Forventing og forebygging av metroplattform-tragedier med AI

Et AI-system trent på virkelige undergrunns-overvåkingsbilder hevder å kunne se advarselstegn på et selvmordsforsøk noen minutter før det skjer, og sporer atferd som pacing, lingerende på plattformkanten og gjentakende seende inn i tunnelen.

Maskinlærings-systemer har blitt testet som plattform-hendelse-overvåkningssystemer i noen år, vanligvis med en variasjon av den populære You Only Look Once (YOLO) serie av bilde-gjenkjenning-applikasjoner som driver scenarier der fotgjengere kan ha falt, eller en kriminell handling utføres, eller hvor stasjonsplattformen er enkelt overbelastet (som tillater stasjonsmyndighetene å regulere tilgang og løse problemet).

Fra 2024-papiret ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, de stadier hvor YOLOV7 identifiserer passasjerer på en plattform. Kilde

Med en økning i antall forsøkte eller vellykkede jernbaneselvmord i løpet av de siste 3-5 årene (i regioner som Storbritannia, Canada og Nederland), har interessen økt for maskinlærings-systemers potensiale til å identifisere selvmords-innklinende atferd på jernbane- og metroplattformer, basert på disposisjon og andre faktorer:

Dwellers on the threshold: eksempeldata fra datasettet som driver STARR-prosjektet, som er med i den nye artikkelen. Kilde

I sammenstilling, har variasjonen av prosjekter som forsøker å utnytte AI for suicidal plattform-basert atferd, ikke til nå adoptert en enhetlig metode eller underliggende system eller felles tilnærming – ikke minst fordi metodene som driver slike systemer er konstant i utvikling, sammen med psykologisk og psykiatrisk kunnskap som gir innsikt i denne typen AI-overvåking.

Kantskje

Nå kommer en ny studie fra Canada med et foreslått formalisering av denne delen i forskningslitteraturen, som Selvmordsrisikovurdering (SRA), i sammenheng med selvmordsforsøk på metrostasjoner.

I samarbeid med Montreal transportmyndigheter, fikk forskerne involvert i den nye studien tilgang til opptak av 66 virkelige selvmordsforsøk, som ble fanget av plattformkameraer innenfor myndighetenes område:

Fra den nye artikkelen, output-prediksjoner fra to rammeverk, en som viser et ekte jernbaneselvmordsforsøk, og den andre ikke. På hver side av hver bilde er det vist en varme-kart over farlige og tryggere områder på plattformen under overvåking, som viser hver persons ‘dwell-tendens’ i forhold til tunnelmunningen, tolket gjennom historisk kunnskap om tendensene til virkelige ‘hoppere’. Kilde

Det var nødvendig å adressere den klasse-ubalanse som oppstår med et så begrenset grund-truth-dataset, men dette er likevel sjeldne data på en noenlunde volum; en kunne håpe at fremtidige prosjekter fra transit-myndigheter rundt om i verden kunne tillate et multi-land-dataset med et høyere volum eksempler. Men, forståelig nok, gjør den ekstremt sensitive naturen til slike opptak dette til mer enn en casual eller enkel prosess.

Initiativet, hevder forfatterne, er det første som samler de ulike oppgavene som definerer forfølgelsen til et skjema, og bringer med seg en ny benchmark for metroplattform-selvmords-scenariet.

Forfatterne hevder:

‘I motsetning til tilnærmingene som fokuserer på isolerte underoppgaver eller forsøker å slutte intent direkte, vurderer vår formulering selvmordsrisiko fra akkumulert bevis ved å inkorporere person-sporing, aktivitet-gjenkjenning, semantisk segmentering av plattformen og trajektori-drevet risiko-varme-kart-modellering.

‘Ved å formalisere SRA som en distinkt oppgave og benchmarking en fullstendig operasjonal pipeline som oppnår 83,2% ROC-AUC på virkelig overvåkingsdata, viser dette arbeidet kompleksiteten i selvmordsrisikovurdering og åpner nye retninger for forskning på tolkbare AI-systemer for sosialt gode formål.’

Den nye artikkelen heter Selvmordsrisikovurdering fra AI-drevet video-overvåking: En tolkbar ramme for forebygging i metrostasjoner, og kommer fra fire forfattere på Université TÉLUQ, Polytechnique Montréal og Université du Québec à Montréal.

