人工知能は衛星画像とGPSデータから事故のホットスポットを予測する

MITとカタール人工知能センターの研究者は、衛星画像、高解像度のGPSデータ、歴史的な事故データを分析する機械学習システムを開発しました。このシステムは、道路ネットワークの潜在的な事故多発区域をマッピングし、以前の方法では予測できない事故の「ホットスポット」を成功的に予測しました。

右中央、予測事故ホットスポットは3つのデータソースから生成されます。円で囲まれた領域は、実際には歴史的な事故歴がない「高リスク」予測です。 ソース：https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

このシステムは、道路ネットワークの特定の区域が将来事故のホットスポットになる可能性が高いことを予測します。さらに、以前の事故歴がない区域でも予測します。4年間のデータを使用してこのシステムをテストした結果、予測された「事故歴なし」の潜在的な事故危険区域は、後の年間に実際に発生した事故によって裏付けられました。

新しい論文は、衛星画像とGPSトラジェクトリを使用した高解像度の交通事故リスクマップの推定と呼ばれています。著者は、このアーキテクチャが事故予測以外の用途にも使用できると主張しています。たとえば、911の緊急リスクマップや、タクシーとライドシェアサービスの需要予測に使用できる可能性があると述べています。

以前の同様の試みは、低解像度のマップから事故予測を行うことを試みましたが、バイアスが大きく、予測の精度が低かったです。代わりに、新しいプロジェクトは、より多様なデータソースを組み合わせて、以前のスキームを上回る精度で予測を行うことができました。

スパースデータ

研究者が直面している問題は、スパースデータです。大量の事故データは、機械学習を必要とせずにすでに発見されており、より微妙な危険な相関関係を特定することは困難です。

以前の事故予測システムは、歴史的な事故データのモンテカルロ推定に基づいていますが、データが不足している場合は予測メカニズムを提供できません。したがって、新しい研究では、道路ネットワークのセクションを、交通パターン、視覚的な外見、構造が似ているセクションと比較して、事故の可能性を推定しています。

これは、基本的な事故指標を発見した「暗中の飛び道具」であると言えるでしょう。これらの指標は、新しい道路ネットワークの設計に活用できる可能性があります。

カーネル密度推定（KDE）は、歴史的な交通事故ホットスポットを強調するために使用されてきましたが、将来の事故の場所を予測することはできません。上左の画像では、KDEが事故を予測している青いボックス領域と、実際の事故が発生している場所（隣接）を比較しています。下右の画像では、KDEの予測の失敗とMITシステムの正確な予測（青いボックス）を比較しています。

著者は、GPSトラジェクトリデータが交通の流れ、速度、密度に関する情報を提供し、衛星画像が車線配置、車線数、ハードショルダーの存在、歩行者の存在に関する情報を追加することを指摘しています。

共同著者であるAmin Sadeghiは、カタール・コンピューティング・リサーチ・インスティテュート（QCRI）からコメントしました。「私たちのモデルは、無関係なデータソースからの複数のヒントを組み合わせて、都市から都市への一般化を行うことができます。これは、汎用人工知能への一歩です。私たちのモデルは、歴史的な事故データがなくても、クラッシュマップを推定できます。これは、都市計画や政策立案における仮想シナリオの比較に役立つ可能性があります。」

交通予測システムのアーキテクチャは、5メートルの解像度で事故リスクマップを生成します。著者は、これは高速道路と隣接する住宅道路の間のリスクを区別するために重要であると述べています。

このプロジェクトは、2017年から2018年にかけての事故データと横断データで評価されました。2019年と2020年の予測は、歴史的なデータがなくても「高リスク」な場所が発生することを示しました。

有用な一般化の達成

オーバーフィッティングは、スパースデータで動作するシステムでは重大なリスクです。入力ソースが2つ追加されている場合でも、低発生率の場合、過度な仮定が少数の例から導かれ、特定の状況を期待するアルゴリズムが作成され、より広い確率を特定できない可能性があります。

したがって、モデルをトレーニングする際に、研究者は各入力ソースを20%の確率でランダムに「ドロップアウト」しました。つまり、事故データが少ないまたはない区域でも、モデルは一般化に向けてトレーニングされ、並列データソースが特定の交差点または道路セクションの研究に欠けている情報の代理として機能することができます。

評価

モデルは、ボストン、ロサンゼルス、シカゴ、ニューヨーク市の都市部をカバーする約7,500kmのデータセットでテストされました。データセットは、1,872の2km×2kmのタイルで構成されており、各タイルにはMapBoxの衛星画像とOpenStreetMapの道路セグメンテーションが含まれています。画像とセグメンテーションマップの解像度は0.625メートルです。

GPSデータは、2015年から2017年にかけて4都市で収集された、7.6百万キロメートルのGPSトラジェクトリで構成されています。サンプリングレートは1秒です。

プロジェクトでは、2016年から2020年にかけてのUS Accidents Datasetの4,200万件のレコードも利用しています。各レコードにはタイムスタンプとその他のメタデータが含まれています。

最初の2年間の歴史的なデータをモデルにフィードし、最後の2年間のデータをトレーニングと評価に使用することで、研究者は短期間でシステムの精度を確立することができました。

システムは、歴史的なデータの有無にかかわらずテストされ、すべてのケースで潜在的なリスク分布を成功的に捉えることができました。特に、以前のKDEベースの方法よりも大幅に改善されました（上記参照）。

将来への道

著者は、システムがほとんどのアーキテクチャの変更なしに他の国でも適用できる可能性があると主張しています。さらに、都市計画設計の新しい都市開発のための付加的なツールとして研究を提案しています。

リード著者であるSongtao Heは、新しい研究についてコメントしました：

“将来のクラッシュの可能性を決定する根本的なリスク分布を捉えることで、歴史的なデータがなくても、より安全なルートを見つけることができます。自動車保険会社は、顧客の運転トラジェクトリに基づいてカスタマイズされた保険プランを提供できます。都市計画者はより安全な道路を設計できます。さらに、将来のクラッシュを予測できます。”

論文では、システムのコードがGitHubで公開されていると述べられていますが、コードへのリンクは現在アクティブではなく、検索では見つけることができません。コードは将来の改訂で含まれる予定です。

この研究は、人気のある消費者向けのGPSベースの交通アプリやルートプランナーに組み込まれる可能性があります。Songtao Heは次のように述べています：

“人々がリスクマップを使用して潜在的に高リスクな道路セグメントを特定できる場合、事前にリスクを軽減するための措置を講じることができます。WazeやApple Mapsなどのアプリにはインシデント機能ツールがありますが、クラッシュが発生する前にそれらを予測しようとしています。”