L'intelligenza artificiale prevede i punti critici degli incidenti dalle immagini satellitari e dai 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 al fine di mappare potenziali sezioni a rischio di incidenti nelle reti stradali, prevedendo con successo i "punti caldi" degli incidenti. dove nessun altro dato o metodo precedente li indicherebbe.

Al centro a destra, i punti caldi predittivi degli incidenti emergono dalla raccolta di tre fonti di dati. Le aree evidenziate nei cerchi sono previsioni di "alto rischio" che in realtà non hanno precedenti di incidenti storici. 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 di una rete stradale che potrebbero diventare zone critiche per gli incidenti, anche laddove tali aree non hanno precedenti di incidenti. Testando il sistema su dati relativi a quattro anni, i ricercatori hanno scoperto che le loro previsioni per queste potenziali zone a rischio di incidenti "senza storia" erano confermate da eventi negli anni successivi.

I nuovo documento è chiamato Inferire mappe del rischio di incidenti stradali ad alta risoluzione basate su immagini satellitari e traiettorie GPS. Gli autori prevedono usi per la nuova architettura oltre la previsione degli incidenti, ipotizzando che potrebbe essere applicata alle mappe o ai sistemi di rischio di emergenza 911 per prevedere la probabilità della domanda di taxi e fornitori di servizi di condivisione di corse.

Sforzi simili precedenti hanno tentato di creare predittori di incidenti simili da mappe a bassa risoluzione con bias elevato, oppure di sfruttare la frequenza degli incidenti come chiave, il che ha portato a previsioni imprecise ad alta varianza. Invece, il nuovo progetto, che copre quattro grandi città degli Stati Uniti per un totale di 7,488 chilometri quadrati, supera questi schemi precedenti raccogliendo forme di dati più diverse.

Dati sparsi

Il problema che i ricercatori devono affrontare sono i dati scarsi: volumi molto elevati di incidenti saranno inevitabilmente notati e affrontati senza la necessità di analisi automatiche, ma le correlazioni più sottilmente pericolose sono difficili da identificare.

I precedenti sistemi di previsione degli incidenti sono incentrati su Stima di Montecarlo dei dati storici sugli incidenti e non può fornire alcun meccanismo di previsione efficace laddove tali dati manchino. Pertanto la nuova ricerca studia tratti di rete stradale con andamento del traffico simile, aspetto visivo simile e struttura simile, deducendo una predisposizione agli incidenti sulla base di queste caratteristiche.

E' uno 'sparato nel buio' che sembra aver portato alla luce indicatori incidentali fondamentali, che potrebbero essere utilizzati nella progettazione di nuove reti viarie.

Stima della densità del kernel (KDE) è stato utilizzato per evidenziare i punti caldi storici degli incidenti stradali, non riuscendo a prevedere i luoghi futuri degli incidenti. Nell'immagine in alto a sinistra vediamo dove KDE ha previsto gli incidenti nella regione del riquadro blu, rispetto a dove gli incidenti sono generalmente localizzati (adiacente). In basso a destra, un confronto tra il fallimento della previsione di KDE e la previsione accurata (riquadro blu) del sistema MIT.

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

Autore collaboratore 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, perché il nostro modello può prevedere mappe di incidenti in territori inesplorati". e ha continuato "Il modello può essere utilizzato per dedurre un'utile mappa degli incidenti anche in assenza di dati storici sugli incidenti, che potrebbero tradursi in un uso positivo per la pianificazione urbana e la definizione delle politiche confrontando scenari immaginari".

L'architettura del sistema di previsione del traffico genera una mappa del rischio di incidenti con una risoluzione di 5 metri, che secondo gli autori è fondamentale per distinguere i diversi rischi tra l'autostrada e le strade residenziali adiacenti.

Il progetto è stato valutato su crash e dati laterali che coprono un periodo compreso tra il 2017-18. Sono state quindi fatte previsioni per il 2019 e il 2020, con diverse località "ad alto rischio" che sono emerse anche in assenza di dati storici che normalmente lo prevedessero.

Raggiungere una generalizzazione utile

sovradattamento è un rischio critico in un sistema alimentato da dati sparsi, anche dove, come in questo caso, ci sono due ulteriori fonti di dati a supporto. Laddove un'incidenza è bassa, è possibile trarre ipotesi eccessive da troppo pochi esempi, portando a un algoritmo che si aspetta una banda molto particolare e ristretta di possibili circostanze e che non riuscirà a identificare probabilità più ampie.

Pertanto, durante l'addestramento del modello, i ricercatori hanno "abbandonato" casualmente ciascuna fonte di input con una probabilità del 20%, in modo che le aree con meno (o nessun) dato sugli incidenti possano essere considerate come il modello che si allena verso la generalizzazione e in modo che le fonti di dati parallele possano fungere da proxy rappresentativo per le informazioni mancanti per qualsiasi studio particolare di un'intersezione o di un tratto di strada.

Valutazione

Il modello è stato testato su un set di dati comprendente quasi 7,500 km di area urbana a Boston, Los Angeles, Chicago e New York. Il set di dati è stato organizzato sotto forma di 1,872 riquadri da 2 km x 2 km, ciascuno contenente immagini satellitari provenienti da MapBox, con 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 si presentano sotto forma di un set di dati proprietario raccolto tra il 2015 e il 17 nelle quattro città, per un totale di 7.6 milioni di chilometri di traiettorie GPS a una frequenza di campionamento di 1 secondo.

Il progetto sfrutta anche 4.2 milioni di record relativi al periodo 2016-2020 nel Set di dati sugli incidenti negli Stati Uniti. Ogni record include timestamp e altri metadati.

I primi due anni di dati storici sono stati inseriti 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 nell'arco di due anni in un breve lasso di tempo.

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

Strade avanti

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

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

“Catturando la distribuzione del rischio sottostante che determina la probabilità di incidenti futuri in ogni luogo e senza dati storici, possiamo trovare percorsi più sicuri, consentire alle compagnie di assicurazione auto di fornire piani assicurativi personalizzati basati sulle traiettorie di guida dei clienti, aiutare gli urbanisti a progettare strade più sicure e persino prevedere futuri incidenti”.

Sebbene il documento indichi che il codice per il sistema è stato rilasciato su GitHub, il collegamento al codice non è attivo, non può essere attualmente trovato da una ricerca e presumibilmente sarà incluso in una revisione successiva.

La ricerca ha il potenziale per essere incorporata in popolari app per il traffico basate su GPS e pianificatori di percorsi a livello di consumatore, secondo Songtao He:

“Se le persone possono utilizzare la mappa del rischio per identificare i segmenti stradali potenzialmente ad alto rischio, possono agire in anticipo per ridurre il rischio dei viaggi che intraprendono. App come Waze e Apple Maps dispongono di strumenti per la funzionalità degli incidenti, ma stiamo cercando di anticipare gli arresti anomali, prima che si verifichino",