Metode

Forfatternes rammeverk analyserer en live overvåkingsvideo-strøm for å generere en kontinuerlig oppdatert selvmordsrisiko-score for hver sporet passasjer. Individer blir detektert, sporet og konvertert til forenklede kroppsstilling-representasjoner, etterfulgt av en skjelett-basert aktivitet-gjenkjenning som identifiserer handlinger over korte tidsperioder:

System-pipeline for å estimere passasjer-selvmordsrisiko fra overvåkingsvideo, som viser hvordan sporning, pose-estimering, aktivitet-gjenkjenning, plattform-soning og trajektori-varme-kart kombineres for å konvertere individuelle bevegelser og atferd til en kontinuerlig oppdatert risiko-score for hver person på plattformen.

Plattformen blir deretter delt inn i meningsfulle soner, som tillater bevegelsesmønster – som gjentakende pacing mellom ulike områder – å bli detektert. Passasjer-trajektorier blir projisert på et kart over plattformen, og gjør det mulig å generere varme-kart som høydepunkter områder som ofte besøkes, eller krysses av personer assosiert med økt risiko.

Til slutt kombinerer systemet disse romlige mønster mot observerte atferd for å produsere en individuell selvmordsrisikovurdering for hver person på plattformen – en prosess forfatterne kaller risiko-inferens.

Forfatterne brukte en forhånds-trent YOLOX-implementering som menneske-detektor for deres system, og fant at dens ut-av-boksen-tilstand er fullstendig brukbar for dette formålet. ByteTrack ble brukt til å orkestrere multi-objekt-sporing.

Hver person som blir individuert av disse prosessene, blir tildelt sin egen forhånds-trent HRNet-modell, som gir ledd-estimering og 2D-kroppspunkter innenfor en avgrensning bestemt av de ytre av disse estimatene:

Eksempler på ledd-estimering fra HRNet, brukt i det nye prosjektet. Kilde

Pose-estimeringene fra video-data fra metroplattformen blir bygget opp i kumulative kart som definerer historisk bevegelse (se ‘plattform-varme-kartene’ på siden av den tidligere bildet ovenfor).

Det nye systemet inkorporerer STARR-rammeverket, et tidligere arbeid designet for å evaluere sannsynligheten for suicidal atferd på plattformer:

Pose-estimering fra STARR-rammeverket. Kilde

I dette tilfellet blir STARR brukt til å detektere tre selv-forklarende passasjer-handlings-annotasjoner: LookTunnel; Walk; og Stand.

Til å inkorporere miljøkontekst, blir systemets konsept av plattformen delt inn i semantisk meningsfulle soner ved hjelp av en YOLOv8n semantisk-segmenteringsmodell trent på manuelt-annoterte plattform-bilder:

Plattform-semantikk: soningsprosessen brukt av systemet til å konvertere en segmentert plattform til tre atferdsmessig meningsfulle regioner. De resulterende veggen-proksimale, gul-linje-proksimale og tunnel-tilstøtende soner gir den romlige konteksten brukt til å evaluere passasjer-bevegelser og risiko-relatert atferd.

De resulterende segmenterings-kartene brukes til å estimere plattform-grensene og definere tre operative områder: en veggen-proksimal sone nær plattform-veggen; en gul-linje-proksimal sone hvor passasjerer kan nærme seg plattform-kanten mens de fortsatt er innenfor sikkerhets-grensene; og en plattform-langt-ende-sonen nærmest tunnel-inngangen.

Disse sonene gir den romlige konteksten nødvendig for å identifisere atferd som psykologiske studier har assosiert med økt selvmordsrisiko. Spesielt tillater de systemet å detektere gjentakende bevegelse mellom veggen og den gule linjen, sammen med inngang i den fjerne delen av plattformen.

Kombinert med de trajektori-varme-kart generert tidligere, blir disse romlige indikatorer senere inkorporert i den endelige selvmordsrisikovurderingen.

Interessant nok, noterer papiret at ett kjennetegn på selvmordsforsøk er tendensen til å late igjen et objekt på plattformen; imidlertid, var forfatterne ikke i stand til å inkorporere dette i denne versjonen av prosjektet, og lar det være til fremtidig arbeid.

