Previsão de Acidentes por IA a Partir de Imagens de Satélite e Dados de GPS

Pesquisadores do MIT e do Centro de Inteligência Artificial do Qatar desenvolveram um sistema de aprendizado de máquina que analisa imagens de satélite de alta resolução, coordenadas de GPS e dados históricos de acidentes para mapear seções potencialmente propensas a acidentes em redes rodoviárias, prevendo com sucesso “pontos quentes” de acidentes onde nenhum outro dado ou método anterior indicaria.

No meio à direita, os pontos quentes de acidentes previsíveis surgem a partir da combinação de três fontes de dados. As áreas destacadas em círculos são previsões de ‘alto risco’ que na verdade não têm histórico de acidentes. Fonte: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

O sistema oferece previsões ousadas para áreas em uma rede rodoviária que provavelmente se tornarão pontos negros de acidentes, mesmo onde essas áreas não têm histórico de acidentes. Testando o sistema sobre dados que abrangem quatro anos, os pesquisadores descobriram que suas previsões para essas “zonas de perigo potencial” sem histórico de acidentes foram confirmadas por eventos nos anos subsequentes.

O novo artigo é intitulado Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Os autores preveem usos para a nova arquitetura além da previsão de acidentes, hipotetizando que ela poderia ser aplicada a mapas de risco de emergência 911 ou sistemas para prever a probabilidade de demanda por táxis e serviços de carona.

Esforços anteriores semelhantes tentaram criar previsores de incidentes semelhantes a partir de mapas de baixa resolução com alto viés, ou usar a frequência de acidentes como chave, o que levou a previsões imprecisas e de alta variância. Em vez disso, o novo projeto, que abrange quatro grandes cidades dos EUA, totalizando 7.488 quilômetros quadrados, supera esses esquemas anteriores ao combinar formas mais diversificadas de dados.

Dados Esparsos

O problema que os pesquisadores enfrentam é o de dados esparsos – volumes muito grandes de acidentes inevitavelmente serão notados e abordados sem a necessidade de análise de máquina, mas correlações mais sutis e perigosas são difíceis de identificar.

Sistemas anteriores de previsão de acidentes se baseiam na estimativa de Monte Carlo de dados históricos de acidentes e não podem fornecer um mecanismo de previsão eficaz onde esses dados estão faltando. Portanto, a nova pesquisa estuda seções de redes rodoviárias com padrões de tráfego semelhantes, aparência visual semelhante e estrutura semelhante, inferindo uma disposição para acidentes com base nesses características.

É um “tiro no escuro” que parece ter descoberto indicadores fundamentais de acidentes, que poderiam ser utilizados no projeto de novas redes rodoviárias.

A Estimativa de Densidade do Núcleo (KDE) foi usada para destacar pontos quentes históricos de acidentes de trânsito, falhando em prever locais de acidentes futuros. Na imagem superior esquerda, vemos onde a KDE previu acidentes na região azul, versus onde os acidentes geralmente se localizam (adjacente). Na parte inferior direita, uma comparação da falha da previsão da KDE com a previsão precisa (caixa azul) do sistema do MIT.

Os autores observam que os dados de trajetória de GPS oferecem informações sobre o fluxo, velocidade e densidade do tráfego, enquanto as imagens de satélite da área adicionam informações sobre a disposição das faixas, o número de faixas, bem como a existência de um acostamento e a presença de pedestres.

O autor contribuinte Amin Sadeghi, do Qatar Computing Research Institute (QCRI) comentou “Nosso modelo pode generalizar de uma cidade para outra combinando várias pistas de fontes de dados aparentemente não relacionadas. Isso é um passo em direção à inteligência artificial geral, porque nosso modelo pode prever mapas de acidentes em territórios inexplorados” e continuou “O modelo pode ser usado para inferir um mapa de acidentes útil mesmo na ausência de dados históricos de acidentes, o que poderia se traduzir em uso positivo para planejamento urbano e tomada de decisões por meio da comparação de cenários imaginários”.

