मेट्रो प्लेटफ़ॉर्म त्रासदियों को रोकने और उनकी प्रत्याशा में कृत्रिम बुद्धिमत्ता का उपयोग

एक कृत्रिम बुद्धिमत्ता प्रणाली जो वास्तविक सबवे निगरानी फुटेज पर प्रशिक्षित है, वह दावा करती है कि वह आत्महत्या के प्रयास के चेतावनी संकेतों को पहचान सकती है, जैसे कि पेसिंग, प्लेटफ़ॉर्म के किनारे लिंगering, और बार-बार सुरंग में देखना।

मशीन लर्निंग सिस्टम को प्लेटफ़ॉर्म इवेंट-मॉनिटरिंग सिस्टम के रूप में परीक्षण किया गया है, आमतौर पर लोकप्रिय योलो (You Only Look Once) श्रृंखला के किसी भी अनुप्रयोग के साथ, जो छवि पहचान के लिए उपयोग किया जाता है, जहां पैदल यात्री गिर सकते हैं, या जहां अपराध हो रहा है, या जहां स्टेशन प्लेटफ़ॉर्म भीड़भाड़ वाला है (जिससे स्टेशन अधिकारियों को पहुंच को नियंत्रित करने और समस्या का समाधान करने की अनुमति मिलती है)।

2024 के पेपर ‘ट्रेन स्टेशन पेडेस्ट्रियन मॉनिटरिंग पायलट स्टडी यूज़िंग एन आर्टिफिशियल इंटेलिजेंस अप्रोच’ से, योलोव7 प्लेटफ़ॉर्म पर यात्रियों की पहचान करने के चरण। स्रोत

पिछले 3-5 वर्षों में रेल आत्महत्या के प्रयासों या सफल आत्महत्या में वृद्धि के साथ, यूके, कैनेडा और नीदरलैंड जैसे क्षेत्रों में, रेल और मेट्रो प्लेटफ़ॉर्म पर आत्महत्या-प्रवण व्यवहार की पहचान करने के लिए मशीन लर्निंग सिस्टम की संभावना में रुचि बढ़ी है, जो विभिन्न कारकों पर आधारित है, जैसे कि व्यवहार और विविध अन्य कारकों पर।

सीमा पर निवासी: एसटीएआरआर परियोजना के डेटासेट से उदाहरण डेटा, जो इस लेख में चर्चा किए गए नए पेपर में शामिल है। स्रोत

आत्महत्या के प्रयासों को रोकने के लिए मेट्रो प्लेटफ़ॉर्म पर कृत्रिम बुद्धिमत्ता से संचालित वीडियो निगरानी प्रणाली का उपयोग करने के लिए एक नए अध्ययन ने एक औपचारिक ढांचे का प्रस्ताव किया है, जिसे आत्महत्या जोखिम मूल्यांकन (एसआरए) कहा जाता है।

आगे की ओर

अब, कनाडा से एक नए अध्ययन में इस शोध की एक औपचारिक प्रस्तुति की पेशकश की गई है, जिसे एसआरए के रूप में जाना जाता है, मेट्रो स्टेशनों में आत्महत्या के प्रयासों के संदर्भ में।

मॉन्ट्रियल परिवहन अधिकारियों के साथ सहयोग में, शोधकर्ताओं ने 66 वास्तविक आत्महत्या प्रयासों की फुटेज तक पहुंच प्राप्त की, जो अधिकारियों के अधीन प्लेटफ़ॉर्म कैमरों द्वारा कब्जा किया गया था:

नए पेपर से, दो फ्रेम्स की आउटपुट भविष्यवाणियां, एक वास्तविक रेल आत्महत्या प्रयास को दर्शाती है, और दूसरी नहीं। प्रत्येक छवि के दोनों ओर, निगरानी के तहत प्लेटफ़ॉर्म में खतरनाक और सुरक्षित क्षेत्रों का एक हीटमैप दिखाया गया है, जो प्रत्येक मामले में एक व्यक्ति की ‘ड्वेल टेंडेंसी’ को सुरंग मुंह के संबंध में व्याख्या करता है। स्रोत

