Gervigreind spáir fyrir um heita bletti úr gervihnattamyndum og GPS gögnum

Vísindamenn frá MIT og Katar Center for Artificial Intelligence hafa þróað vélanámskerfi sem greinir gervihnattamyndir í hárri upplausn, GPS hnit og söguleg slysagögn til að kortleggja mögulega slysahættulega hluta í vegakerfum og spá fyrir um „heita staði“ slysa. þar sem engin önnur gögn eða fyrri aðferðir gætu gefið til kynna þær.

Miðjuhægri, fyrirsjáanlegir slysareitir koma upp við að safna saman þremur gagnaveitum. Svæði auðkennd í hringi eru „háhættu“ spár sem hafa í raun enga sögulega slysasögu. Heimild: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Kerfið býður upp á djarfar spár fyrir svæði í vegakerfi sem eru líkleg til að verða slysasvartir, jafnvel þar sem þau svæði hafa enga sögu um slys. Með því að prófa kerfið á gögnum sem ná yfir fjögur ár, komust vísindamennirnir að því að spár þeirra um þessi „enga sögu“ hugsanlega slysahættusvæði voru staðfest af atburðum á næstu árum.

The nýtt blað er kallað Ályktun um háupplausn umferðarslysahættukorta byggð á gervihnattamyndum og GPS-ferlum. Höfundarnir spá fyrir um notkun fyrir nýja arkitektúrinn umfram slysaspá, og gera þá tilgátu að hægt sé að nota það á 911 neyðaráhættukort eða kerfi til að spá fyrir um líkurnar á eftirspurn eftir leigubílum og ferðaþjónustuaðilum.

Fyrri svipaðar tilraunir hafa reynt að búa til svipaða atviksspá úr lágupplausnarkortum með mikilli hlutdrægni, eða að öðrum kosti að nýta slysatíðni sem lykil, sem leiddi til mikillar dreifni, ónákvæmar spár. Þess í stað er nýja verkefnið, sem nær yfir fjórar stórborgir Bandaríkjanna, samtals 7,488 ferkílómetrar, betri en þessi fyrri áætlun með því að safna saman fjölbreyttari gögnum.

Dreifð gögn

Vandamálið sem rannsakendur standa frammi fyrir er dreifð gögn - mjög mikið magn slysa verður óhjákvæmilega tekið eftir og brugðist við án þess að þörf sé á vélgreiningu, en lúmskari hættulegri fylgni er erfitt að greina.

Fyrri slysaspárkerfi miðast við Monte Carlo mat af sögulegum slysagögnum og getur ekki veitt nein árangursríkt spákerfi þar sem þessi gögn skortir. Þess vegna rannsakar nýja rannsóknin vegakerfiskafla með svipuðu umferðarmynstri, svipuðu sjónrænu útliti og svipaðri uppbyggingu, sem ályktar um tilhneigingu til slysa út frá þessum eiginleikum.

Um er að ræða „skot í myrkrinu“ sem virðist hafa grafið upp grundvallar slysavísa, sem gætu nýst við hönnun nýrra vegakerfa.

Kernel Density Mat (KDE) hefur verið notað til að varpa ljósi á sögulega umferðarslysasvæði, þar sem ekki er hægt að spá fyrir um framtíðarslys. Í efri myndinni til vinstri sjáum við hvar KDE hefur spáð fyrir um slys á bláa kassasvæðinu, á móti hvar slysin eru almennt staðbundin (aðliggjandi). Neðst til hægri, samanburður á bilun í KDE-spá við nákvæma spá (blái kassi) MIT-kerfisins.

Höfundarnir benda á að GPS-ferilsgögn bjóða upp á upplýsingar um flæði, hraða og þéttleika umferðar, en gervihnattamyndir af svæðinu bæta við upplýsingum um akreinargerð og fjölda akreina, svo og tilvist harðs öxl og tilvist gangandi vegfarendur.

Framlagshöfundur Amin Sadeghi, frá Qatar Computing Research Institute (QCRI) sagði „Módelið okkar getur alhæft frá einni borg til annarrar með því að sameina margar vísbendingar frá að því er virðist ótengdum gagnaveitum. Þetta er skref í átt að almennri gervigreind, því líkanið okkar getur spáð fyrir um hrunkort á óþekktum svæðum.“ og áframhaldandi „Hægt er að nota líkanið til að álykta um gagnlegt hrunkort, jafnvel þótt söguleg hrungögn séu ekki fyrir hendi, sem gæti þýtt jákvæða notkun fyrir borgarskipulag og stefnumótun með því að bera saman ímyndaðar aðstæður“.

