AI forutsier ulykkesfylte områder fra satellittbilder og GPS-data

Forskere fra MIT og Qatar Center for Artificial Intelligence har utviklet et maskinlæringsystem som analyserer høyoppløselige satellittbilder, GPS-koordinater og historiske ulykkesdata for å kartlegge potensielle ulykkesfylte områder i veinettverk, og har med hell forutsagt ulykkesfylte “varme områder” der ingen andre data eller tidligere metoder ville indikert dem.

Midt til høyre, forutsagt ulykkesfylte områder kommer fra å kombinere tre kilder av data. Områdene som er merket med sirkler er ‘høyrisiko’-forutsagn som faktisk ikke har noen historisk ulykkeshistorie. Kilde: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Systemet tilbyr dristige forutsagn for områder i et veinettverk som sannsynligvis vil bli ulykkesfylte, selv om disse områdene har ingen historie av ulykker. Ved å teste systemet over data som dekker fire år, fant forskerne at deres forutsagn for disse “ingen historie”-potensielle ulykkesfarlige soner ble bekreftet av hendelser i påfølgende år.

Den nye artikkelen heter Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Forfatterne forutser bruksområder for den nye arkitekturen utenfor ulykkesforutsagn, og hypoteser at den kan brukes til 911-nødrisikokart eller systemer som forutsier etterspørselen etter drosjer og deltakere.

Tidligere lignende forsøk har prøvd å lage lignende hendelsesforutsagn fra lavoppløselige kart med høy bias, eller å utnytte ulykkesfrekvens som en nøkkel, noe som ledet til høyvarians, uaktuelle forutsagn. I stedet overgår det nye prosjektet, som dekker fire store amerikanske byer med totalt 7 488 kvadratkilometer, disse tidligere skjemene ved å kombinere mer diverse former for data.

Sparse Data

Problemet forskerne står overfor er sparse data – meget høye volumer av ulykker vil uunngåelig bli lagt merke til og håndtert uten behov for maskinell analyse, men mer subtelt farlige korrelasjoner er vanskelige å identifisere.

Tidligere ulykkesforutsagningssystemer sentrerer seg på Monte Carlo-estimering av historiske ulykkesdata, og kan ikke gi noen effektiv forutsagningsmekanisme der denne datan er mangelfull. Derfor studerer det nye forskningsarbeidet veinettverksseksjoner med lignende trafikkmønster, lignende visuell utseende og lignende struktur, og antar en disposisjon til ulykker basert på disse karakteristikkene.

Dette er et “skudd i blinde” som synes å ha avdekket grunnleggende ulykkesindikatorer, som kan brukes i designet av nye veinettverk.

Kernel Density Estimation (KDE) har blitt brukt til å høydeppe historiske trafikkulykkesfylte områder, men har ikke klart å forutsi fremtidige ulykkessteder. Øverst til venstre ser vi hvor KDE har forutsagt ulykker i blå boksregionen, versus hvor ulykkene generelt lokaliserer seg (tilstøtende). Nederst til høyre, en sammenligning av KDE-forutsagnsfeil og den nøyaktige forutsagnen (blå boks) fra MIT-systemet.

Forfatterne bemerker at GPS-trafikkdata tilbyr informasjon om trafikkens flyt, hastighet og tetthet, mens satellittbilder av området legger til informasjon om kjørefeltets disposisjon, antall kjørefelt og eksistensen av en hard skulder og tilstedeværelsen av fotgjengere.

Medforfatter Amin Sadeghi, fra Qatar Computing Research Institute (QCRI) kommenterte “Vår modell kan generalisere fra en by til en annen ved å kombinere flere ledetråder fra tilsynelatende ubeslektede datakilder. Dette er et skritt mot generell AI, fordi vår modell kan forutsi ulykkeskart i ukarterte områder” og fortsatte “Modellen kan brukes til å slutte en nyttig ulykkeskart, selv i fravær av historisk ulykkesdata, noe som kan oversettes til positiv bruk for byplanlegging og politikkutforming ved å sammenligne tenkte scenarier”.