हालांकि यह आवश्यक था कि ऐसे सीमित ग्राउंड ट्रुथ डेटासेट के साथ होने वाले क्लास असंतुलन को संबोधित किया जाए, यह फिर भी एक दुर्लभ डेटा है जो कुछ व्यवहार्य मात्रा में है; एक उम्मीद कर सकता है कि भविष्य की परियोजनाओं से दुनिया भर के परिवहन अधिकारियों से एक बहु-देश डेटासेट की अनुमति मिल सकती है, जिसमें अधिक उदाहरणों की मात्रा होगी। हालांकि, समझदारी से, ऐसी फुटेज की अत्यधिक संवेदनशील प्रकृति इसे एक आकस्मिक या आसान परियोजना से अधिक बनाती है।

इस पहल के लेखकों का दावा है कि यह पहला प्रयास है जो विभिन्न कार्यों को एक योजना में एकजुट करता है, और एक नए बेंचमार्क के साथ आता है मेट्रो प्लेटफ़ॉर्म आत्महत्या परिदृश्य के लिए।

लेखकों का कहना है:

‘अन्य दृष्टिकोणों के विपरीत जो अलग-अलग उपकार्यों पर ध्यान केंद्रित करते हैं या इरादे का सीधे अनुमान लगाने का प्रयास करते हैं, हमारा सूत्र संचित साक्ष्य द्वारा आत्महत्या जोखिम का मूल्यांकन करता है, जिसमें व्यक्ति ट्रैकिंग, गतिविधि पहचान, सेमेंटिक सेगमेंटेशन của प्लेटफ़ॉर्म, और ट्रैजेक्टори-निर्देशित जोखिम हीटमैप मॉडलिंग शामिल है। ‘

‘एसआरए को एक अलग कार्य के रूप में औपचारिक बनाना और एक पूर्ण ऑपरेशनल पाइपलाइन को बेंचमार्किंग करना, जो वास्तविक निगरानी डेटा पर 83.2% आरओसी-एयूसी हासिल करता है, इस काम से आत्महत्या जोखिम मूल्यांकन की जटिलता को उजागर करता है और सामाजिक भलाई के लिए व्याख्यात्मक एआई सिस्टम पर शोध के लिए नए दिशानिर्देश खोलता है।’

नया पेपर शीर्षक है मेट्रो स्टेशनों में रोकथाम के लिए वीडियो निगरानी से आत्महत्या जोखिम मूल्यांकन: एक व्याख्यात्मक ढांचा, और यह यूनिवर्सिटी टेलुक, पॉलिटेक्निक मॉन्ट्रियल, और यूनिवर्सिटी डु क्यूबेक मॉन्ट्रियल से चार लेखकों द्वारा आया है।

विधि

लेखकों के ढांचे में एक लाइव निगरानी वीडियो फीड का विश्लेषण करना शामिल है ताकि प्रत्येक ट्रैक किए गए यात्री के लिए एक निरंतर अद्यतन आत्महत्या जोखिम स्कोर उत्पन्न किया जा सके:

यात्री आत्महत्या जोखिम का अनुमान लगाने के लिए निगरानी वीडियो से प्रणाली पाइपलाइन, जो दिखाती है कि ट्रैकिंग, पोज़ अनुमान, गतिविधि पहचान, प्लेटफ़ॉर्म ज़ोनिंग, और ट्रैजेक्टори हीटमैप को कैसे व्यक्तिगत आंदोलनों और व्यवहारों को प्रत्येक प्लेटफ़ॉर्म पर एक निरंतर अद्यतन जोखिम स्कोर में परिवर्तित किया जाता है।

