क नेटवर्क के अनुभागों का अध्ययन किया जाता है, जो इन विशेषताओं के आधार पर दुर्घटनाओं की प्रवृत्ति का अनुमान लगाता है।

यह एक ‘शॉट इन द डार्क’ है जो लगता है कि मूल दुर्घटना संकेतक का पता लगाने में सफल रहा है, जो नए सड़क नेटवर्क के डिजाइन में उपयोग किया जा सकता है।

कर्नेल डेंसिटी एस्टीमेशन (केडीई) का उपयोग ऐतिहासिक यातायात दुर्घटना हॉट-स्पॉट को उजागर करने के लिए किया गया है, भविष्य की दुर्घटना स्थानों की भविष्यवाणी करने में विफल रहा है। ऊपरी बाएं छवि में, हम देखते हैं कि केडीई ने नीले बॉक्स क्षेत्र में दुर्घटनाओं की भविष्यवाणी की है, इसके विपरीत जहां दुर्घटनाएं सामान्य रूप से स्थानीयकृत होती हैं (अगला)। नीचे दाएं, केडीई भविष्यवाणी विफलता की तुलना एमआईटी प्रणाली (नीले बॉक्स) की सटीक भविष्यवाणी से की जा रही है।

लेखकों का उल्लेख है कि जीपीएस ट्रेजेक्टरी डेटा यातायात के प्रवाह, गति और घनत्व के बारे में जानकारी प्रदान करता है, जबकि क्षेत्र की सैटेलाइट इमेजरी लेन की व्यवस्था, लेन की संख्या के बारे में जानकारी जोड़ती है, साथ ही हार्ड कंधे और पैदल यात्रियों की उपस्थिति के बारे में जानकारी प्रदान करती है।

सह-लेखक अमीन सादेघी, कतर कंप्यूटिंग रिसर्च इंस्टीट्यूट (क्यूसीआरआई) से टिप्पणी “हमारा मॉडल एक शहर से दूसरे शहर में सामान्य हो सकता है कई से संकेतों को जोड़कर जो असंबंधित डेटा स्रोतों से लगते हैं। यह एक कदम है सामान्य एआई की ओर, क्योंकि हमारा मॉडल उन क्षेत्रों में दुर्घटना मानचित्र की भविष्यवाणी कर सकता है जहां कोई ऐतिहासिक दुर्घटना डेटा नहीं है।” और जारी रखा “मॉडल का उपयोग शहर के नियोजन और नीति निर्धारण के लिए कल्पनाशील परिदृश्यों की तुलना करने के लिए किया जा सकता है, यहां तक कि जहां कोई दुर्घटना डेटा उपलब्ध नहीं है।”

यातायात भविष्यवाणी प्रणाली का आर्किटेक्चर 5-मीटर रिज़ॉल्यूशन पर दुर्घटना जोखिम मानचित्र उत्पन्न करता है, जो लेखकों का कहना है कि फ्रीवे और संलग्न आवासीय सड़कों के बीच अलग-अलग जोखिमों को पहचानने के लिए महत्वपूर्ण है।

परियोजना का मूल्यांकन 2017-18 के बीच होने वाली दुर्घटनाओं और लेटरल डेटा पर किया गया था। 2019 और 2020 के लिए भविष्यवाणी की गई थी, जिसमें कई ‘उच्च जोखिम’ स्थानों का उदय हुआ, यहां तक कि जहां कोई ऐतिहासिक डेटा नहीं था जो सामान्य रूप से इसकी भविष्यवाणी करेगा।

उपयोगी सामान्यीकरण प्राप्त करना

ओवरफिटिंग एक महत्वपूर्ण जोखिम है एक प्रणाली में जो विरल डेटा से ईंधनित है, यहां तक कि जहां, जैसा कि इस मामले में, दो अतिरिक्त स्रोतों के समर्थन डेटा हैं। जहां एक घटना कम है, अत्यधिक धारणाएं कम उदाहरणों से आकर्षित की जा सकती हैं, जिससे एक एल्गोरिदम बनता है जो एक बहुत ही विशिष्ट, संकीर्ण बैंड की संभावित परिस्थितियों की अपेक्षा करता है, और जो व्यापक संभावनाओं की पहचान करने में विफल रहेगा।

इसलिए, मॉडल को प्रशिक्षित करने में, शोधकर्ताओं ने प्रत्येक इनपुट स्रोत को यादृच्छिक रूप से ‘ड्रॉप आउट’ किया 20% की संभावना के साथ, ताकि कम (या कोई) दुर्घटना डेटा वाले क्षेत्रों को मॉडल के प्रशिक्षण के दौरान सामान्यीकरण की ओर बढ़ाया जा सके, और ताकि समानांतर डेटा स्रोत किसी विशिष्ट अध्ययन के लिए गुम हुए जानकारी के लिए प्रतिनिधि प्रॉक्सी के रूप में कार्य कर सकें।

