Memprediksi dan Mencegah Tragedi di Peron Metro dengan AI

Sistem AI yang dilatih pada footage pengawasan subway sungguhan mengklaim dapat mendeteksi tanda-tanda peringatan upaya bunuh diri beberapa menit sebelum terjadi, dengan melacak perilaku seperti berjalan mondar-mandir, berlama-lama di tepi peron, dan terus-menerus memandang ke terowongan.

Sistem pembelajaran mesin telah diuji sebagai sistem pemantau acara platform selama beberapa tahun, biasanya dengan beberapa variasi aplikasi pengenalan gambar populer You Only Look Once (YOLO) yang memungkinkan skenario di mana pejalan kaki mungkin jatuh, atau kejahatan sedang dilakukan, atau di mana peron stasiun sederhana saja overcrowded (memungkinkan otoritas stasiun untuk mengatur akses dan memperbaiki masalah).

Dari paper 2024 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, tahap-tahap yang YOLOV7 gunakan untuk mengidentifikasi penumpang di peron. Sumber

Dengan peningkatan jumlah upaya atau keberhasilan bunuh diri di kereta api selama 3-5 tahun terakhir (di wilayah seperti Inggris, Kanada dan Belanda), minat telah meningkat dalam potensi sistem pembelajaran mesin untuk mengidentifikasi perilaku yang cenderung bunuh diri di peron kereta api dan metro, berdasarkan disposisi dan faktor lainnya:

Penghuni di ambang: contoh data dari dataset yang memuat proyek STARR, yang ditampilkan dalam paper baru yang dibahas dalam artikel ini. Sumber

Secara keseluruhan, berbagai proyek yang bertujuan untuk menggunakan AI untuk perilaku bunuh diri di peron belum mengadopsi metodologi seragam atau sistem umum atau pendekatan umum – terutama karena metode yang memungkinkan sistem tersebut terus berkembang, bersama dengan pengetahuan psikologis dan psikiatris yang memberikan wawasan pada jenis pengawasan AI ini.

Teknologi Terkini

Sekarang, sebuah studi baru dari Kanada menawarkan formalisasi proposal dari strand ini dalam literatur penelitian, sebagai Penilaian Risiko Bunuh Diri (SRA), dalam konteks upaya bunuh diri di stasiun metro.

Dalam kolaborasi dengan otoritas transportasi Montreal, peneliti yang terlibat dalam studi baru ini mendapatkan akses ke footage dari 66 upaya bunuh diri sungguhan, yang ditangkap oleh kamera platform dalam yurisdiksi otoritas:

Dari paper baru, prediksi output dari dua frame, satu menggambarkan upaya bunuh diri kereta api yang sebenarnya, dan yang lain tidak. Di kedua sisi setiap gambar, ditampilkan heatmap dari area berbahaya dan lebih aman di peron yang diawasi, menggambarkan dalam setiap kasus ‘kecenderungan tinggal’ seseorang terkait dengan mulut terowongan. Sumber

Walaupun perlu untuk secara artifisial mengatasi ketidakseimbangan kelas yang terjadi dengan dataset ground truth yang terbatas, ini adalah data yang langka dengan volume yang layak; bisa jadi proyek-proyek di masa depan dari otoritas transportasi di seluruh dunia dapat memungkinkan dataset multi-negara dengan volume contoh yang lebih tinggi. Namun, secara memahami, sifat sangat sensitif dari footage tersebut membuat ini lebih dari sekedar prospek yang santai atau mudah.

Inisiatif ini, menurut para penulis, adalah yang pertama untuk menggabungkan tugas-tugas yang beragam yang mendefinisikan pencarian ini menjadi skema, dan membawa benchmark baru untuk skenario bunuh diri di peron metro.

Para penulis menyatakan:

‘Tidak seperti pendekatan yang fokus pada sub-tugas yang terisolasi atau mencoba untuk menginferensi niat secara langsung, formulasi kami menilai risiko bunuh diri dari bukti yang terkumpul dengan menggabungkan pelacakan orang, pengenalan aktivitas, segmentasi semantik peron, dan pemodelan heatmap risiko yang didorong oleh trajektori. ‘

‘Dengan memformalkan SRA sebagai tugas yang berbeda dan membuat pipeline operasional lengkap yang mencapai 83,2% ROC-AUC pada data pengawasan sungguhan, pekerjaan ini menyoroti kompleksitas penilaian risiko bunuh diri dan membuka arah baru untuk penelitian tentang sistem AI yang dapat diinterpretasikan untuk kebaikan sosial.’

Paper baru ini berjudul Penilaian Risiko Bunuh Diri dari Pengawasan Video yang Dipimpin AI: Kerangka yang Dapat Diinterpretasikan untuk Pencegahan di Stasiun Metro, dan berasal dari empat penulis dari Université TÉLUQ, Polytechnique Montréal, dan Université du Québec à Montréal.