प्लेटफ़ॉर्म को तब अर्थपूर्ण क्षेत्रों में विभाजित किया जाता है, जो आंदोलन पैटर्न का पता लगाने की अनुमति देता है, जैसे कि विभिन्न क्षेत्रों के बीच बार-बार पेसिंग। यात्री ट्रैजेक्टरी को प्लेटफ़ॉर्म के मानचित्र पर परियोजना किया जाता है, जो हीटमैप उत्पन्न करने की अनुमति देता है जो सबसे अधिक बार कब्जे वाले क्षेत्रों या उच्च जोखिम वाले व्यवहार से जुड़े लोगों द्वारा पार किए गए क्षेत्रों को उजागर करता है।

अंत में, प्रणाली इन स्थानिक पैटर्न को देखे गए व्यवहारों के साथ क्रॉस-रेफरेंस करती है ताकि प्लेटफ़ॉर्म पर प्रत्येक व्यक्ति के लिए एक व्यक्तिगत आत्महत्या जोखिम मूल्यांकन उत्पन्न किया जा सके – एक प्रक्रिया जिसे लेखक जोखिम अनुमान कहते हैं।

लेखकों ने अपनी प्रणाली के लिए एक प्रीट्रेन्ड योलॉक्स कार्यान्वयन का उपयोग मानव वितरक के रूप में किया, पाया कि इसका आउट-ऑफ-द-बॉक्स स्टेट इस उद्देश्य के लिए पूरी तरह से उपयोगी है। बाइटट्रैक का उपयोग बहु-वस्तु ट्रैकिंग को संगठित करने के लिए किया गया था।

इन प्रक्रियाओं द्वारा अलग किए गए प्रत्येक व्यक्ति को अपना प्रीट्रेन्ड एचआरनेट मॉडल सौंपा जाता है, जो एक बाउंडिंग बॉक्स के भीतर 2डी बॉडी की जोड़ और 2डी बॉडी की कुंजी बिंदु प्रदान करता है, जो इन अनुमानों के बाहरी द्वारा निर्धारित किया जाता है:

नए परियोजना में उपयोग किए गए एचआरनेट से जोड़ अनुमान के उदाहरण। स्रोत

वीडियो डेटा से व्याख्या की गई मुद्राएं मेट्रो प्लेटफ़ॉर्म से ऐतिहासिक आंदोलन को परिभाषित करने वाले संचयी मानचित्रों में निर्मित होती हैं (ऊपर दिए गए छवि के बगल में ‘प्लेटफ़ॉर्म हीट मैप्स’ देखें)।

नए प्रणाली में एसटीएआरआर ढांचे को एकीकृत किया गया है, जो पहले के काम में विकसित किया गया था जो प्लेटफ़ॉर्म पर आत्महत्या व्यवहार की संभावना का मूल्यांकन करने के लिए डिज़ाइन किया गया था:

एसटीएआरआर ढांचे से मुद्रा अनुमान। स्रोत

इस मामले में, एसटीएआरआर का उपयोग तीन यात्री क्रिया एनोटेशन का पता लगाने के लिए किया जाता है: लुकटनल; वॉक; और स्टैंड。

पर्यावरणीय संदर्भ को एकीकृत करने के लिए, प्रणाली की प्लेटफ़ॉर्म की अवधारणा को मैन्युअल रूप से एनोटेट प्लेटफ़ॉर्म छवियों पर प्रशिक्षित योलोव8एन सेमेंटिक-सेगमेंटेशन मॉडल का उपयोग करके अर्थपूर्ण क्षेत्रों में विभाजित किया जाता है:

प्लेटफ़ॉर्म सेमेंटिक्स: प्रणाली द्वारा एक सेगमेंटेड प्लेटफ़ॉर्म को तीन व्यवहारात्मक रूप से अर्थपूर्ण क्षेत्रों में परिवर्तित करने के लिए उपयोग की जाने वाली ज़ोनिंग प्रक्रिया। परिणामी दीवार-प्रॉक्सिमल, पीली-लाइन-प्रॉक्सिमल, और सुरंग-संलग्न क्षेत्र वे स्थानिक संदर्भ प्रदान करते हैं जो यात्री आंदोलनों और जोखिम-संबंधित व्यवहारों का मूल्यांकन करने के लिए उपयोग किए जाते हैं।

