AI Memprediksi Titik-Titik Kecelakaan dari Citra Satelit dan Data GPS

Peneliti dari MIT dan Pusat Kecerdasan Buatan Qatar telah mengembangkan sistem pembelajaran mesin yang menganalisis citra satelit resolusi tinggi, koordinat GPS, dan data kecelakaan historis untuk memetakan potensi bagian jaringan jalan yang rawan kecelakaan, berhasil memprediksi “titik-titik panas” kecelakaan di mana tidak ada data lain atau metode sebelumnya yang menunjukkannya.

Tengah kanan, titik-titik panas kecelakaan prediktif muncul dari menggabungkan tiga sumber data. Area yang dilingkari dengan lingkaran adalah prediksi ‘risiko tinggi’ yang sebenarnya tidak memiliki sejarah kecelakaan. Sumber: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Sistem ini menawarkan prediksi yang berani untuk area di jaringan jalan yang kemungkinan akan menjadi titik-titik kecelakaan, bahkan di area yang tidak memiliki sejarah kecelakaan. Pengujian sistem selama empat tahun menunjukkan bahwa prediksi mereka untuk “zona bahaya potensial” yang tidak memiliki sejarah kecelakaan dibuktikan oleh peristiwa di tahun-tahun berikutnya.

Makalah baru ini berjudul Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Penulis memprediksi penggunaan arsitektur baru ini di luar prediksi kecelakaan, dengan hipotesis bahwa dapat diterapkan pada peta risiko darurat 911 atau sistem untuk memprediksi kemungkinan permintaan taksi dan penyedia layanan berbagi tumpangan.

Upaya sebelumnya telah mencoba membuat prediktor insiden serupa dari peta resolusi rendah dengan bias tinggi, atau menggunakan frekuensi kecelakaan sebagai kunci, yang menghasilkan prediksi yang tidak akurat. Sebaliknya, proyek baru ini, yang mencakup empat kota besar AS dengan total 7.488 kilometer persegi, outperform skema sebelumnya dengan menggabungkan bentuk data yang lebih beragam.

Data yang Langka

Masalah yang dihadapi peneliti adalah data yang langka – volume kecelakaan yang sangat tinggi pasti akan diperhatikan dan ditangani tanpa memerlukan analitik mesin, tetapi korelasi yang lebih berbahaya sulit untuk diidentifikasi.

Sistem prediksi kecelakaan sebelumnya berfokus pada estimasi Monte Carlo dari data kecelakaan historis, dan tidak dapat menyediakan mekanisme prediksi yang efektif di mana data ini tidak ada. Oleh karena itu, penelitian baru ini mempelajari bagian jaringan jalan dengan pola lalu lintas yang serupa, penampilan visual yang serupa, dan struktur yang serupa, menginferensi disposisi kecelakaan berdasarkan karakteristik ini.

Ini adalah ‘tembakan dalam kegelapan’ yang tampaknya telah menemukan indikator kecelakaan fundamental, yang dapat digunakan dalam desain jaringan jalan baru.

Estimasi Kepadatan Kernel (KDE) telah digunakan untuk menyoroti titik-titik panas kecelakaan lalu lintas historis, gagal memprediksi lokasi kecelakaan di masa depan. Pada gambar kiri atas, kita lihat di mana KDE telah memprediksi kecelakaan di wilayah kotak biru, versus di mana kecelakaan umumnya terlokalisasi (sebelah). Bawah kanan, perbandingan kegagalan prediksi KDE dengan prediksi akurat (kotak biru) dari sistem MIT.

Penulis mencatat bahwa data trajeksi GPS menawarkan informasi tentang aliran, kecepatan, dan kepadatan lalu lintas, sedangkan citra satelit dari area tersebut menambahkan informasi tentang disposisi lajur, jumlah lajur, serta keberadaan bahu jalan dan kehadiran pejalan kaki.

Penulis Amin Sadeghi, dari Qatar Computing Research Institute (QCRI) menyatakan “Model kami dapat menggeneralisasi dari satu kota ke kota lain dengan menggabungkan petunjuk dari sumber data yang tidak terkait. Ini adalah langkah menuju kecerdasan buatan umum, karena model kami dapat memprediksi peta kecelakaan di wilayah yang tidak dipetakan.” dan melanjutkan “Model ini dapat digunakan untuk menginferensi peta kecelakaan yang berguna bahkan dalam ketiadaan data kecelakaan historis, yang dapat diterjemahkan ke dalam perencanaan kota dan kebijakan dengan membandingkan skenario imajiner”.

