Sztuczna inteligencja przewiduje miejsca wypadków na podstawie zdjęć satelitarnych i danych GPS

Naukowcy z MIT i Qatar Center for Artificial Intelligence opracowali system machine learning, który analizuje zdjęcia satelitarnye, współrzędne GPS i historyczne dane o wypadkach, aby mapować potencjalne miejsca wypadków na sieciach drogowych, co pozwala na skuteczne przewidywanie “gorących punktów” wypadków, nawet w miejscach, gdzie nie ma historycznych danych o wypadkach.

W prawym górnym rogu, przewidywane miejsca wypadków wynikają z połączenia trzech źródeł danych. Obszary zaznaczone kołami to “wysokie ryzyko” przewidywań, które nie mają historycznych danych o wypadkach. Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

System ten oferuje odważne przewidywania dotyczące obszarów w sieci drogowej, które mogą stać się “czarnymi punktami” wypadków, nawet w miejscach, w których nie ma historii wypadków. Testując system na danych z czterech lat, naukowcy stwierdzili, że ich przewidywania dotyczące tych “bez historii” potencjalnych miejsc wypadków zostały potwierdzone przez wydarzenia w następnych latach.

Nowy artykuł nosi tytuł Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Autorzy przewidują zastosowania nowej architektury poza przewidywaniem wypadków, hipotezując, że może być ona stosowana do map ryzyka awaryjnego 911 lub systemów, które przewidują prawdopodobieństwo zapotrzebowania na taksówki i usługi przewozu osób.

Poprzednie próby stworzenia podobnych systemów przewidywania wypadków opierały się na niskiej rozdzielczości map z wysokim błędem lub wykorzystywaniu częstotliwości wypadków jako klucza, co prowadziło do wysokiej zmienności i nieprecyzyjnych przewidywań. Zamiast tego nowy projekt, który obejmuje cztery główne miasta w Stanach Zjednoczonych o łącznej powierzchni 7 488 kilometrów kwadratowych, przewyższa poprzednie systemy, łącząc bardziej różnorodne formy danych.

Rozproszone dane

Problem, z którym borykają się naukowcy, to rozproszone dane – bardzo duże ilości wypadków zostaną zauważone i rozwiązane bez potrzeby stosowania analizy maszynowej, ale bardziej subtelne korelacje są trudne do identyfikacji.

Poprzednie systemy przewidywania wypadków opierają się na estymacji Monte Carlo historycznych danych o wypadkach i nie mogą zapewnić skutecznego mechanizmu przewidywania, gdzie brakuje tych danych. Dlatego nowe badanie zajmuje się sekcjami sieci drogowej o podobnych wzorach ruchu, podobnym wyglądzie i podobnej strukturze, wnioskując o skłonności do wypadków na podstawie tych cech.

To jest “strzał w ciemno”, który wydaje się odkrywać podstawowe wskaźniki wypadków, które mogą być wykorzystane w projektowaniu nowych sieci drogowych.

Estymacja gęstości jądra (KDE) została wykorzystana do podświetlenia historycznych miejsc wypadków, nie udaje się przewidzieć przyszłych miejsc wypadków. Na górnym lewym zdjęciu widać, gdzie KDE przewidziało wypadki w niebieskim polu, w przeciwieństwie do miejsca, w którym wypadki faktycznie wystąpiły (obok). Na dole po prawej, porównanie nieudanego przewidywania KDE z dokładnym przewidywaniem (niebieskie pole) systemu MIT.

Autorzy zauważają, że dane trajektorii GPS dostarczają informacji o przepływie, prędkości i gęstości ruchu, podczas gdy zdjęcia satelitarnye danego obszaru dodają informacje o układzie pasa, liczbie pasów, obecności pasa awaryjnego i obecności pieszych.

Współautor Amin Sadeghi z Qatar Computing Research Institute (QCRI) skomentował: “Nasz model może uogólniać z jednego miasta na inne, łącząc wiele wskazówek z pozornie niezwiązanych ze sobą źródeł danych. To jest krok w kierunku ogólnej sztucznej inteligencji, ponieważ nasz model może przewidzieć mapy wypadków w niezbadanych terytoriach” i dodał: “Model może być wykorzystany do wnioskowania o użytecznej mapie wypadków, nawet w przypadku braku historycznych danych o wypadkach, co mogłoby przekładać się na pozytywne zastosowanie w planowaniu miast i podejmowaniu decyzji przez porównywanie hipotetycznych scenariuszy”.

Architektura systemu przewidywania ruchu generuje mapę ryzyka wypadków o rozdzielczości 5 metrów, co autorzy uważają za kluczowe do rozróżnienia różnych ryzyk między autostradami a sąsiadującymi drogami mieszkalnymi.