इन क्षेत्रों में से प्रत्येक को वॉल-प्रॉक्सिमल ज़ोन, पीली-लाइन-प्रॉक्सिमल ज़ोन, और प्लेटफ़ॉर्म के दूर के क्षेत्र में विभाजित किया जाता है, जो मानसिक स्वास्थ्य अध्ययनों द्वारा उच्च आत्महत्या जोखिम से जुड़े व्यवहारों की पहचान करने के लिए स्थानिक संदर्भ प्रदान करते हैं।

पहले उत्पन्न ट्रैजेक्टори हीटमैप के साथ संयुक्त, ये स्थानिक संकेत अंतिम आत्महत्या जोखिम मूल्यांकन में शामिल किए जाते हैं।

प्लेटफ़ॉर्म जोखिम का मानचित्र

इसके अलावा, ढांचा एकल व्यक्ति के व्यवहार पर निर्भर नहीं करता है, बल्कि यह कई ज्ञात जोखिम वाले मामलों से ट्रैजेक्टори हीटमैप को जोड़कर एक प्लेटफ़ॉर्म-व्यापी ‘स्थिति जोखिम हीटमैप’ बनाता है:

एक प्लेटफ़ॉर्म जोखिम मानचित्र बनाना जोखिम वाले कई यात्रियों की गतिविधियों से। क्षेत्र जो लंबे समय तक कब्जे वाले होते हैं या जोखिम से जुड़े व्यवहार को आकर्षित करते हैं, वे उच्च जोखिम वाले क्षेत्र के रूप में उभरते हैं और बाद में अंतिम जोखिम मूल्यांकन में एक कारक के रूप में उपयोग किए जाते हैं।

लंबे समय तक कब्जे वाले क्षेत्र उच्च जोखिम वाले क्षेत्र के रूप में उभरते हैं, जबकि कम या अस्थायी दौरों वाले स्थान कम जोखिम वाले क्षेत्र के रूप में बने रहते हैं। परिणामी स्थिति जोखिम स्कोर अंतिम आत्महत्या जोखिम मूल्यांकन में उपयोग किए जाने वाले इनपुट में से एक बन जाता है।

अंतिम जोखिम स्कोर आठ संकेतकों पर आधारित होता है जो समय के साथ जमा होते हैं: प्लेटफ़ॉर्म हीटमैप से एक स्थिति जोखिम स्कोर; क्या एक यात्री पीली लाइन पर चलता है या खड़ा होता है; पीली लाइन पार करने की संख्या; पीली लाइन पर बिताया गया कुल समय; पीली लाइन पर बिताया गया सबसे लंबा अविच्छिन्न समय; दीवार और पीली लाइन के बीच बार-बार आगे-पीछे की गति; सुरंग की ओर बार-बार देखना; और प्लेटफ़ॉर्म के सुरंग-संलग्न अंत में प्रवेश करना।

इन व्यवहारिक और स्थानिक संकेतों को तब एक एक्सजीबोस्ट मॉडल के माध्यम से जोड़ा जाता है, जो प्रत्येक व्यक्ति के लिए एक निरंतर अद्यतन आत्महत्या जोखिम अनुमान उत्पन्न करता है।

डेटा और परीक्षण

परीक्षण सोसाइटी डी ट्रांसपोर्ट डी मॉन्ट्रियल (एसटीएम) द्वारा प्रदान की गई निगरानी फुटेज पर किए गए, जिसमें 66 पांच मिनट के रिकॉर्डिंग शामिल थे जो वास्तविक आत्महत्या प्रयासों से पहले कब्जा किए गए थे, साथ ही 56 मिलान वाले नियंत्रण रिकॉर्डिंग भी शामिल थे जो समान समय पर एक ही कैमरों से लिए गए थे जब कोई आत्महत्या प्रयास नहीं हुआ था:

