Предвидение и предотвращение трагедий на метрополитенских платформах с помощью ИИ

Система ИИ, обученная на реальных кадрах с камер видеонаблюдения метро, утверждает, что она может обнаружить предупреждающие знаки попытки самоубийства за несколько минут до того, как это произойдет, отслеживая поведение, такое как ходьба, задержка на краю платформы и повторное взгляд в туннель.

Системы машинного обучения уже несколько лет проходят испытания в качестве систем мониторинга событий на платформе, обычно с некоторой вариацией популярных приложений распознавания изображений You Only Look Once (YOLO), которые обеспечивают сценарии, в которых пешеходы могут упасть, или преступление совершается, или когда платформа станции просто перегружена (что позволяет властям станции регулировать доступ и устранять проблему).

Из статьи 2024 года «Пилотное исследование мониторинга пассажиров на железнодорожной станции с помощью подхода искусственного интеллекта», этапы, на которых YOLOV7 определяет пассажиров на платформе. Источник

С увеличением количества попыток или успешных самоубийств на железной дороге за последние 3-5 лет (в регионах, таких как Великобритания, Канада и Нидерланды), возрос интерес к потенциалу систем машинного обучения для выявления самоубийственного поведения на железнодорожных и метрополитенских платформах, основанного на расположении и различных других факторах:

Жители на пороге: пример данных из набора данных, обеспечивающего проект STARR, который представлен в статье, обсуждаемой в этой статье. Источник

В совокупности различные проекты, направленные на использование ИИ для самоубийственного поведения на платформе, не приняли пока единой методологии или основной системы или общего подхода – не в последнюю очередь потому, что методы, которые обеспечивают такие системы, постоянно эволюционируют, вместе с психологическими и психиатрическими знаниями, которые дают представление об этом виде наблюдения ИИ.

Крайний случай

Теперь новое исследование из Канады предлагает формализацию этого направления в научной литературе, как Оценка риска самоубийства (ОРС), в контексте попыток самоубийства на метрополитенских станциях.

В сотрудничестве с транспортными властями Монреаля исследователи, участвовавшие в новом исследовании, получили доступ к кадрам 66 реальных попыток самоубийства, снятых камерами платформ в пределах полномочий властей:

Из новой статьи прогнозы вывода из двух кадров, один из которых изображает реальную попытку самоубийства на железной дороге, а другой – нет. По обе стороны от каждого изображения показана карта тепла опасных и более безопасных зон на платформе под наблюдением, показывающая в каждом случае «склонность к задержке» человека в отношении входа в туннель, интерпретируемую через исторические знания о склонностях реальных «прыгунов». Источник

Хотя было необходимо искусственно устранить несбалансированность классов, которая возникает с таким ограниченным набором данных, это все же редкие данные в некотором жизнеспособном объеме; можно было бы надеяться, что будущие проекты транспортных властей со всего мира могут позволить создать многонациональный набор данных с более высоким объемом примеров. Однако понятно, что чрезвычайно чувствительный характер таких кадров делает это более чем обычной или легкой задачей.

Инициатива, по мнению авторов, является первой, которая объединяет различные задачи, определяющие это направление, в схему, и приносит с собой новый эталон для сценария самоубийства на метрополитенской платформе.

Авторы заявляют:

‘В отличие от подходов, которые фокусируются на изолированных подзадачах или пытаются直接 определить намерение, наша формулировка оценивает риск самоубийства по накопленным доказательствам, включая отслеживание человека, распознавание деятельности, семантическую сегментацию платформы и моделирование карты тепла, основанной на траектории.

‘Формализируя ОРС как отдельную задачу и создавая полный рабочий процесс, достигающий 83,2% ROC-AUC на реальных данных видеонаблюдения, эта работа подчеркивает сложность оценки риска самоубийства и открывает новые направления исследований интерпретируемых систем ИИ для социального блага.’

Новая статья озаглавлена Оценка риска самоубийства с помощью видеонаблюдения, обеспеченного ИИ: интерпретируемый каркас для предотвращения на метрополитенских станциях, и исходит от четырех авторов из Université TÉLUQ, Polytechnique Montréal и Université du Québec à Montréal.

Метод

Каркас авторов анализирует прямую видеотрансляцию для генерации непрерывно обновляемого балла риска самоубийства для каждого отслеживаемого пассажира. Люди обнаруживаются, отслеживаются и преобразуются в упрощенные представления позы, после чего система распознавания деятельности на основе скелета определяет действия за короткие периоды времени:

Системный конвейер для оценки риска самоубийства пассажира из видеоданных наблюдения, показывающий, как отслеживание, оценка позы, распознавание деятельности, зонирование платформы и карты тепла траектории объединяются для преобразования индивидуальных движений и поведения в непрерывно обновляемый риск для каждого человека на платформе.

Платформа затем делится на осмысленные зоны, что позволяет обнаруживать закономерности движений, такие как повторяющаяся ходьба между разными областями. Траектории пассажиров проецируются на карту платформы, что позволяет генерировать карты тепла, которые подчеркивают области, наиболее часто занимаемые или пересекаемые людьми, связанными с повышенным риском.

