인공 지능은 위성 이미지와 GPS 데이터에서 사고 핫스팟을 예측한다

MIT와 카타르 인공 지능 센터의 연구자들은 고해상도 위성 이미지, GPS 좌표 및 역사적 충돌 데이터를 분석하여 도로 네트워크에서 잠재적으로 사고가 발생할 수 있는 섹션을 매핑하는 기계 학습 시스템을 개발했습니다. 이는 이전에 데이터나 방법이 없던 사고 ‘핫스팟’을 성공적으로 예측했습니다.

중앙 우측, 예측 사고 핫스팟은 세 가지 데이터 소스를 결합하여 나타납니다. 원으로 표시된 영역은 실제 역사적 사고 기록이 없는 ‘고위험’ 예측입니다. 출처: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

이 시스템은 도로 네트워크에서 사고가 발생할 가능성이 높은 영역에 대해 대담한 예측을 제공합니다. 즉, 사고 기록이 전혀 없는 영역에서도 예측할 수 있습니다. 연구자들은 4년간의 데이터를 테스트한 결과, 시스템이 사고가 발생할 가능성이 높은 영역을 예측하는 데 성공했습니다.

새로운 논문은 고해상도 교통 사고 위험 지도 생성을위한 위성 이미지와 GPS 트래저리 기반의 고해상도 교통 사고 위험 지도 생성입니다. 저자들은 새로운 아키텍처를 사용하여 911 비상 사고 위험 지도 또는 택시와 라이드シェ어 제공업체의 수요 예측과 같은 다른 용도로 사용할 수 있을 것이라고 예상합니다.

이전의 유사한 시도는 저해상도 지도에서 높은 편향으로 인해 사고 예측기를 생성하거나 사고 빈도를 주요 키로 사용하여 높은 분산으로 인해 정확한 예측을 제공하지 못했습니다. 대신, 새로운 프로젝트는 4개의 주요 미국 도시를 포함하여 7,488 제곱 킬로미터를 다루며 이전의 이러한 계획보다 더 다양한 형태의 데이터를 결합하여 더 나은 성능을 제공합니다.

희소 데이터

연구자들이 직면한 문제는 희소 데이터입니다. 매우 높은 수의 사고는 기계 학습 없이도 쉽게 식별되고 해결될 수 있지만, 더 미묘한 위험한 상관관계는 식별하기 어렵습니다.

이전의 사고 예측 시스템은 역사적 사고 데이터의 몬테 카를로 추정에 중점을 두며, 이러한 데이터가 부족한 경우에는 효과적인 예측 메커니즘을 제공하지 못합니다. 따라서 새로운 연구는 유사한 교통 패턴, 유사한 시각적 외관 및 유사한 구조를 갖는 도로 네트워크 섹션을 연구하며, 이러한 특성에 따라 사고에 대한 기울기를 추론합니다.

이는 근본적인 사고 지표를 발견한 것으로 보이며, 이는 새로운 도로 네트워크 설계에 활용될 수 있습니다.

커널 밀도 추정(KDE)은 역사적 교통 사고 핫스팟을 강조하는 데 사용되었지만, 미래의 사고 위치를 예측하지 못했습니다. 상단 왼쪽 이미지에서 우리는 KDE가 사고를 예측한 파란색 박스 영역과 실제 사고가 발생한 위치(인접)를 비교할 수 있습니다. 하단 오른쪽, KDE 예측 실패와 MIT 시스템의 정확한 예측(파란색 박스)을 비교합니다.

저자들은 GPS 트래저리 데이터가 교통의 흐름, 속도 및 밀도에 대한 정보를 제공하는 반면, 해당 지역의 위성 이미지는 차선 배치, 차선 수, 하드 숄더의 존재 및 보행자의 존재와 같은 정보를 추가로 제공한다고 지적합니다.

공저자 Amin Sadeghi는 카타르 컴퓨팅 연구소(QCRI)에서 “우리의 모델은 하나의 도시에서 다른 도시로 일반화할 수 있으며, 서로 관련이 없는 데이터 소스에서 여러 단서를 결합하여 사고 지도 예측을 할 수 있습니다. 이는 일반적인 인공 지능으로 향하는 한 걸음입니다. 우리의 모델은 역사적 사고 데이터가 없는 영역에서도 유용한 사고 지도 예측을 할 수 있습니다.”라고 말했다.

