AI parashikon pikat e nxehta të aksidenteve nga imazhet satelitore dhe të dhënat GPS

Studiuesit nga MIT dhe Qendra e Katarit për Inteligjencën Artificiale kanë zhvilluar një sistem të mësimit të makinerive që analizon imazhet satelitore me rezolucion të lartë, koordinatat GPS dhe të dhënat historike të përplasjeve në mënyrë që të hartojë seksionet e mundshme të rrezikuara nga aksidentet në rrjetet rrugore, duke parashikuar me sukses 'pikat e nxehta' të aksidenteve. ku asnjë të dhënë tjetër apo metoda të mëparshme nuk do t'i tregonte ato.

Pikat e nxehta të aksidenteve parashikuese të mesit djathtas dalin nga përmbledhja e tre burimeve të të dhënave. Zonat e theksuara në rrathë janë parashikime me 'rrezik të lartë' që në fakt nuk kanë histori historike aksidentesh. Burimi: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Sistemi ofron parashikime të guximshme për zonat në një rrjet rrugor që ka të ngjarë të shndërrohen në pika të zeza aksidentesh, edhe kur ato zona kanë zero histori aksidentesh. Duke testuar sistemin mbi të dhënat që mbulojnë katër vjet, studiuesit zbuluan se parashikimet e tyre për këto zona të rrezikut të mundshëm të aksidenteve 'pa histori' u vërtetuan nga ngjarjet në vitet e mëvonshme.

La letër e re quhet Përfundimi i hartave të rrezikut të aksidenteve rrugore me rezolucion të lartë bazuar në imazhet satelitore dhe trajektoret GPS. Autorët parashikojnë përdorime për arkitekturën e re përtej parashikimit të aksidenteve, duke hipotezuar se mund të aplikohet në hartat ose sistemet e rrezikut të urgjencës 911 për të parashikuar mundësinë e kërkesës për taksitë dhe ofruesit e ndarjes së udhëtimit.

Përpjekjet e mëparshme të ngjashme janë përpjekur të krijojnë parashikues të ngjashëm incidentesh nga harta me rezolucion të ulët me paragjykim të lartë, ose për të përdorur frekuencën e aksidenteve si një çelës, gjë që çoi në parashikime të pasakta me variancë të lartë. Në vend të kësaj, projekti i ri, i cili mbulon katër qytete të mëdha amerikane me një sipërfaqe totale prej 7,488 kilometrash katrorë, i tejkalon këto skema të mëparshme duke mbledhur forma më të ndryshme të të dhënave.

Të dhëna të rralla

Problemi me të cilin përballen studiuesit janë të dhënat e pakta - vëllime shumë të larta të aksidenteve në mënyrë të pashmangshme do të vihen re dhe do të adresohen pa nevojën për analitikë makinerish, por korrelacionet më delikate të rrezikshme janë të vështira për t'u identifikuar.

Sistemet e mëparshme të parashikimit të aksidenteve përqendrohen Vlerësimi i Monte Carlo të të dhënave historike të aksidenteve, dhe nuk mund të sigurojë asnjë mekanizëm efektiv parashikimi kur mungojnë këto të dhëna. Prandaj kërkimi i ri studion seksionet e rrjetit rrugor me modele të ngjashme trafiku, pamje të ngjashme vizuale dhe strukturë të ngjashme, duke nxjerrë në përfundimin një prirje ndaj aksidenteve bazuar në këto karakteristika.

Është një 'shtënë në errësirë' që duket se ka zbuluar treguesit themelorë të aksidenteve, të cilët mund të përdoren në projektimin e rrjeteve të reja rrugore.

Vlerësimi i densitetit të bërthamës (KDE) është përdorur për të nënvizuar pikat e nxehta historike të aksidenteve të trafikut, duke dështuar në parashikimin e vendndodhjeve të aksidenteve në të ardhmen. Në imazhin e sipërm majtas ne shohim se ku KDE ka parashikuar aksidente në rajonin e kutisë blu, kundrejt vendit ku aksidentet përgjithësisht lokalizohen (në afërsi). Poshtë djathtas, një krahasim i dështimit të parashikimit të KDE me parashikimin e saktë (kutia blu) të sistemit MIT.