मानसिक स्वास्थ्य और आत्महत्या व्यवहार के विशेषज्ञों की मदद से, व्यक्तिगत यात्रियों को चिह्नित किया गया था कि क्या वे जोखिम वाले या नियंत्रण परिदृश्य में दिखाई दे रहे थे, जो 256 व्यक्तियों के डेटासेट का उत्पादन करते थे, जिनमें से 66 आत्महत्या प्रयास के मामलों से जुड़े थे, और 190 नियंत्रण समूह में सौंपे गए थे।

सूचना रिसाव को रोकने के लिए, एक ही रिकॉर्डिंग से निकाले गए सभी व्यक्तियों को एक ही डेटा विभाजन में सौंपा गया था, जिसमें 75% डेटा प्रशिक्षण के लिए उपयोग किया गया था और 25% परीक्षण के लिए आरक्षित था, जिसमें जोखिम वाले और नियंत्रण मामलों के बीच संतुलन बनाए रखने की कोशिश की गई थी।

एक्सजीबोस्ट वर्गीकारी को 300 बूस्टिंग पुनरावृत्तियों के लिए प्रशिक्षित किया गया था, 0.05 की सीखने दर पर, प्रशिक्षण उदाहरणों और विशेषताओं दोनों के लिए उप-Nampling के साथ, सामान्यीकरण में सुधार के लिए। चूंकि डेटासेट में नियंत्रण मामलों की तुलना में जोखिम वाले मामलों की संख्या काफी कम थी, प्रशिक्षण प्रक्रिया ने इसे अल्पसंख्यक वर्ग को अतिरिक्त वजन देकर मुआवजा दिया।

प्रदर्शन का मूल्यांकन मुख्य रूप से रिसीवर ऑपरेटिंग चार्ट के क्षेत्र के तहत (आरओसी-एयूसी) के माध्यम से किया गया था, जो मापता है कि प्रणाली जोखिम वाले और नियंत्रण व्यक्तियों के बीच कितनी प्रभावी ढंग से भेद करती है।

अतिरिक्त मेट्रिक्स में संवेदनशीलता शामिल थी, जो जोखिम वाले मामलों की सही पहचान को मापती थी; विशिष्टता, जो नियंत्रण मामलों की सही पहचान को मापती थी; फ़ाल्स पॉज़िटिव दर, जो झूठे अलार्म (एफपीआर) को प्रतिबिंबित करती थी; और फ़ाल्स नेगेटिव दर, जो मिस्ड डिटेक्शन (एफएनआर) को प्रतिबिंबित करती थी। एक जानबूझकर कम निर्णय सीमा को अपनाया गया था ताकि संभावित जोखिम वाली स्थितियों की जल्दी पहचान को प्राथमिकता दी जा सके:

चार कॉन्फ़िगरेशन के तहत आत्महत्या जोखिम मूल्यांकन ढांचे का प्रदर्शन, जो ग्राउंड-ट्रुथ-मददगार, अपर बाउंड, और पूरी तरह से स्वचालित संस्करणों की तुलना करता है, आरओसी-एयूसी, संवेदनशीलता, विशिष्टता, झूठे अलार्म दर, और मिस्ड डिटेक्शन दर के माध्यम से – और स्वचालित पता लगाने, ट्रैकिंग, और गतिविधि पहचान मॉड्यूल के साथ ग्राउंड-ट्रुथ एनोटेशन को बदलने के प्रदर्शन प्रभाव को दिखाता है।

जैसा कि ऊपर दी गई तालिका में देखा जा सकता है, पूरी तरह से स्वचालित प्रणाली ने 0.832 का आरओसी-एयूसी हासिल किया, जबकि स्वचालित पता लगाने और ट्रैकिंग घटकों को ग्राउंड-ट्रुथ एनोटेशन से बदलने से प्रदर्शन 0.919 तक बढ़ गया।

केवल गतिविधि पहचान मॉड्यूल को बदलने से एक छोटा लाभ हुआ, जो आरओसी-एयूसी को 0.893 तक बढ़ा दिया। सबसे उच्च स्कोर, 0.924, तब प्राप्त किया गया जब सभी इनपुट ग्राउंड-ट्रुथ एनोटेशन से आया था, जो सुझाव देता है कि पता लगाने, ट्रैकिंग, और डाउनस्ट्रीम संकेत निकालना वर्तमान पाइपलाइन में त्रुटि के मुख्य स्रोत बने हुए हैं।