교통 예측 시스템의 아키텍처는 5미터 해상도의 사고 위험도를 제공하며, 저자들은 고속도로와 인접한 주거 도로 사이의 다른 위험을 구별하는 데 중요하다고 주장합니다.

이 프로젝트는 2017-18년의 충돌과 수평 데이터를 평가했으며, 2019년과 2020년의 예측을 수행했습니다. 여러 ‘고위험’ 위치가 역사적 데이터가 없는 경우에도 나타났습니다.

유용한 일반화 달성

오버피팅은 희소 데이터로 구동되는 시스템에서 중요한 위험입니다. 즉, 낮은 발생 빈도에서 과도한 가정으로 인해 알고리즘이 매우 특정하고 狭い 가능성만을 기대하게 되며, 이는 더 широк은 확률을 식별하지 못하게 됩니다.

따라서 모델을 훈련하는 동안 연구자들은 각 입력 소스를 20%의 확률로 무작위로 ‘드롭 아웃’하여, 사고 데이터가 없는 영역을 모델이 일반화하는 방향으로 훈련할 수 있도록 하였습니다. 이를 통해 평행 데이터 소스가 특정 교차로 또는 도로 섹션의 연구에서 누락된 정보를 대표하는 대리인으로 작용할 수 있습니다.

평가

모델은 보스턴, 로스앤젤레스, 시카고 및 뉴욕시를 포함하여 약 7,500km의 도시 지역을 포함하는 데이터셋에서 테스트되었습니다. 데이터셋은 MapBox의 위성 이미지와 OpenStreetMap의 도로 분할을 포함하는 1,872개의 2kmx2km 타일로 구성되었습니다. 기본 이미지는 0.625미터의 해상도를 갖습니다.

GPS 데이터는 2015-17년 동안 4개 도시에서 수집된 총 7.6백만 킬로미터의 GPS 트래저리를 포함하며, 1초 샘플링 속도로 수집되었습니다.

이 프로젝트는 또한 2016-2020년을 포함하는 4.2백만 개의 레코드를 포함하는 US Accidents Dataset을 활용합니다. 각 레코드에는 타임스탬프와 기타 메타데이터가 포함됩니다.

첫 2년의 역사적 데이터를 모델에 입력하고, 나머지 2년을 훈련 및 평가에 사용하여, 연구자들은 2년 동안 시스템의 정확성을 확인할 수 있었습니다.

시스템은 역사적 데이터가 있는 경우와 없는 경우 모두 테스트되었으며, 모든 경우에서 기본적인 위험 분포를 성공적으로 캡처하여 이전의 KDE 기반 방법보다 성능을 개선했습니다(위 참조).

앞으로의 길

저자들은 시스템이 사고 데이터가 없는 경우에도 약간의 아키텍처 수정으로 다른 국가에서 적용될 수 있다고 주장합니다. 또한, 저자들은 도시 계획 및 정책 결정에 새로운 도시 개발을 위한 도구로 연구를 제안합니다.

수석 저자 Songtao He는 새로운 연구에 대해 다음과 같이 말했다:

“미래의 사고 확률을 결정하는 기본적인 위험 분포를 캡처하여, 역사적 데이터 없이도 미래의 사고를 예측할 수 있습니다. 더 안전한 경로를 찾을 수 있으며, 자동차 보험 회사에서는 고객의 운전 트래저리에 따라 맞춤형 보험 플랜을 제공할 수 있습니다. 도시 계획자는 더 안전한 도로를 설계할 수 있으며, 미래의 사고를 예측할 수 있습니다.”

이 논문은 시스템의 코드가 GitHub에 공개되었음을 나타내지만, 코드 링크는 현재 활성화되어 있지 않으며, 검색으로 찾을 수 없으며, 추후 수정에서 포함될 것입니다.

연구는 인기 있는 소비자급 GPS 기반 교통 앱 및 경로 계획기에 통합될 수 있는 잠재력을 가지고 있습니다. Songtao He는 다음과 같이 말했다:

“사람들이 위험도를 식별하여 여행의 위험을 줄일 수 있습니다. Waze와 Apple Maps와 같은 앱은 사고 기능을 제공하지만, 우리는 사고가 발생하기 전에 예측하려고 합니다.”