AI voorspelt ongevalshottspots met satellietbeelden en GPS-gegevens

Onderzoekers van het MIT en het Qatar Center for Artificial Intelligence hebben een machine learning-systeem ontwikkeld dat hoogresolutie-satellietbeelden, GPS-coördinaten en historische ongevalsgegevens analyseert om potentiële ongevalgevoelige secties in wegennetwerken in kaart te brengen, waarmee ze succesvol ongeval ‘hottspots’ voorspellen waar geen andere gegevens of eerdere methoden dit zouden aangeven.

Midden rechts, voorspelde ongevalhottspots ontstaan uit het combineren van drie gegevensbronnen. Gebieden gemarkeerd met cirkels zijn ‘hoge risico’-voorspellingen die eigenlijk geen historische ongevalsgeschiedenis hebben. Bron: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Het systeem biedt gedurfde voorspellingen voor gebieden in een wegennetwerk die waarschijnlijk ongevalzwarte plekken zullen worden, zelfs waar die gebieden geen enkele ongevalsgeschiedenis hebben. Bij het testen van het systeem met gegevens die vier jaar beslaan, vonden de onderzoekers dat hun voorspellingen voor deze ‘geen geschiedenis’-potentiële ongevalgevoelige zones werden bevestigd door gebeurtenissen in latere jaren.

Het nieuwe paper heet Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. De auteurs voorspellen toepassingen voor de nieuwe architectuur buiten ongevalvoorspelling, waarbij ze hypotheseren dat het kan worden toegepast op 911-noodhulpkaarten of systemen om de kans op vraag naar taxi’s en ritdiensten te voorspellen.

Eerdere soortgelijke inspanningen hebben geprobeerd om soortgelijke incidentvoorspellers te maken van lage resolutiekaarten met hoge bias, of om accidentfrequentie als een sleutel te gebruiken, wat leidde tot hoge variantie, onnauwkeurige voorspellingen. In plaats daarvan presteert het nieuwe project, dat vier grote Amerikaanse steden beslaat met een totale oppervlakte van 7.488 vierkante kilometer, beter dan eerdere schema’s door het combineren van meer diverse vormen van gegevens.

Sparse Data

Het probleem dat de onderzoekers tegenkomen is sparse data – zeer hoge volumes aan ongevallen zullen onvermijdelijk worden opgemerkt en aangepakt zonder de behoefte aan machine-analyse, maar meer subtiel gevaarlijke correlaties zijn moeilijk te identificeren.

Eerdere ongevalvoorspellingsystemen zijn gericht op Monte Carlo-schatting van historische ongevalsgegevens en kunnen geen effectief voorspellingsmechanisme bieden waar deze gegevens ontbreken. Daarom bestudeert het nieuwe onderzoek wegennetwerksecties met vergelijkbare verkeerspatronen, vergelijkbare visuele verschijning en vergelijkbare structuur, waarbij een neiging tot ongevallen wordt afgeleid op basis van deze kenmerken.

Het is een ‘schot in het duister’ dat lijkt te hebben ontdekt fundamentele ongevalindicatoren, die kunnen worden gebruikt bij het ontwerp van nieuwe wegennetwerken.

Kernel Density Estimation (KDE) is gebruikt om historische verkeersongevalhottspots te markeren, maar faalt bij het voorspellen van toekomstige ongevallocaties. In de linkerbovenhoek zien we waar KDE ongevallen heeft voorspeld in het blauwe vakgebied, versus waar de ongevallen over het algemeen zijn gelokaliseerd (ernaast). Onder rechts, een vergelijking van KDE-voorspellingsfout met de nauwkeurige voorspelling (blauw vak) van het MIT-systeem.

De auteurs merken op dat GPS-trajectgegevens informatie bieden over de stroom, snelheid en dichtheid van het verkeer, terwijl satellietbeelden van het gebied informatie toevoegen over de baanindeling, en het aantal banen, evenals de aanwezigheid van een vluchtstrook en de aanwezigheid van voetgangers.

Medeauteur Amin Sadeghi, van het Qatar Computing Research Institute (QCRI) merkte op “Ons model kan generaliseren van de ene stad naar de andere door meerdere aanwijzingen te combineren uit ogenschijnlijk ongerelateerde gegevensbronnen. Dit is een stap richting algemene AI, omdat ons model ongevalkaarten kan voorspellen in onbekende gebieden.” en vervolgde “Het model kan worden gebruikt om een nuttige ongevalkaart af te leiden, zelfs in de afwezigheid van historische ongevalsgegevens, wat kan leiden tot positief gebruik voor stadsplanning en beleid door het vergelijken van imaginaire scenario’s”.