A arquitetura do sistema de previsão de tráfego gera um mapa de risco de acidentes com resolução de 5 metros, que os autores afirmam ser crítico para distinguir diferentes riscos entre rodovias e ruas residenciais adjacentes.

O projeto foi avaliado em acidentes e dados laterais que abrangem um período entre 2017-18. Previsões foram feitas para 2019 e 2020, com várias “áreas de alto risco” surgindo, mesmo na ausência de qualquer dado histórico que normalmente preveria isso.

Alcançando uma Generalização Útil

O sobreajuste é um risco crítico em um sistema alimentado por dados esparsos, mesmo onde, como neste caso, há duas fontes adicionais de dados de suporte. Onde a incidência é baixa, suposições excessivas podem ser tiradas de poucos exemplos, levando a um algoritmo que espera uma faixa muito particular e estreita de circunstâncias possíveis, e que falhará em identificar probabilidades mais amplas.

Portanto, ao treinar o modelo, os pesquisadores “desativaram” aleatoriamente cada fonte de entrada como uma probabilidade de 20%, para que áreas com menos (ou nenhum) dados de acidentes possam ser consideradas à medida que o modelo se treina para generalizar, e para que fontes de dados paralelas possam atuar como um proxy representativo para informações ausentes para qualquer estudo de uma interseção ou seção de estrada.

Avaliação

O modelo foi testado em um conjunto de dados que compreende quase 7.500 km de área urbana em Boston, Los Angeles, Chicago e Nova York. O conjunto de dados foi organizado na forma de 1.872 blocos de 2 km x 2 km, cada um contendo imagens de satélite do MapBox, com segmentação de estradas mascarada via dados do OpenStreetMap. Tanto a imagem base quanto os mapas de segmentação têm uma resolução de 0,625 metros.

Os dados de GPS vêm na forma de um conjunto de dados proprietário coletado entre 2015-17 sobre as quatro cidades, totalizando 7,6 milhões de quilômetros de trajectórias de GPS a uma taxa de amostragem de 1 segundo.

O projeto também explora 4,2 milhões de registros que abrangem 2016-2020 no conjunto de dados de acidentes nos EUA. Cada registro inclui carimbos de data/hora e outros metadados.

Os dois primeiros anos de dados históricos foram alimentados no modelo, e os dois últimos anos foram usados para treinamento e avaliação, permitindo que os pesquisadores estabelecessem a precisão do sistema ao longo de dois anos em um curto período de tempo.

O sistema foi testado com e sem dados históricos e foi encontrado para capturar com sucesso a distribuição subjacente de risco em todos os casos, melhorando significativamente os métodos baseados em KDE anteriores (ver acima).

Caminhos à Frente

Os autores defendem que seu sistema pode ser aplicado a outros países com pouca modificação arquitetônica, mesmo em locais onde dados de acidentes não estão disponíveis. Além disso, os autores propõem sua pesquisa como um possível complemento ao design de planejamento urbano para novos desenvolvimentos urbanos.

O autor principal Songtao He comentou sobre o novo trabalho:

“Ao capturar a distribuição subjacente de risco que determina a probabilidade de acidentes futuros em todos os lugares, e sem qualquer dado histórico, podemos encontrar rotas mais seguras, permitir que as empresas de seguros automotivos forneçam planos de seguros personalizados com base nas trajetórias de condução dos clientes, ajudar os planejadores urbanos a projetar estradas mais seguras e até prever acidentes futuros.”

Embora o artigo indique que o código do sistema foi lançado no GitHub, o link para o código não está ativo, não pode ser encontrado por uma busca e presumivelmente será incluído em uma revisão posterior.

A pesquisa tem potencial para ser incorporada em aplicativos de tráfego baseados em GPS de nível de consumidor e planejadores de rotas, de acordo com Songtao He:

“Se as pessoas puderem usar o mapa de risco para identificar seções de estrada potencialmente de alto risco, elas podem tomar medidas antecipadas para reduzir o risco das viagens que fazem. Aplicativos como Waze e Apple Maps têm ferramentas de recursos de incidentes, mas estamos tentando antecipar os acidentes — antes que eles aconteçam,”