L’AI prevede i punti caldi degli incidenti con immagini satellitari e dati GPS

I ricercatori del MIT e del Qatar Center for Artificial Intelligence hanno sviluppato un sistema di apprendimento automatico che analizza immagini satellitari ad alta risoluzione, coordinate GPS e dati storici sugli incidenti per mappare le sezioni potenzialmente pericolose delle reti stradali, prevedendo con successo i “punti caldi” degli incidenti dove nessun altro dato o metodo precedente li avrebbe indicati.

A destra, i punti caldi degli incidenti predetti emergono dalla raccolta di tre fonti di dati. Le aree evidenziate in cerchi sono previsioni di “alto rischio” che in realtà non hanno alcuna storia di incidenti. Fonte: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Il sistema offre previsioni audaci per le aree della rete stradale che sono probabili diventare punti caldi degli incidenti, anche dove quelle aree non hanno alcuna storia di incidenti. Testando il sistema su dati che coprono quattro anni, i ricercatori hanno scoperto che le loro previsioni per queste aree potenzialmente pericolose senza storia di incidenti sono state confermate dagli eventi negli anni successivi.

Il nuovo articolo si intitola Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Gli autori prevedono utilizzi per la nuova architettura al di là della previsione degli incidenti, ipotizzando che potrebbe essere applicata a mappe di rischio per le emergenze 911 o a sistemi per prevedere la probabilità di richiesta di taxi e servizi di condivisione di auto.

Precedenti sforzi simili hanno tentato di creare predittori di incidenti simili da mappe a bassa risoluzione con alto bias, o di sfruttare la frequenza degli incidenti come chiave, il che ha portato a previsioni inaccurate e ad alta varianza. Invece, il nuovo progetto, che copre quattro grandi città americane per un totale di 7.488 chilometri quadrati, supera questi schemi precedenti raccogliendo forme più diverse di dati.

Dati Sparsi

Il problema che i ricercatori affrontano è quello dei dati sparsi – volumi molto alti di incidenti saranno inevitabilmente notati e affrontati senza la necessità di analisi automatiche, ma correlazioni pericolose più sottili sono difficili da identificare.

Precedenti sistemi di previsione degli incidenti si basano sulla stima di Monte Carlo dei dati storici sugli incidenti e non possono fornire alcun meccanismo di previsione efficace dove questi dati mancano. Pertanto, la nuova ricerca studia sezioni della rete stradale con modelli di traffico simili, aspetto visivo simile e struttura simile, deducendo una disposizione agli incidenti in base a queste caratteristiche.

È un “colpo nel buio” che sembra aver scoperto indicatori fondamentali di incidenti, che potrebbero essere utilizzati nella progettazione di nuove reti stradali.

La stima della densità del kernel (KDE) è stata utilizzata per evidenziare i punti caldi storici degli incidenti stradali, fallendo nella previsione delle future ubicazioni degli incidenti. Nell’immagine in alto a sinistra, vediamo dove la KDE ha previsto incidenti nella regione del rettangolo blu, rispetto a dove gli incidenti si sono effettivamente verificati (adiacente). In basso a destra, un confronto tra il fallimento della previsione della KDE e la previsione accurata (rettangolo blu) del sistema del MIT.

Gli autori notano che i dati di traiettoria GPS offrono informazioni sul flusso, sulla velocità e sulla densità del traffico, mentre le immagini satellitari dell’area aggiungono informazioni sulla disposizione delle corsie, sul numero di corsie, nonché sull’esistenza di una corsia di emergenza e sulla presenza di pedoni.

L’autore Amin Sadeghi, del Qatar Computing Research Institute (QCRI) ha commentato “Il nostro modello può generalizzare da una città all’altra combinando più indizi da fonti di dati apparentemente non correlate. Questo è un passo verso l’intelligenza artificiale generale, poiché il nostro modello può prevedere mappe di incidenti in territori inesplorati” e ha continuato “Il modello può essere utilizzato per dedurre una mappa di incidenti utile anche in assenza di dati storici sugli incidenti, il che potrebbe tradursi in un uso positivo per la pianificazione urbana e la politica attraverso la comparazione di scenari immaginari”.