मूल्यांकन

मॉडल का परीक्षण बोस्टन, लॉस एंजिल्स, शिकागो और एनवाईसी में लगभग 7,500 किमी शहरी क्षेत्र के डेटासेट पर किया गया था। डेटासेट को 1,872 2किमी×2किमी टाइल्स के रूप में व्यवस्थित किया गया था, प्रत्येक में मैपबॉक्स से सैटेलाइट इमेजरी शामिल थी, जिसमें ओपनस्ट्रीटमैप से सड़क खंडन को मास्क किया गया था। दोनों बेस इमेजरी और सेगमेंटेशन मैप्स का रिज़ॉल्यूशन 0.625 मीटर था।

जीपीएस डेटा 2015-17 के बीच चार शहरों में एकत्र किए गए प्रोप्राइटरी डेटासेट के रूप में आता है, जिसमें 7.6 मिलियन किलोमीटर जीपीएस ट्रेजेक्टरी 1-सेकंड नमूना दर पर होती है।

परियोजना में 2016-2020 के लिए 4.2 मिलियन रिकॉर्ड शामिल हैं यूएस दुर्घटना डेटासेट में। प्रत्येक रिकॉर्ड में टाइमस्टैम्प और अन्य मेटाडेटा शामिल हैं।

ऐतिहासिक डेटा के पहले दो वर्षों को मॉडल में खिलाया गया, और अंतिम दो वर्षों का उपयोग प्रशिक्षण और मूल्यांकन के लिए किया गया, जिससे शोधकर्ताओं को सिस्टम की सटीकता को दो वर्षों में एक छोटे समय के फ्रेम में स्थापित करने में सक्षम किया गया।

सिस्टम का परीक्षण ऐतिहासिक डेटा के साथ और बिना किया गया था, और यह पाया गया कि यह सभी मामलों में अंतर्निहित जोखिम वितरण को सफलतापूर्वक पकड़ लेता है, विशेष रूप से पिछले केडीई-आधारित विधियों (ऊपर देखें) में सुधार करता है।

आगे के रास्ते

लेखकों का तर्क है कि उनकी प्रणाली को अन्य देशों में कम से कम वास्तुकला संशोधन के साथ लागू किया जा सकता है, यहां तक कि उन स्थानों पर जहां दुर्घटना डेटा उपलब्ध नहीं है। इसके अलावा, लेखक अपने शोध को नए शहरी विकास के लिए शहर के नियोजन डिजाइन के लिए एक संभावित अनुबंध के रूप में प्रस्तावित करते हैं।

लीड लेखक सोंगताओ हे ने नए काम पर टिप्पणी की:

“भविष्य की दुर्घटनाओं की संभावना को निर्धारित करने वाले अंतर्निहित जोखिम वितरण को पकड़कर, और किसी भी ऐतिहासिक डेटा के बिना, हम सुरक्षित मार्ग खोज सकते हैं, ऑटो बीमा कंपनियों को ग्राहकों के ड्राइविंग ट्रेजेक्टरी के आधार पर अनुकूलित बीमा योजनाएं प्रदान करने में मदद कर सकते हैं, शहरी नियोजकों को सुरक्षित सड़कों को डिजाइन करने में मदद कर सकते हैं, और यहां तक कि भविष्य की दुर्घटनाओं की भविष्यवाणी भी कर सकते हैं।”

हालांकि पत्र से पता चलता है कि प्रणाली के लिए कोड गिटहब पर जारी किया गया है, कोड का लिंक सक्रिय नहीं है, वर्तमान में खोज द्वारा पाया नहीं जा सकता है, और संभवतः एक बाद के संशोधन में शामिल किया जाएगा।

शोध को लोकप्रिय उपभोक्ता-स्तर के जीपीएस-आधारित यातायात ऐप्स और मार्ग योजनाकारों में एकीकृत किया जा सकता है, सोंगताओ हे के अनुसार:

“यदि लोग जोखिम मानचित्र का उपयोग करके संभावित उच्च-जोखिम वाले सड़क खंडों की पहचान कर सकते हैं, तो वे अपनी यात्राओं के जोखिम को कम करने के लिए पहले से कार्रवाई कर सकते हैं। वज़े और एप्पल मैप्स जैसे ऐप्स में घटना सुविधा उपकरण हैं, लेकिन हम दुर्घटनाओं से पहले उन्हें रोकने की कोशिश कर रहे हैं – वे होने से पहले,”