Projekt został oceniony na podstawie danych o wypadkach i danych bocznych z okresu od 2017 do 2018 roku. Następnie dokonano przewidywań na 2019 i 2020 rok, przy czym wiele “wysokiego ryzyka” miejsc wypadków pojawiło się nawet w przypadku braku historycznych danych, które normalnie wskazywałyby na to.

Osiąganie użytecznej generalizacji

Przeuczenie jest krytycznym ryzykiem w systemie zasilanym rozproszonymi danymi, nawet w przypadku, gdy dostępne są dwa dodatkowe źródła danych. Gdzie incydent jest niski, można wyciągnąć zbyt wiele założeń z zbyt niewielu przykładów, co prowadzi do algorytmu, który oczekuje bardzo konkretnego, wąskiego zakresu możliwych okoliczności i który nie będzie w stanie zidentyfikować szerszych prawdopodobieństw.

Dlatego też podczas szkolenia modelu naukowcy losowo “wyłączali” każde źródło danych z 20% prawdopodobieństwem, tak aby obszary z mniej (lub brakiem) danych o wypadkach mogły być brane pod uwagę, gdy model jest szkolony w kierunku uogólnienia, oraz aby równoległe źródła danych mogły działać jako reprezentatywny proxy dla brakujących informacji dla dowolnego badania skrzyżowania lub sekcji drogi.

Ocena

Model został przetestowany na zbiorze danych obejmującym prawie 7 500 kilometrów obszaru miejskiego w Bostonie, Los Angeles, Chicago i Nowym Jorku. Zbiór danych został zorganizowany w postaci 1 872 kwadratowych płytek o wymiarach 2 km x 2 km, z których każda zawierała zdjęcia satelitarnye z MapBox, z maską segmentacji drogowej za pomocą danych z OpenStreetMap. Zarówno podstawowe zdjęcia, jak i mapy segmentacji mają rozdzielczość 0,625 metra.

Dane GPS są w postaci zestawu danych własnościowych zebranych w latach 2015-2017 w czterech miastach, łącznie 7,6 miliona kilometrów trajektorii GPS z częstotliwością próbkowania 1 sekundę.

Projekt wykorzystuje również 4,2 miliona rekordów z lat 2016-2020 w US Accidents Dataset. Każdy rekord zawiera znaczniki czasu i inne metadane.

Pierwsze dwa lata danych historycznych zostały wprowadzone do modelu, a ostatnie dwa lata zostały wykorzystane do szkolenia i oceny, co pozwoliło naukowcom na ustalenie dokładności systemu w ciągu dwóch lat w krótkim czasie.

System został przetestowany z i bez danych historycznych i okazał się w stanie skutecznie uchwycić podstawową dystrybucję ryzyka we wszystkich przypadkach, znacznie poprawiając wcześniejsze metody oparte na KDE (patrz powyżej).

Drogi do przodu

Autorzy twierdzą, że ich system może być stosowany w innych krajach z niewielkimi modyfikacjami architektury, nawet w miejscach, w których brakuje danych o wypadkach. Ponadto autorzy proponują swoje badanie jako możliwe uzupełnienie projektowania planów miast dla nowych rozwojów miejskich.

Prowadzący autor Songtao He skomentował nową pracę:

“Poprzez uchwycenie podstawowej dystrybucji ryzyka, która określa prawdopodobieństwo przyszłych wypadków we wszystkich miejscach i bez historycznych danych, możemy znaleźć bezpieczniejsze trasy, umożliwić firmom ubezpieczeniowym oferowanie dostosowanych planów ubezpieczeniowych na podstawie trajektorii jazdy klientów, pomóc urbanistom projektować bezpieczniejsze drogi i nawet przewidzieć przyszłe wypadki.”

Chociaż artykuł wskazuje, że kod systemu został opublikowany na GitHub, link do kodu nie jest aktywny, nie można go znaleźć za pomocą wyszukiwania i prawdopodobnie zostanie uwzględniony w późniejszej wersji.

Badanie ma potencjał, aby zostać włączone do popularnych aplikacji GPS i planerów tras, według Songtao He:

“Jeśli ludzie mogą wykorzystać mapę ryzyka, aby zidentyfikować potencjalnie wysokie ryzyko sekcji dróg, mogą podjąć działania z wyprzedzeniem, aby zmniejszyć ryzyko podróży, które się podejmują. Aplikacje takie jak Waze i Apple Maps mają narzędzia do obsługi zdarzeń, ale staramy się wyprzedzić wypadki – zanim się wydarzą,”