Arkitekturen til trafikkforutsagningssystemet genererer et ulykkesrisikokart med en oppløsning på 5 meter, noe forfatterne hevder er kritisk for å skille mellom forskjellige risikoer mellom motorvei og tilstøtende boligområder.

Prosjektet ble evaluert på ulykker og laterale data som dekket en periode mellom 2017-18. Forutsagn ble deretter gjort for 2019 og 2020, med flere “høyrisiko”-lokasjoner som oppstod, selv i fravær av noen historisk data som normalt ville forutsi dette.

Achieving Useful Generalization

Overfitting er en kritisk risiko i et system som drives av sparse data, selv der det, som i dette tilfelle, er to tilleggsdatakilder. Der en hendelse er lav, kan eksessive antakelser bli trukket fra for få eksempler, noe som leder til en algoritme som forventer en svært spesifikk, smal bånd av mulige omstendigheter, og som vil feile å identifisere bredere sannsynligheter.

Derfor, i trening av modellen, “droppet” forskerne tilfeldig hver inndatakilde med en 20% sannsynlighet, slik at områder med mindre (eller ingen) ulykkesdata kan bli vurdert mens modellen trener mot generalisering, og slik at parallell datakilder kan fungere som en representativ proxy for mangelfull informasjon for enhver studie av en kryssning eller veisektor.

Evaluation

Modellen ble testet på en datasett som bestod av nesten 7 500 km urbant område i Boston, Los Angeles, Chicago og New York. Datasettet var organisert i form av 1 872 2 km x 2 km fliser, hver med satellittbilder fra MapBox, med veisektor maskert via data fra OpenStreetMap. Begge grunnbildene og segmenteringskartene har en oppløsning på 0,625 meter.

GPS-dataene kommer i form av et proprietært datasett samlet mellom 2015-17 over de fire byene, totalt 7,6 millioner kilometer med GPS-trafikk på en 1-sekunders prøvetakingshastighet.

Prosjektet utnytter også 4,2 millioner poster som dekker 2016-2020 i US Accidents Dataset. Hver post inkluderer tidsstempel og annen metadata.

De to første årene med historisk data ble matet inn i modellen, og de siste to årene ble brukt til trening og evaluering, noe som gjorde det mulig for forskerne å etablere systemets nøyaktighet over to år på en kort tidsramme.

Systemet ble testet med og uten historisk data, og ble funnet å fange den underliggende risikofordelingen over alle tilfeller, og forbedret tidligere KDE-baserte metoder (se over).

Roads Forward

Forfatterne hevder at deres system kan brukes i andre land med liten arkitektonisk modifikasjon, selv i lokasjoner der ulykkesdata ikke er tilgjengelig. Forfatterne foreslår også sin forskning som en mulig tilleggsdel til byplanlegging og design for nye urbane utviklinger.

Hovedforfatter Songtao He kommenterte på det nye arbeidet:

“Ved å fange den underliggende risikofordelingen som bestemmer sannsynligheten for fremtidige ulykker på alle steder, og uten noen historisk data, kan vi finne tryggere ruter, aktivere bilforsikringsselskaper til å tilby tilpassede forsikringsplaner basert på kundenes kjørettrafikk, hjelpe byplanleggere med å designe tryggere veier, og sogar forutsi fremtidige ulykker.”

Selv om artikkelen indikerer at koden for systemet har blitt frigjort på GitHub, er lenken til koden ikke aktiv, kan ikke finnes ved en søkning, og vil sannsynligvis bli inkludert i en senere revisjon.

Forskningen har potensial til å bli inkorporert i populære forbrukerbaserte GPS-baserte trafikkapper og ruteplanleggere, ifølge Songtao He:

“Hvis folk kan bruke risikokartet til å identifisere potensielt høyrisiko veisektorer, kan de ta handling i forkant for å redusere risikoen for turer de tar. Apper som Waze og Apple Maps har hendelsesfunksjoner, men vi prøver å komme foran ulykkene – før de skjer,”