Inteligența artificială prezice punctele de accidente de pe imagini satelitare și date GPS

Cercetătorii de la MIT și Centrul pentru Inteligență Artificială din Qatar au dezvoltat un sistem de învățare automată care analizează imagini satelitare de înaltă rezoluție, coordonate GPS și date istorice de accidente pentru a cartografia secțiunile potențial periculoase din rețelele de drumuri, prezicând cu succes “punctele fierbinți” ale accidentelor în locuri unde nu există date sau metode anterioare care să le indice.

La dreapta, punctele de accidente predictive apar din combinarea a trei surse de date. Zonele evidențiate cu cercuri sunt predicții de “risc ridicat” care, de fapt, nu au nicio istorie de accidente. Sursă: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Sistemul oferă predicții îndrăznețe pentru zonele dintr-o rețea de drumuri care sunt susceptibile de a deveni “puncte negre” ale accidentelor, chiar și în zonele unde nu există nicio istorie de accidente. Testând sistemul pe date care acoperă patru ani, cercetătorii au constatat că predicțiile lor pentru aceste zone potențial periculoase fără istorie de accidente au fost confirmate de evenimentele din anii următori.

Noul articol se numește Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Autorii prezic utilizări pentru noua arhitectură dincolo de predicția accidentelor, ipotezând că ar putea fi aplicată la hărți de risc pentru servicii de urgență 911 sau la sisteme care să prevadă probabilitatea cererii de taxiuri și servicii de transport.

Încercările anterioare similare au încercat să creeze predictorii de incidente similare din hărți de joasă rezoluție cu o puternică bias, sau să valorifice frecvența accidentelor ca o cheie, ceea ce a condus la predicții inexacte și cu o varianță ridicată. În schimb, noul proiect, care acoperă patru orașe majore din SUA, cu o suprafață totală de 7.488 de kilometri pătrați, depășește aceste scheme anterioare prin combinarea unor forme mai diverse de date.

Date rare

Problema cu care se confruntă cercetătorii este reprezentată de datele rare – volumele foarte mari de accidente vor fi inevitabil observate și abordate fără a necesita analizele machine learning, dar corelațiile periculoase mai subtile sunt dificil de identificat.

Sistemele anterioare de predicție a accidentelor se concentrează pe estimarea Monte Carlo a datelor istorice de accidente și nu pot oferi niciun mecanism eficient de predicție în zonele unde aceste date lipsesc. Prin urmare, noua cercetare studiază secțiunile rețelelor de drumuri cu modele de trafic similare, aspect vizual similar și structură similară, inferând o predispoziție către accidente pe baza acestor caracteristici.

Este o “încercare în întuneric” care pare să fi descoperit indicatori fundamentali de accidente, care ar putea fi utilizați în proiectarea noilor rețele de drumuri.

Estimarea densității kernel (KDE) a fost utilizată pentru a evidenția punctele de accidente istorice, fără a reuși să prevadă locurile viitoarelor accidente. În imaginea de sus-stânga, vedem unde KDE a prezis accidente în regiunea albastră, versus unde accidentele s-au concentrat în general (în zona adiacentă). Jos-dreapta, o comparație între eșecul predicției KDE și predicția exactă (cutia albastră) a sistemului MIT.

Autorii notează că datele de traiectorie GPS oferă informații despre fluxul, viteza și densitatea traficului, în timp ce imaginile satelitare ale zonei adaugă informații despre dispunerea benzilor, numărul de benzi, precum și existența unui acostament și prezența pietonilor.

Autorul contribuitor Amin Sadeghi, de la Institutul de Cercetare în Informatică din Qatar (QCRI) a comentat “Modelul nostru poate generaliza de la un oraș la altul prin combinarea mai multor indicii din surse de date aparent nelegate. Acesta este un pas către inteligența artificială generală, deoarece modelul nostru poate prezice hărți de accidente în teritorii neexplorate.” și a continuat “Modelul poate fi utilizat pentru a infera o hartă utilă de accidente chiar și în absența datelor istorice de accidente, ceea ce ar putea fi tradus într-o utilizare pozitivă pentru planificarea urbană și luarea deciziilor prin compararea scenariilor imaginare”.