L’architettura del sistema di previsione del traffico genera una mappa di rischio di incidenti a una risoluzione di 5 metri, che gli autori affermano essere critica per distinguere i diversi rischi tra strade autostradali e strade residenziali adiacenti.

Il progetto è stato valutato su incidenti e dati laterali che coprono un periodo tra il 2017-18. Le previsioni sono state quindi effettuate per il 2019 e il 2020, con diverse “aree ad alto rischio” emerse anche in assenza di dati storici che normalmente prevedrebbero questo.

Ottenere una Generalizzazione Utile

Il sovrapprendimento è un rischio critico in un sistema alimentato da dati sparsi, anche quando, come in questo caso, ci sono due fonti di dati di supporto aggiuntive. Dove un incidente è basso, possono essere tratte eccessive supposizioni da pochi esempi, portando a un algoritmo che si aspetta una banda di circostanze molto particolare e ristretta, e che fallirà nell’identificare probabilità più ampie.

Pertanto, durante l’addestramento del modello, i ricercatori hanno casualmente “eliminato” ogni fonte di input con una probabilità del 20%, in modo che le aree con meno (o senza) dati sugli incidenti possano essere considerate mentre il modello si addestra verso la generalizzazione, e in modo che le fonti di dati parallele possano agire come un rappresentante proxy per le informazioni mancanti per qualsiasi studio di un incrocio o di una sezione di strada.

Valutazione

Il modello è stato testato su un set di dati che comprende quasi 7.500 km di area urbana a Boston, Los Angeles, Chicago e New York. Il set di dati è stato organizzato nella forma di 1.872 tile da 2 km x 2 km, ciascuno contenente immagini satellitari da MapBox, con la segmentazione stradale mascherata tramite dati da OpenStreetMap. Sia le immagini di base che le mappe di segmentazione hanno una risoluzione di 0,625 metri.

I dati GPS sono in forma di un set di dati proprietario raccolto tra il 2015-17 nelle quattro città, per un totale di 7,6 milioni di chilometri di traiettorie GPS a un tasso di campionamento di 1 secondo.

Il progetto sfrutta anche 4,2 milioni di record che coprono il 2016-2020 nel US Accidents Dataset. Ogni record include timestamp e altri metadati.

I primi due anni di dati storici sono stati alimentati nel modello, e gli ultimi due anni sono stati utilizzati per l’addestramento e la valutazione, consentendo ai ricercatori di stabilire l’accuratezza del sistema su due anni in un breve lasso di tempo.

Il sistema è stato testato con e senza dati storici e si è scoperto che cattura con successo la distribuzione sottostante del rischio in tutti i casi, migliorando notevolmente i metodi basati sulla KDE precedenti (vedi sopra).

Strade Future

Gli autori sostengono che il loro sistema può essere applicato ad altri paesi con poche modifiche architettoniche, anche in luoghi dove i dati sugli incidenti non sono disponibili. Inoltre, gli autori propongono la loro ricerca come possibile complemento alla progettazione della pianificazione urbana per nuovi sviluppi urbani.

L’autore principale Songtao He ha commentato il nuovo lavoro:

“Catturando la distribuzione sottostante del rischio che determina la probabilità di futuri incidenti in tutti i luoghi, e senza alcun dato storico, possiamo trovare percorsi più sicuri, consentire alle compagnie di assicurazione auto di offrire piani di assicurazione personalizzati in base alle traiettorie di guida dei clienti, aiutare i pianificatori urbani a progettare strade più sicure e persino prevedere futuri incidenti.”

Sebbene l’articolo indichi che il codice per il sistema è stato rilasciato su GitHub, il link al codice non è attivo, non può essere trovato tramite una ricerca e presumibilmente sarà incluso in una revisione successiva.

La ricerca ha il potenziale per essere incorporata in app di traffico GPS-based a livello di consumo popolare e pianificatori di percorsi, secondo Songtao He:

“Se le persone possono utilizzare la mappa di rischio per identificare potenziali sezioni stradali ad alto rischio, possono prendere azioni in anticipo per ridurre il rischio dei viaggi che intraprendono. App come Waze e Apple Maps hanno strumenti di funzionalità di incidenti, ma stiamo cercando di stare un passo avanti rispetto agli incidenti – prima che accadano,”