Arkitektúr umferðarspárkerfisins býr til slysahættukort í 5 metra upplausn, sem höfundar segja að sé mikilvægt til að greina mismunandi áhættu á milli hraðbrauta og aðliggjandi íbúðavega.

Verkefnið var metið á hrun og hliðargögnum sem ná yfir tímabilið 2017-18. Spár voru síðan gerðar fyrir 2019 og 2020, þar sem nokkrir staðsetningar „háa áhættu“ komu fram jafnvel þótt engin söguleg gögn væru til sem myndu venjulega spá fyrir um þetta.

Að ná gagnlegri alhæfingu

Ofmátun er mikilvæg áhætta í kerfi sem byggir á dreifðum gögnum, jafnvel þar sem, eins og í þessu tilviki, eru tvær viðbótaruppsprettur stuðningsgagna. Þar sem nýgengi er lágt er hægt að draga óhóflegar forsendur út frá of fáum dæmum, sem leiðir til reiknirit sem býst við mjög sérstöku, þröngu bandi mögulegra aðstæðna og sem mun ekki skilgreina víðtækari líkur.

Þess vegna, við þjálfun líkansins, „slepptu“ rannsakendur hverri inntaksuppsprettu af handahófi sem 20% líkur, þannig að hægt sé að líta á svæði með færri (eða engin) slysagögn sem líkanið þjálfast í átt að alhæfingu, og þannig að samhliða gagnagjafar geti koma fram sem umboðsmaður fyrir upplýsingar sem vantar fyrir tiltekna rannsókn á gatnamótum eða vegarkafla.

Mat

Líkanið var prófað á gagnasafni sem samanstendur af næstum 7,500 km af þéttbýli í Boston, Los Angeles, Chicago og NYC. Gagnapakkningin var skipulögð í formi 1,872 2kmx2km flísar, sem hver innihélt gervihnattamyndir frá MapBox, með vegaskiptingu dulið með gögnum frá OpenStreetMap. Bæði grunnmyndirnar og skiptingarkortin hafa 0.625 metra upplausn.

GPS gögnin koma í formi sérgagnagagna sem safnað var á árunum 2015-17 yfir borgirnar fjórar, samtals 7.6 milljónir kílómetra af GPS ferlum á 1 sekúndu sýnatökuhraða.

Verkefnið nýtir einnig 4.2 milljónir gagna sem ná yfir 2016-2020 í Slysagagnasett í Bandaríkjunum. Hver skrá inniheldur tímastimpla og önnur lýsigögn.

Fyrstu tvö árin af sögulegum gögnum voru færð í líkanið og síðustu tvö árin notuð til þjálfunar og mats, sem gerir rannsakendum kleift að staðfesta nákvæmni kerfisins á tveimur árum á stuttum tíma.

Kerfið var prófað með og án sögulegra gagna og reyndist ná vel undirliggjandi áhættudreifingu í öllum tilfellum, einkum með því að bæta fyrri KDE-byggðar aðferðir (sjá hér að ofan).

Vegir áfram

Höfundarnir halda því fram að hægt sé að nota kerfi þeirra í önnur lönd með litlum arkitektúrbreytingum, jafnvel á stöðum þar sem slysagögn eru ekki tiltæk. Að auki leggja höfundar til rannsóknir sínar sem mögulega viðbót við borgarskipulagshönnun fyrir nýja borgarþróun.

Aðalhöfundur Songtao He tjáði sig um nýja verkið:

„Með því að fanga undirliggjandi áhættudreifingu sem ákvarðar líkurnar á slysum í framtíðinni á öllum stöðum, og án nokkurra sögulegra gagna, getum við fundið öruggari leiðir, gert bílatryggingafyrirtækjum kleift að útvega sérsniðnar tryggingaáætlanir byggðar á akstursferlum viðskiptavina, hjálpað borgarskipulagsmönnum að hanna öruggari vegir og spáðu jafnvel fyrir um slys í framtíðinni.

Þó að blaðið gefi til kynna að kóðinn fyrir kerfið hafi verið gefinn út á GitHub, þá er hlekkurinn á kóðann ekki virkur, hann er ekki að finna í augnablikinu með leit og verður væntanlega innifalinn í síðari endurskoðun.

Rannsóknin hefur tilhneigingu til að vera felld inn í vinsæl GPS-byggð umferðarforrit og leiðaskipuleggjendur á neytendastigi, samkvæmt Songtao He:

„Ef fólk getur notað áhættukortið til að bera kennsl á vegahluta sem eru í hættu geta þeir gripið til aðgerða fyrirfram til að draga úr hættu á ferðum sem þeir fara í. Forrit eins og Waze og Apple Maps eru með verkfæri fyrir atvikseiginleika, en við erum að reyna að komast á undan hrununum - áður en þau gerast,“