Arhitectura sistemului de predicție a traficului generează o hartă de risc de accident la o rezoluție de 5 metri, pe care autorii o consideră critică pentru a distinge diferitele riscuri între drumurile rapide și drumurile rezidențiale adiacente.

Proiectul a fost evaluat pe baza datelor de accidente și a datelor laterale care acoperă o perioadă cuprinsă între 2017-2018. Predicțiile au fost făcute pentru 2019 și 2020, cu mai multe locații “de risc ridicat” care au apărut chiar și în absența oricăror date istorice care ar fi putut indica acest lucru.

Atingerea unei generalizări utile

Supraajustarea este un risc critic într-un sistem alimentat de date rare, chiar și atunci când, ca în acest caz, există două surse suplimentare de date de susținere. Atunci când o incidență este scăzută, pot fi trasate presupuneri excesive din prea puține exemple, conducând la un algoritm care se așteaptă la o bandă foarte particulară și îngustă de circumstanțe posibile și care va eșua în a identifica probabilități mai largi.

Prin urmare, în procesul de antrenare a modelului, cercetătorii au “eliminat” aleatoriu fiecare sursă de intrare cu o probabilitate de 20%, astfel încât zonele cu mai puține (sau fără) date de accidente să poată fi luate în considerare pe măsură ce modelul se antrenează spre generalizare, și astfel încât sursele de date paralele să poată acționa ca un reprezentant pentru informațiile lipsă în orice studiu al unei intersecții sau al unei secțiuni de drum.

Evaluare

Modelul a fost testat pe un set de date care cuprinde aproape 7.500 km de zonă urbană în Boston, Los Angeles, Chicago și New York. Setul de date a fost organizat sub forma a 1.872 de tile-uri de 2×2 km, fiecare conținând imagini satelitare de la MapBox, cu segmentarea drumurilor mascate prin date de la OpenStreetMap. Atât imaginile de bază, cât și hărțile de segmentare au o rezoluție de 0,625 metri.

Datele GPS provin sub forma unui set de date proprietare colectate între 2015-2017 în cele patru orașe, totalizând 7,6 milioane de kilometri de traiectorii GPS la o rată de eșantionare de 1 secundă.

Proiectul exploatează, de asemenea, 4,2 milioane de înregistrări care acoperă perioada 2016-2020 din setul de date US Accidents Dataset. Fiecare înregistrare include ștampile de timp și alte metadate.

Primele două ani de date istorice au fost introduse în model, iar ultimii doi ani au fost utilizați pentru antrenare și evaluare, permițând cercetătorilor să stabilească acuratețea sistemului pe o perioadă de doi ani într-un cadru scurt de timp.

Sistemul a fost testat cu și fără date istorice și a fost găsit să capteze cu succes distribuția subiacentă de risc în toate cazurile, îmbunătățind în mod semnificativ metodele anterioare bazate pe KDE (a se vedea mai sus).

Drumuri înainte

Autorii susțin că sistemul lor poate fi aplicat în alte țări cu modificări arhitecturale minime, chiar și în locuri unde datele de accidente nu sunt disponibile. De asemenea, autorii propun cercetarea lor ca o posibilă completare a proiectării planificării urbane pentru noi dezvoltări urbane.

Autorul principal Songtao He a comentat despre noua lucrare:

“Prin capturarea distribuției subiacente de risc care determină probabilitatea viitoarelor accidente în toate locurile și fără niciun date istorice, putem găsi rute mai sigure, permite companiilor de asigurări auto să ofere planuri de asigurare personalizate pe baza traseelor de condus ale clienților, ajuta planificatorii urbani să proiecteze drumuri mai sigure și chiar să prezicem accidente viitoare.”

Deși articolul indică faptul că codul sistemului a fost lansat pe GitHub, linkul către cod nu este activ, nu poate fi găsit în prezent prin căutare și, probabil, va fi inclus într-o revizuire ulterioară.

Cercetarea are potențialul de a fi integrată în aplicații populare de navigație GPS și

“Dacă oamenii pot utiliza harta de risc pentru a identifica segmente de drum cu risc ridicat, pot lua măsuri în avans pentru a reduce riscul călătoriilor pe care le efectuează. Aplicații precum Waze și Apple Maps au unelte de incidente, dar încercăm să prevenim accidentele – înainte de a se întâmpla,”