Metode

Kerangka kerja penulis menganalisis umpan video pengawasan langsung untuk menghasilkan skor risiko bunuh diri yang terus diperbarui untuk setiap penumpang yang dilacak. Individu dideteksi, dilacak, dan diubah menjadi representasi pose tubuh yang disederhanakan, setelah itu sistem pengenalan aktivitas berbasis kerangka mengidentifikasi tindakan selama periode waktu yang singkat:

Pipeline sistem untuk memperkirakan risiko bunuh diri penumpang dari video pengawasan, menunjukkan bagaimana pelacakan, estimasi pose, pengenalan aktivitas, zoning peron, dan heatmap trajektori digabungkan untuk mengubah gerakan dan perilaku individu menjadi skor risiko yang terus diperbarui untuk setiap orang di peron.

Peron kemudian dibagi menjadi zona yang bermakna, memungkinkan pola gerakan – seperti berjalan mondar-mandir antara area yang berbeda – untuk dideteksi. Trajektori penumpang diproyeksikan ke peta peron, membuatnya mungkin untuk menghasilkan heatmap yang menyoroti area yang paling sering diduduki, atau dilintasi oleh orang-orang yang terkait dengan risiko yang ditingkatkan.

Akhirnya, sistem menghubungkan pola spasial ini dengan perilaku yang diamati untuk menghasilkan penilaian risiko bunuh diri individu untuk setiap orang di peron – proses yang penulis sebut inferensi risiko.

Penulis menggunakan implementasi YOLOX pra-terlatih sebagai detektor manusia untuk sistem mereka, menemukan bahwa keadaan out-of-the-boxnya sangat berguna untuk tujuan ini. ByteTrack digunakan untuk mengatur pelacakan multi-objek.

Setiap orang yang diidentifikasi oleh proses ini diberi model HRNet pra-terlatih, yang memberikan estimasi sendi dan kunci tubuh 2D di dalam kotak pembatas yang ditentukan oleh estimasi terluar dari ini:

Contoh estimasi sendi dari HRNet, digunakan dalam proyek baru. Sumber

Poses yang dievaluasi dari data video peron metro dibangun menjadi peta kumulatif yang mendefinisikan gerakan sejarah (lihat ‘peta panas peron’ di samping gambar sebelumnya).

Sistem baru ini mengintegrasikan kerangka STARR, sebuah pekerjaan sebelumnya yang dirancang untuk mengevaluasi kemungkinan perilaku bunuh diri di peron:

Estimasi pose dari kerangka STARR. Sumber

Dalam hal ini, STARR digunakan untuk mendeteksi tiga anotasi tindakan penumpang yang menjelaskan diri: LookTunnel; Walk; dan Stand.

Untuk menggabungkan konteks lingkungan, konsep peron sistem dibagi menjadi zona yang semantically bermakna menggunakan model segmentasi semantik YOLOv8n yang dilatih pada gambar peron yang dianotasi secara manual:

Semantik peron: proses zoning yang digunakan oleh sistem untuk mengubah peron yang tersegmentasi menjadi tiga wilayah yang bermakna secara behaviorally. Wilayah yang dihasilkan dari zona dinding-proksimal, garis-kuning-proksimal, dan tunnel-adjacent memberikan konteks spasial yang digunakan untuk mengevaluasi gerakan dan perilaku penumpang yang terkait dengan risiko.

Peta segmentasi yang dihasilkan digunakan untuk memperkirakan batas peron dan mendefinisikan tiga area operasional: Zona Dinding-Proksimal dekat dinding peron; Zona Garis-Kuning-Proksimal di mana penumpang dapat mendekati tepi peron sambil tetap berada dalam batas keamanan; dan Zona Ujung-Peron yang terletak di dekat pintu masuk terowongan.

Wilayah-wilayah ini memberikan konteks spasial yang diperlukan untuk mengidentifikasi perilaku yang telah dikaitkan dengan peningkatan risiko bunuh diri oleh studi psikologis. Secara khusus, mereka memungkinkan sistem untuk mendeteksi gerakan berulang antara dinding dan garis kuning, bersama dengan masuk ke area ujung peron.

Di kombinasi dengan heatmap trajektori yang dihasilkan sebelumnya, indikator spasial ini kemudian digabungkan ke dalam penilaian risiko bunuh diri akhir.

Menariknya, paper ini mencatat bahwa salah satu ciri khas upaya bunuh diri adalah kecenderungan untuk meninggalkan objek di peron; namun, penulis tidak dapat menggabungkan ini ke dalam versi proyek ini, meninggalkannya untuk pekerjaan di masa depan.