Arsitektur sistem prediksi lalu lintas menghasilkan peta risiko kecelakaan dengan resolusi 5 meter, yang menurut penulis sangat penting untuk membedakan risiko yang berbeda antara jalan bebas hambatan dan jalan perumahan yang berdekatan.

Proyek ini dievaluasi pada kecelakaan dan data lateral yang mencakup periode antara 2017-18. Prediksi kemudian dibuat untuk 2019 dan 2020, dengan beberapa lokasi “risiko tinggi” yang muncul bahkan dalam ketiadaan data historis yang biasanya memprediksi ini.

Mencapai Generalisasi yang Berguna

Overfitting adalah risiko kritis dalam sistem yang diberdayakan oleh data yang langka, bahkan di mana, seperti dalam kasus ini, ada dua sumber data pendukung tambahan. Di mana insiden yang rendah, asumsi yang berlebihan dapat ditarik dari contoh yang terlalu sedikit, menghasilkan algoritma yang mengharapkan pita kemungkinan yang sangat khusus dan sempit, dan yang akan gagal mengidentifikasi kemungkinan yang lebih luas.

Oleh karena itu, dalam melatih model, peneliti secara acak ‘menghilangkan’ setiap sumber input sebagai probabilitas 20%, sehingga area dengan sedikit (atau tidak ada) data kecelakaan dapat dipertimbangkan saat model dilatih menuju generalisasi, dan sehingga sumber data paralel dapat bertindak sebagai proxy yang representatif untuk informasi yang hilang untuk setiap studi tentang persimpangan atau bagian jalan.

Evaluasi

Model ini diuji pada dataset yang mencakup hampir 7.500 km area perkotaan di Boston, Los Angeles, Chicago, dan NYC. Dataset ini diorganisir dalam bentuk 1.872 tile 2kmx2km, masing-masing berisi citra satelit dari MapBox, dengan segmen jalan yang dihapus melalui data dari OpenStreetMap. Baik citra dasar maupun peta segmen memiliki resolusi 0,625 meter.

Data GPS datang dalam bentuk dataset propietary yang dikumpulkan antara 2015-17 di atas empat kota, total 7,6 juta kilometer trajeksi GPS dengan tingkat sampling 1 detik.

Proyek ini juga memanfaatkan 4,2 juta catatan yang mencakup 2016-2020 dalam US Accidents Dataset. Setiap catatan termasuk timestamp dan metadata lainnya.

Dua tahun pertama data historis diberikan kepada model, dan dua tahun terakhir digunakan untuk pelatihan dan evaluasi, memungkinkan peneliti untuk menetapkan akurasi sistem selama dua tahun dalam waktu yang singkat.

Sistem ini diuji dengan dan tanpa data historis, dan ditemukan berhasil menangkap distribusi risiko yang mendasarinya di semua kasus, terutama meningkatkan metode KDE sebelumnya (lihat di atas).

Jalan Menuju Masa Depan

Penulis berpendapat bahwa sistem ini dapat diterapkan di negara lain dengan sedikit modifikasi arsitektur, bahkan di lokasi di mana data kecelakaan tidak tersedia. Selain itu, penulis mengusulkan penelitian ini sebagai kemungkinan tambahan untuk perencanaan desain kota untuk pengembangan perkotaan baru.

Penulis utama Songtao He mengomentari pekerjaan baru ini:

“Dengan menangkap distribusi risiko yang mendasarinya yang menentukan kemungkinan kecelakaan di masa depan di semua tempat, dan tanpa data historis, kita dapat menemukan rute yang lebih aman, memungkinkan perusahaan asuransi mobil untuk menyediakan rencana asuransi yang disesuaikan berdasarkan trajeksi pengemudi pelanggan, membantu perencana kota merancang jalan yang lebih aman, dan bahkan memprediksi kecelakaan di masa depan.”

Meskipun makalah tersebut menunjukkan bahwa kode untuk sistem telah dirilis di GitHub, tautan ke kode tidak aktif, tidak dapat ditemukan dengan pencarian, dan kemungkinan akan disertakan dalam revisi selanjutnya.

Penelitian ini memiliki potensi untuk diintegrasikan ke dalam aplikasi GPS berbasis konsumen dan perencana rute, menurut Songtao He:

“Jika orang dapat menggunakan peta risiko untuk mengidentifikasi segmen jalan yang berpotensi berisiko tinggi, mereka dapat mengambil tindakan sebelumnya untuk mengurangi risiko perjalanan mereka. Aplikasi seperti Waze dan Apple Maps memiliki alat fitur insiden, tetapi kami mencoba untuk mendahului kecelakaan — sebelum mereka terjadi,”