Наконец, система сопоставляет эти пространственные закономерности с наблюдаемым поведением для получения индивидуальной оценки риска самоубийства для каждого человека на платформе – процесс, который авторы называют инференцией риска.

Авторы использовали предварительно обученную реализацию YOLOX в качестве детектора человека для своей системы, обнаружив, что ее состояние «из коробки» идеально подходит для этой цели. ByteTrack использовался для управления отслеживанием нескольких объектов.

Каждому человеку, индивидуализированному этими процессами, присваивается свой предварительно обученный HRNet-модель, обеспечивающий оценку суставов и 2D-ключевые точки внутри ограничивающего прямоугольника, определяемого внешними оценками:

Примеры оценки суставов из HRNet, используемые в новом проекте. Источник

Оцениваемые позы из видеоданных платформы метро строятся в накопленные карты, определяющие историческое движение (см. «платформенные карты тепла» на стороне ранее показанного изображения выше).

Новая система включает в себя STARR-каркас, предыдущую работу, предназначенную для оценки вероятности самоубийственного поведения на платформах:

Оценка позы из STARR-каркаса. Источник

В данном случае STARR используется для обнаружения трех самообъясняющихся аннотаций действий пассажиров: LookTunnel; Walk; и Stand.

Для включения контекста окружающей среды платформа делится на семантически осмысленные зоны с помощью модели семантической сегментации YOLOv8n, обученной на вручную аннотированных изображениях платформы:

Семантика платформы: процесс зонирования, используемый системой для преобразования сегментированной платформы в три поведенчески осмысленные региона. Результатом являются зоны, близкие к стене, желтой линии и туннелю, которые обеспечивают пространственный контекст, используемый для оценки движений пассажиров и поведения, связанного с риском.

Результирующая карта сегментации используется для оценки границ платформы и определения трех рабочих зон: зоны, близкой к стене, зоны, близкой к желтой линии, где пассажиры могут подойти к краю платформы, оставаясь в пределах безопасности, и зоны дальнего конца платформы, ближайшей к входу в туннель.

Эти зоны обеспечивают пространственный контекст, необходимый для выявления поведения, связанного с повышенным риском самоубийства, как показывают психологические исследования. В частности, они позволяют системе обнаруживать повторяющееся движение между стеной и желтой линией, а также вход в дальнюю зону платформы.

В сочетании с картами тепла траекторий, сгенерированными ранее, эти пространственные индикаторы позже включаются в окончательную оценку риска самоубийства.

Интересно, что статья отмечает, что одним из признаков попыток самоубийства является тенденция оставить объект на платформе; однако авторы не смогли включить это в эту версию проекта, оставив это для будущей работы.

Карта риска платформы

Вместо того, чтобы полагаться только на поведение одного человека, каркас также объединяет карты тепла траекторий из нескольких известных случаев повышенного риска для создания платформо-широкой «карты риска позиции»:

Создание карты риска платформы из движений нескольких пассажиров с повышенным риском. Области, которые повторно привлекают длительное пребывание, занимают или другие поведения, связанные с риском, становятся все более заметными и позже используются в качестве одного из факторов окончательной оценки риска.

Области, которые повторно привлекают длительное пребывание, становятся высокорисковыми регионами, в то время как места, связанные с короткими или редкими визитами, остаются низкорисковыми. Результатом является балл риска позиции, который становится одним из входных данных, используемых в окончательной оценке риска самоубийства.

Окончательный балл риска основан на восьми индикаторах, накопленных за время: балл риска позиции, полученный из карт платформы;是否 пассажир идет или стоит на желтой линии; количество переходов через желтую линию; общее время, проведенное на желтой линии; самый длинный непрерывный период, проведенный на желтой линии; повторяющееся движение туда и обратно между стеной и желтой линией; повторяющаяся ориентация на туннель; и вход в туннель-прилегающий конец платформы.

Эти поведенческие и пространственные сигналы затем объединяются с помощью модели XGBoost, производя непрерывно обновляемую оценку риска самоубийства для каждого человека на платформе.

Данные и тесты

Тесты были проведены на кадрах видеонаблюдения, предоставленных Société de transport de Montréal (STM), включающих 66 пятиминутных записей, снятых перед реальными попытками самоубийства, вместе с 56 контрольными записями с тех же камер, в аналогичное время, когда не произошла попытка самоубийства.

С помощью психологов и экспертов по самоубийственному поведению отдельные пассажиры были аннотированы в зависимости от того, появлялись ли они в сценарии с повышенным риском или в контрольном сценарии, в результате чего получился набор данных из 256 человек, из которых 66 были связаны с случаями попыток самоубийства, и 190 были назначены в контрольную группу.

Для предотвращения утечки информации все люди, извлеченные из одной и той же записи, были назначены в один и тот же раздел данных, при этом 75% данных использовались для обучения, а 25% сохранялись для тестирования, сохраняя баланс между случаями с повышенным риском и контрольными случаями.

Классификатор XGBoost был обучен в течение 300 итераций усиления, при скорости обучения 0,05, с подсampling как для экземпляров обучения, так и для функций, для улучшения обобщаемости. Поскольку набор данных содержит значительно больше контрольных случаев, чем случаев с повышенным риском, процесс обучения компенсировал это, присваивая дополнительный вес меньшинству класса.