Peta Risiko Peron

Bukannya hanya mengandalkan perilaku satu orang, kerangka ini juga menggabungkan heatmap trajektori dari beberapa kasus yang diketahui berisiko untuk membuat ‘peta risiko peron’ yang mencakup seluruh peron:

Membangun peta risiko peron dari gerakan beberapa penumpang yang berisiko. Area yang berulang kali menarik perilaku yang berisiko, seperti berlama-lama atau berjalan mondar-mandir, menjadi lebih menonjol dan kemudian digunakan sebagai salah satu faktor dalam penilaian risiko akhir.

Area yang berulang kali diduduki dalam waktu lama muncul sebagai wilayah berisiko tinggi, sedangkan lokasi yang terkait dengan kunjungan singkat atau jarang tetap berisiko rendah. Skor risiko posisi yang dihasilkan menjadi salah satu input yang digunakan dalam penilaian risiko bunuh diri akhir.

Skor risiko akhir didasarkan pada delapan indikator yang terkumpul selama waktu: skor risiko posisi yang dihasilkan dari peta panas peron; apakah seorang penumpang berjalan atau berdiri di garis kuning; jumlah penyeberangan garis kuning; waktu total yang dihabiskan di garis kuning; periode tidak terputus terlama yang dihabiskan di garis kuning; gerakan berulang bolak-balik antara dinding dan garis kuning; orientasi berulang ke arah terowongan; dan masuk ke area ujung peron yang berdekatan dengan terowongan.

Sinyal perilaku dan spasial ini kemudian digabungkan melalui model XGBoost, menghasilkan perkiraan risiko bunuh diri yang terus diperbarui untuk setiap individu di peron.

Data dan Pengujian

Pengujian dilakukan pada footage pengawasan yang disediakan oleh Société de transport de Montréal (STM), yang terdiri dari 66 rekaman lima menit yang ditangkap sebelum upaya bunuh diri yang sebenarnya, bersama dengan 56 rekaman kontrol yang cocok dari kamera yang sama, pada waktu yang sama ketika tidak terjadi upaya bunuh diri.

Dengan bantuan psikologi dan ahli perilaku bunuh diri, penumpang individu dianotasi berdasarkan apakah mereka muncul dalam skenario berisiko atau kontrol, menghasilkan dataset 256 individu, di mana 66 terkait dengan kasus upaya bunuh diri, dan 190 ditugaskan ke grup kontrol.

Untuk mencegah kebocoran informasi, semua individu yang diekstrak dari rekaman yang sama ditugaskan ke pembagian data yang sama, dengan 75% data digunakan untuk pelatihan dan 25% disimpan untuk pengujian sambil menjaga keseimbangan antara kasus berisiko dan kontrol.

Klasifikasi XGBoost dilatih selama 300 iterasi penguatan, dengan tingkat pembelajaran 0,05, dengan subsampling untuk instance pelatihan dan fitur, untuk meningkatkan generalisasi. Karena dataset mengandung jauh lebih banyak kasus kontrol daripada kasus berisiko, proses pelatihan mengkompensasi ini dengan menetapkan bobot tambahan ke kelas minoritas.

Kinerja dievaluasi terutama menggunakan Area Under the Receiver Operating Characteristic Curve (ROC-AUC), yang mengukur seberapa efektif sistem membedakan antara individu berisiko dan kontrol.

Metriks tambahan mencakup kepekaan, yang mengukur identifikasi benar kasus berisiko; spesifisitas, yang mengukur identifikasi benar kasus kontrol; tingkat palsu positif, yang mencerminkan alarm palsu (FPR); dan tingkat palsu negatif, yang mencerminkan deteksi yang terlewatkan (FNR). Ambang keputusan yang disengaja rendah diadopsi untuk memprioritaskan identifikasi dini situasi yang berpotensi berisiko:

Kinerja kerangka penilaian risiko bunuh diri dalam empat konfigurasi, membandingkan varian yang dibantu ground-truth, batas atas, dan otomatis sepenuhnya di seluruh ROC-AUC, kepekaan, spesifisitas, tingkat alarm palsu, dan tingkat deteksi yang terlewatkan – dan menunjukkan dampak kinerja dari menggantikan anotasi ground-truth dengan modul deteksi, pelacakan, dan pengenalan aktivitas otomatis.

Seperti yang terlihat pada tabel hasil awal di atas, sistem otomatis sepenuhnya mencapai ROC-AUC 0,832, sedangkan menggantikan komponen deteksi dan pelacakan otomatis dengan anotasi ground-truth meningkatkan kinerja hingga 0,919.