प्रशिक्षित एक्सजीबोस्ट मॉडल का विश्लेषण यह दर्शाता है कि पीली लाइन के साथ सीधा संपर्क जोखिम वाले मामलों के लिए सबसे मजबूत भविष्यवाणीकर्ता था, इसके बाद पीली लाइन पार करने की संख्या, और दीवार और प्लेटफ़ॉर्म ज़ोन के बीच बार-बार आगे-पीछे की गति। समय पीली लाइन पर बिताया गया, और स्थिति जोखिम स्कोर, भी महत्वपूर्ण योगदान दिया, जबकि सुरंग की ओर ध्यान और प्लेटफ़ॉर्म के दूर के क्षेत्र में प्रवेश करने से अतिरिक्त, लेकिन कम निर्णायक संकेत मिले।

पेपर में यह भी उल्लेख किया गया है कि आत्महत्या प्रयासों की एक विशिष्ट विशेषता यह है कि व्यक्ति प्लेटफ़ॉर्म पर कोई वस्तु छोड़ देता है; हालांकि, लेखकों को इसे इस परियोजना के संस्करण में शामिल करने में असमर्थ थे, इसे भविष्य के काम के लिए छोड़ दिया।

निष्कर्ष

व्यक्तिगत रूप से, यह एक दुर्लभ राहत है कि एक एआई पेपर मिला है जो रिपोर्ट करने योग्य है और जो किसी भी हिस्से में विवादास्पद प्रतिक्रिया पैदा नहीं करेगा, क्योंकि इस तरह की परियोजना के पीछे के उद्देश्यों का मूल्य विवादास्पद नहीं हो सकता है।

व्यावहारिक रूप से, बहुत कम पिक्सेल जो सिर को घेरते हैं और पूरे व्यक्ति द्वारा कब्जा किए गए रिलेटिवली छोटे स्क्रीन स्पेस को देखते हुए, यह बताना बहुत मुश्किल है कि क्या व्यक्ति बार-बार सुरंग की ओर देख रहा है – जो कि रेल आत्महत्या के संभावित संकेतों में से एक है।

जैसा कि अक्सर सर्विलांस इंफ्रास्ट्रक्चर परियोजनाओं में, यह एक बजटीय मुद्दा प्रतीत होता है: यदि प्लेटफ़ॉर्म पर अधिक बारीकी से कैमरे होते, जिसमें सुरंग प्रवेश बिंदु (यानी, मेट्रो ट्रेन突然 दिखाई देने वाला बिंदु) को कवर करने वाला एक कैमरा शामिल है, तो गेज़ दिशा के आसपास विकसित हो रहे विभिन्न ढांचों में शामिल होने की संभावना होगी। जैसा कि यह खड़ा है, वर्तमान कार्य शरीर की पूरी दिशा का मूल्यांकन करने पर निर्भर करता है ताकि यह संकेत मिले कि विषय सुरंग की ओर देख रहा है।

अंत में, मुद्दा एक बजटीय है, कम से कम रेल इंफ्रास्ट्रक्चर के संबंध में; यदि सभी प्लेटफ़ॉर्म बैरियर और गेट्स से सुसज्जित होते, जो लंदन अंडरग्राउंड स्टॉप और दुनिया भर के मेट्रो नेटवर्क में दिखाई देने वाली विशेषताएं हैं, तो प्लेटफ़ॉर्म आत्महत्या का अवसर प्रदान नहीं करेंगे।

निश्चित रूप से, बढ़ी हुई निगरानी सस्ता विकल्प है, और आत्महानि के विशिष्ट संकेतों की जल्दी पहचान से त्रासदी से पहले सीधे हस्तक्षेप की अनुमति मिल सकती है।

मंगलवार, 9 जून, 2026 को पहली बार प्रकाशित