Производительность оценивалась в основном с помощью площади под кривой оперативной характеристики получателя (ROC-AUC), измеряющей, насколько эффективно система различает случаи с повышенным риском и контрольные случаи.

Дополнительные метрики включали чувствительность, измеряющую правильную идентификацию случаев с повышенным риском; специфичность, измеряющую правильную идентификацию контрольных случаев; ложноположительный коэффициент, отражающий ложные тревоги (FPR); и ложноотрицательный коэффициент, отражающий пропущенные обнаружения (FNR). Был принят намеренно низкий порог принятия решений, чтобы отдать приоритет ранней идентификации потенциально рискованных ситуаций:

Производительность каркаса оценки риска самоубийства в четырех конфигурациях, сравнивающих варианты с помощью аннотаций, верхней границы и полностью автоматизированные варианты по ROC-AUC, чувствительности, специфичности, частоте ложных тревог и частоте пропущенных обнаружений – и показывающих влияние замены аннотаций с помощью модулей автоматического обнаружения, отслеживания и распознавания деятельности.

Как видно из таблицы результатов выше, полностью автоматизированная система достигла ROC-AUC 0,832, в то время как замена автоматических компонентов обнаружения и отслеживания на аннотации с помощью аннотаций повысила производительность до 0,919.

Замена только модуля распознавания деятельности привела к меньшему приросту, повышая ROC-AUC до 0,893. Самый высокий балл, 0,924, был получен, когда все входные данные были предоставлены из аннотаций, что предполагает, что обнаружение, отслеживание и извлечение показателей остаются основными источниками ошибок в текущем конвейере.

Анализ обученной модели XGBoost показал, что прямое взаимодействие с желтой линией было одним из самых сильных предикторов повышенного риска, за которым следовало количество переходов через желтую линию и повторяющееся движение туда и обратно между зонами платформы. Время, проведенное на желтой линии, и балл риска позиции также внесли существенный вклад, в то время как ориентация на туннель и вход в дальнюю зону платформы обеспечили дополнительные, но менее решающие сигналы.

Возвращаясь к качественным результатам, представленным выше, каркас присвоил высокие баллы риска людям, связанным с попытками самоубийства, в то время как присвоил значительно более низкие баллы окружающим пассажирам-контролям:

Как показано ранее в статье, качественные результаты, представленные в статье, включают прогнозы вывода двух изображений из данных видеонаблюдения, с картами тепла по обе стороны для указания на задержку и другие платформенные мероприятия.

В одном случае балл риска 0,98 был связан с длительным присутствием на желтой линии и занятием регионов, определенных как высокорисковые картой риска позиции. В другом случае человек с повышенным риском получил балл 0,92, в то время как окружающие пассажиры-контроли получили гораздо более низкие оценки.

По мнению авторов, эти различия возникают из накопления нескольких индикаторов, а не из одного поведения. Длительные переходы через желтую линию, повторяющаяся ориентация на туннель и устойчивое присутствие в высокорисковых зонах платформы все способствуют повышению оценок риска.

Авторы заключили:

‘За пределами производительности, наше исследование подчеркивает интерпретируемость, показывая, что оценки риска обусловлены интуитивно понятными индикаторами, согласованными с установленными поведенческими и пространственными факторами риска.

‘Это позиционирует предложенный каркас как значимый мост между системами наблюдения ИИ и междисциплинарными исследованиями по предотвращению самоубийств.’

Вывод

На личной заметке, это все более редкое облегчение найти статью об ИИ, достойную сообщения, которая не создаст спорную реакцию в какой-то части населения, поскольку было бы трудно оспорить ценность целей, стоящих за таким проектом.

На практической заметке, очень небольшое количество пикселей, занимаемых головой, и относительно небольшое количество пространства экрана, занимаемого всем человеком под наблюдением в этом сценарии, делают это очень трудным для определения, смотрит ли человек часто на туннель – один из признаков потенциального самоубийства на железной дороге.

Как всегда, в проектах, связанных с инфраструктурой наблюдения, это кажется проблемой разрешения и ресурсов: если бы на платформе было больше камер на более частых интервалах, включая одну, специально покрывающую выход из туннеля (т. е. туннельную сторону, с которой внезапно появляется метропоезд), было бы возможно включить некоторые из различных и постоянно развивающихся каркасов вокруг направления взгляда. Как это стоит, текущая работа полагается на оценку всего направления тела, чтобы указать, что субъект смотрит на туннель.

В конечном итоге, это проблема бюджета, по крайней мере, что касается железнодорожной инфраструктуры; если бы все платформы были оснащены барьерами и воротами – функциями, которые появляются нечасто на станциях лондонского метро и в метрополитенских сетях других городов мира – то платформы не предлагали бы возможности для самоубийства.

Конечно, повышенная наблюдаемость – это более дешевый вариант, и раннее выявление характерных признаков самоубийства могло бы позволить прямое вмешательство до того, как произойдет трагедия.

Опубликовано впервые во вторник, 9 июня 2026 года