Menggantikan hanya modul pengenalan aktivitas menghasilkan keuntungan yang lebih kecil, meningkatkan ROC-AUC hingga 0,893. Skor tertinggi, 0,924, diperoleh ketika semua input disediakan dari anotasi ground-truth, menunjukkan bahwa deteksi, pelacakan, dan ekstraksi indikator hilir tetap menjadi sumber utama kesalahan dalam pipeline saat ini.

Analisis model XGBoost yang dilatih menunjukkan bahwa interaksi langsung dengan garis kuning adalah salah satu prediktor kuat risiko yang ditingkatkan, diikuti oleh jumlah penyeberangan garis kuning, dan gerakan berulang bolak-balik antara zona peron. Waktu yang dihabiskan di garis kuning, dan skor risiko posisi, juga memberikan kontribusi yang signifikan, sedangkan perhatian yang diarahkan ke terowongan dan masuk ke zona ujung peron memberikan sinyal tambahan, tetapi kurang menentukan.

Kembali ke hasil kualitatif yang dipratinjau sebelumnya, kerangka kerja memberikan skor risiko tinggi kepada individu yang kemudian terkait dengan upaya bunuh diri, sedangkan penumpang kontrol di sekitarnya menerima skor yang jauh lebih rendah:

Seperti yang terlihat sebelumnya dalam artikel, hasil kualitatif yang ditampilkan dalam paper menampilkan prediksi output dari dua gambar dari data pengawasan, dengan heatmap di kedua sisi untuk menunjukkan aktivitas dan perilaku peron lainnya.

Dalam satu kasus, skor risiko 0,98 terkait dengan kehadiran yang berkepanjangan di garis kuning dan okupansi wilayah yang diidentifikasi sebagai berisiko tinggi oleh peta risiko posisi. Dalam kasus lain, individu berisiko menerima skor 0,92, sedangkan penumpang kontrol di sekitarnya menerima perkiraan yang jauh lebih rendah.

Menurut penulis, perbedaan ini muncul dari akumulasi beberapa indikator, bukan dari perilaku tunggal. Penyeberangan garis kuning yang berkepanjangan, orientasi berulang ke arah terowongan, dan kehadiran yang berkepanjangan di area peron yang berisiko tinggi semua memberikan kontribusi pada perkiraan risiko yang ditingkatkan.

Para penulis menyimpulkan:

‘Di luar kinerja, studi kami menekankan interpretabilitas, menunjukkan bahwa penilaian risiko didorong oleh indikator yang intuitif yang sejalan dengan faktor risiko perilaku dan spasial yang mapan. ‘

‘Ini memposisikan kerangka yang diusulkan sebagai jembatan yang berarti antara sistem pengawasan AI dan penelitian antardisiplin tentang pencegahan bunuh diri.’

Kesimpulan

Dalam catatan pribadi, ini adalah bantuan yang semakin jarang ditemukan untuk menemukan paper AI yang layak dilaporkan yang tidak mungkin menciptakan reaksi yang mudah meledak di beberapa bagian populasi, karena akan sulit untuk membantah nilai tujuan di balik jenis proyek ini.

Secara praktis, jumlah piksel yang sangat kecil yang ditempati oleh kepala, dan jumlah ruang layar yang relatif kecil yang ditempati oleh seluruh orang yang diawasi dalam skenario ini, membuatnya sangat sulit untuk mengetahui apakah individu tersebut sering memandang ke terowongan – salah satu tanda peringatan potensial bunuh diri kereta api.

Sebagaimana biasanya, dalam proyek yang terkait dengan infrastruktur pengawasan, ini tampaknya menjadi masalah seputar resolusi dan sumber daya: jika ada lebih banyak kamera di interval yang lebih sering yang menutupi peron, termasuk satu yang secara khusus menutupi pintu keluar terowongan (yaitu, aspek terowongan dari mana kereta metro tiba-tiba muncul), maka akan ada ruang untuk melibatkan beberapa kerangka yang sedang berkembang seputar arah pandangan. Sebagaimana adanya, pekerjaan saat ini bergantung pada evaluasi arah tubuh secara keseluruhan untuk menandakan bahwa subjek sedang memandang ke terowongan.

Pada akhirnya, masalahnya adalah masalah anggaran, setidaknya sejauh menyangkut infrastruktur kereta api; jika semua peron dilengkapi dengan penghalang dan gerbang – fitur yang muncul jarang di stasiun London Underground, dan di jaringan metro kota lain di seluruh dunia – maka peron tersebut tidak akan menawarkan kesempatan untuk menyakiti diri sendiri.

Tentu saja, pengawasan yang ditingkatkan adalah pilihan yang lebih murah, dan identifikasi dini tanda-tanda karakteristik dari kekerasan diri dapat memungkinkan intervensi langsung sebelum tragedi terjadi.

First published Tuesday, June 9th, 2026