De architectuur van het verkeersvoorspellingsysteem genereert een ongevalrisicokaart met een resolutie van 5 meter, wat de auteurs essentieel vinden om verschillende risico’s tussen snelwegen en aangrenzende woonwijken te onderscheiden.

Het project werd geëvalueerd op ongevallen en laterale gegevens die een periode van 2017-2018 besloegen. Voorspellingen werden vervolgens gedaan voor 2019 en 2020, met enkele ‘hoge risico’-locaties die zelfs in de afwezigheid van historische gegevens opdoken.

Achieving Useful Generalization

Overfitting is een kritisch risico in een systeem dat wordt aangedreven door sparse data, zelfs waar, zoals in dit geval, er twee extra gegevensbronnen zijn. Waar een incident laag is, kunnen overmatige aannamen worden gedaan uit te weinig voorbeelden, waardoor een algoritme ontstaat dat een zeer specifiek, smal band van mogelijke omstandigheden verwacht en dat zal falen om bredere waarschijnlijkheden te identificeren.

Daarom hebben de onderzoekers bij het trainen van het model elke ingevoerde bron willekeurig ‘uitgevallen’ met een kans van 20%, zodat gebieden met minder (of geen) ongevalsgegevens kunnen worden overwogen terwijl het model wordt getraind op generalisatie, en zodat parallelle gegevensbronnen kunnen fungeren als een representatieve proxy voor ontbrekende informatie voor elke specifieke studie van een kruispunt of wegsectie.

Evaluation

Het model werd getest op een dataset die bijna 7.500 km aan stedelijk gebied in Boston, Los Angeles, Chicago en New York omvatte. De dataset was georganiseerd in de vorm van 1.872 2×2 km-tiles, elk met satellietbeelden van MapBox, met wegsegmentatie gemaskeerd via gegevens van OpenStreetMap. Zowel de basisbeelden als de segmentatiekaarten hebben een resolutie van 0,625 meter.

De GPS-gegevens komen in de vorm van een propriëtaire dataset die tussen 2015-2017 over de vier steden is verzameld, met in totaal 7,6 miljoen kilometer aan GPS-trajecten met een bemonsteringsfrequentie van 1 seconde.

Het project maakt ook gebruik van 4,2 miljoen records die 2016-2020 beslaan in de US Accidents Dataset. Elke record bevat tijdstempels en andere metadata.

De eerste twee jaar van historische gegevens werden aan het model gevoerd, en de laatste twee jaar werden gebruikt voor training en evaluatie, waardoor de onderzoekers de nauwkeurigheid van het systeem over twee jaar in een korte tijd konden vaststellen.

Het systeem werd getest met en zonder historische gegevens en werd gevonden om succesvol de onderliggende risicoverdeling over alle gevallen te vangen, waarbij het aanzienlijk beter presteerde dan eerdere KDE-gebaseerde methoden (zie boven).

Roads Forward

De auteurs beweren dat hun systeem kan worden toegepast op andere landen met weinig architectonische modificaties, zelfs op locaties waar ongevalsgegevens niet beschikbaar zijn. Bovendien stellen de auteurs hun onderzoek voor als een mogelijke aanvulling op stadsplanning en ontwerp voor nieuwe stedelijke ontwikkelingen.

Hoofdauteur Songtao He merkte op over het nieuwe werk:

“Door de onderliggende risicoverdeling te vangen die de waarschijnlijkheid van toekomstige ongevallen op alle plaatsen bepaalt, en zonder enige historische gegevens, kunnen we veiligere routes vinden, autoverzekeraars in staat stellen om maatwerkverzekeringen aan te bieden op basis van de rijtrajecten van klanten, stadsplanners helpen om veiligere wegen te ontwerpen en zelfs toekomstige ongevallen voorspellen.”

Hoewel het artikel aangeeft dat de code voor het systeem is vrijgegeven op GitHub, is de link naar de code niet actief, kan deze momenteel niet worden gevonden door een zoekopdracht en zal waarschijnlijk worden opgenomen in een latere revisie.

Het onderzoek heeft het potentieel om te worden geïntegreerd in populaire consumenten-GPS-gebaseerde verkeersapps en routeplanners, volgens Songtao He:

“Als mensen de risicokaart kunnen gebruiken om potentieel hoge-risico-wegsegmenten te identificeren, kunnen ze vooraf actie ondernemen om het risico van de reizen die ze maken te verlagen. Apps zoals Waze en Apple Maps hebben incidentfuncties, maar we proberen vooruit te lopen op de ongevallen – voordat ze gebeuren,”