En kart over plattform-risiko

I stedet for å bare stole på atferden til en enkelt person, kombinerer rammeverket også trajektori-varme-kart fra flere kjente høyrisiko-tilfeller for å skape et plattform-omfattende ‘posisjons-risiko-varme-kart’:

Bygging av et plattform-risiko-kart fra bevegelsene til flere høyrisiko-passasjerer. Områder som gjentakende tiltrekker seg lengerende, pacing eller andre risiko-assosierte atferd blir mer fremtredende og brukes senere som en faktor i den endelige risikovurderingen.

Områder som gjentakende tiltrekker seg langvarig okkupasjon, fremstår som høyere-risiko-områder, mens lokasjoner assosiert med korte eller sjeldne besøk forblir lavere-risiko. Den resulterende posisjons-risiko-scoren blir en av inngangene brukt i den endelige selvmordsrisikovurderingen.

Den endelige risiko-scoren er basert på åtte indikatorer akkumulert over tid: en posisjons-risiko-score avledet fra plattform-varme-kartene; om en passasjer går eller står på den gule linjen; antall ganger den gule linjen krysses; total tid tilbragt på den gule linjen; den lengste ubrudte perioden tilbragt på den gule linjen; gjentakende frem-og-tilbake-bevegelse mellom veggen og den gule linjen; gjentakende orientering mot tunnelen; og inngang i tunnel-tilstøtende enden av plattformen.

Disse atferdsmessige og romlige signalene kombineres deretter via en XGBoost-modell, og produserer en kontinuerlig oppdatert selvmordsrisiko-estimat for hver enkelt på plattformen.

Data og tester

Tester ble utført på overvåkings-opptak levert av Société de transport de Montréal (STM), bestående av 66 fem-minutters opptak tatt før virkelige selvmordsforsøk, sammen med 56 sammenlignings-opptak fra samme kameraer, på sammenlignbare tidspunkter når ingen selvmordsforsøk skjedde.

Med hjelp fra psykologi og eksperter på suicidal atferd, ble enkelt-passasjerer annotert i henhold til om de dukket opp i en høyrisiko- eller kontroll-scenario, og produserte en datasett på 256 personer, hvor 66 var assosiert med selvmordsforsøk, og 190 ble tildelt kontroll-gruppen.

For å forhindre informasjons-lekkasje, ble alle personer ekstrahert fra samme opptak tildelt samme data split, med 75% av dataene brukt til trening og 25% reservert for testing, mens balansen mellom høyrisiko- og kontroll-tilfeller ble bevart.

XGBoost-klassifikatoren ble trent for 300 boosting-iterasjoner, med en læringsrate på 0,05, med subsampling for både treningseksempler og funksjoner, for å forbedre generalisering. Fordi datasettet inneholder betraktelig flere kontroll-tilfeller enn høyrisiko-tilfeller, kompenserte treningprosessen for dette ved å tildele ekstra vekt til minoritets-klassen.

Ytelse ble evaluert primært ved hjelp av Area Under the Receiver Operating Characteristic Curve (ROC-AUC), som måler hvor effektivt systemet skjelner mellom høyrisiko- og kontroll-tilfeller.

Ekstra metrikker inkluderte sensitivitet, som måler korrekt identifisering av høyrisiko-tilfeller; spesifisitet, som måler korrekt identifisering av kontroll-tilfeller; falsk-positiv-rate, som reflekterer falske alarmer (FPR); og falsk-negativ-rate, som reflekterer manglende oppdaginger (FNR). En bevisst lav avgjørelse-terskel ble adoptert for å prioritere tidlig identifisering av potensielt høyrisiko-situasjoner:

Ytelse av selvmordsrisikovurderings-rammeverket under fire konfigurasjoner, sammenligning ground-truth-assisted, upper-bound og fullt automatiserte varianter over ROC-AUC, sensitivitet, spesifisitet, falsk-alarm-rate og manglende-oppdaging-rate – og viser ytelses-påvirkningen av å erstatte ground-truth-annotasjoner med automatiske deteksjons-, sporings- og aktivitet-gjenkjenning-moduler.

Som vist i den innledende resultattabellen ovenfor, oppnådde det fullt automatiserte systemet en ROC-AUC på 0,832, mens erstattning av de automatiske deteksjons- og sporings-komponentene med ground-truth-annotasjoner økte ytelsen til 0,919.

Erstattning av kun aktivitet-gjenkjenning-modulen produserte en mindre økning, og økte ROC-AUC til 0,893. Den høyeste scoren, 0,924, ble oppnådd når alle innganger ble levert fra ground-truth-annotasjoner, noe som tyder på at deteksjon, sporning og nedstrøms-indikator-ekstraksjon fortsatt er de største kildene til feil i den nåværende pipeline.

Analyse av den trente XGBoost-modellen indikerte at direkte interaksjon med den gule linjen var blant de sterkeste prediktorer for økt risiko, etterfulgt av antall ganger den gule linjen ble krysset, og gjentakende frem-og-tilbake-bevegelse mellom plattform-soner. Tiden tilbragt på den gule linjen og posisjons-risiko-scoren bidro også betydelig, mens tunnel-retning og inngang i plattformens fjerne ende ga ytterligere, men mindre avgjørende signaler.

Returnerende til de kvalitative resultater som ble vist ovenfor, tildelte rammeverket høye risiko-score til personer som senere ble assosiert med selvmordsforsøk, mens de tildelte mye lavere score til omgivende kontroll-passasjerer:

Som vist tidligere i artikkelen, viser de kvalitative resultater som er presentert i papiret output-prediksjonene fra to bilder fra overvåkingsdata, med varme-kart på hver side for å indikere lengerende og andre plattform-aktiviteter.

I ett tilfelle ble en risiko-score på 0,98 knyttet til langvarig tilstedeværelse på den gule linjen og okkupasjon av områder som ble identifisert som høyrisiko av posisjons-risiko-varme-kartet. I et annet tilfelle mottok en høyrisiko-person en score på 0,92, mens nærliggende kontroll-passasjerer mottok mye lavere estimater.

Ifølge forfatterne, kommer disse forskjellene fra akkumulering av flere indikatorer, snarere enn en enkelt atferd. Langvarig kryssing av den gule linjen, gjentakende orientering mot tunnelen og langvarig tilstedeværelse i høyrisiko-områder på plattformen bidrar alle til økt risiko-estimat.

Forfatterne konkluderer:

‘Utenom ytelse, understreker vår studie tolkbarhet, og viser at risikovurderinger drives av intuitive indikatorer som er i tråd med etablerte atferdsmessige og romlige risikofaktorer.

‘Dette plasserer det foreslåtte rammeverket som en meningsfull bro mellom AI-baserte overvåkningssystemer og tverrfaglig forskning på selvmordsforebygging.’

Konklusjon

På en personlig note, er det en stadig sjeldnere lettelse å finne en AI-artikkel som er verdt å rapportere, som ikke sannsynligvis vil skape en kontroversiell reaksjon i en del av befolkningen, siden det ville være vanskelig å bestride verdien av målene bak dette type prosjekter.

På en praktisk note, er det svært vanskelig å si om den enkelte er hyppig seende mot tunnelen – ett av tegnene på potensielt jernbaneselvmord – på grunn av den lille mengden piksler som hodesetet okkuperer, og den relativt lille mengden skjerm-plass som hele personen under overvåking okkuperer i dette scenariet.

Som alltid, i prosjekter relatert til overvåkings-infrastruktur, synes dette å være et problem rundt oppløsning og ressurser: hvis det var flere kameraer på hyppigere intervaller som dekket plattformen, inkludert ett som dekket tunnel-utgangen (dvs. tunnel-aspektet fra hvilket et metrotog plutselig dukker opp), ville det vært mulig å involvere noen av de ulike og konstant utviklende rammeverkene rundt blikk-retning. Som det er nå, hviler det nåværende arbeidet på å evaluere hele kroppens retning for å signalisere at subjektet ser mot tunnelen.

Til slutt er problemet et budsjett-problem, i alle fall så langt jernbane-infrastruktur er bekymret; hvis alle plattformer var utstyrt med barrierer og porter – funksjoner som viser seg sjeldent i London Underground-stasjoner og i metronettverkene i andre byer rundt om i verden – så ville plattformene ikke tilby noen mulighet for selv-skade.

For visse er økt overvåking den billigste løsningen, og tidlig identifisering av karakteristiske tegn på selv-skade kunne tillate direkte inngripen før tragedien skjer.

Først publisert tirsdag, 9. juni 2026