Autorët vërejnë se të dhënat e trajektores GPS ofrojnë informacion mbi rrjedhën, shpejtësinë dhe dendësinë e trafikut, ndërsa imazhet satelitore të zonës shtojnë informacione rreth shtrirjes së korsisë dhe numrit të korsive, si dhe ekzistencës së një shpatull të fortë dhe pranisë së këmbësorët.

Autori kontribues Amin Sadeghi, nga Instituti i Kërkimeve Kompjuterike të Katarit (QCRI) komentoi “Modeli ynë mund të përgjithësohet nga një qytet në tjetrin duke kombinuar të dhëna të shumta nga burime të dhënash në dukje të palidhura. Ky është një hap drejt AI-së së përgjithshme, sepse modeli ynë mund të parashikojë hartat e përplasjeve në territore të paeksploruara.” dhe vazhdoi "Modeli mund të përdoret për të nxjerrë përfundime një hartë të dobishme përplasjeje edhe në mungesë të të dhënave historike të përplasjeve, të cilat mund të përkthehen në përdorim pozitiv për planifikimin e qytetit dhe politikëbërjen duke krahasuar skenarë imagjinarë".

Arkitektura e sistemit të parashikimit të trafikut gjeneron një hartë të rrezikut të aksidenteve me një rezolucion prej 5 metrash, të cilën autorët thonë se është kritike për të dalluar rreziqet e ndryshme midis autostradës dhe rrugëve rezidenciale ngjitur.

Projekti u vlerësua mbi aksidentet dhe të dhënat anësore që mbulojnë një periudhë midis 2017-18. Më pas u bënë parashikime për 2019 dhe 2020, me disa lokacione me 'rrezik të lartë' që u shfaqën edhe në mungesë të ndonjë të dhënë historike që normalisht do ta parashikonte këtë.

Arritja e përgjithësimit të dobishëm

Përshtatje e tepërt është një rrezik kritik në një sistem të ushqyer nga të dhëna të rralla, edhe kur, si në këtë rast, ka dy burime shtesë të të dhënave mbështetëse. Aty ku një incidencë është e ulët, supozime të tepruara mund të nxirren nga shumë pak shembuj, duke çuar në një algoritëm që pret një brez shumë të veçantë, të ngushtë të rrethanave të mundshme, dhe i cili do të dështojë të identifikojë probabilitete më të gjera.

Prandaj, në trajnimin e modelit kërkuesit "e hoqën" në mënyrë të rastësishme çdo burim hyrës si një probabilitet 20%, kështu që zonat me më pak (ose aspak) të dhëna aksidenti mund të konsiderohen si modeli që trajnon drejt përgjithësimit, dhe në mënyrë që burimet paralele të të dhënave të mund të të veprojë si përfaqësues përfaqësues për informacionin që mungon për çdo studim të veçantë të një kryqëzimi ose seksioni të rrugës.

Vlerësim

Modeli u testua në një grup të dhënash që përfshin gati 7,500 km zonë urbane në Boston, Los Angeles, Çikago dhe NYC. Të dhënat u organizuan në formën e 1,872 pllakave 2kmx2km, secila përmban imazhe satelitore nga MapBox, me segmentimin e rrugëve të maskuar nëpërmjet të dhënave nga OpenStreetMap. Si imazhet bazë ashtu edhe hartat e segmentimit kanë një rezolucion prej 0.625 metrash.

Të dhënat GPS vijnë në formën e një grupi të dhënash pronësore të mbledhura midis viteve 2015-17 mbi katër qytetet, duke arritur në total 7.6 milionë kilometra trajektore GPS me një normë kampionimi prej 1 sekonde.

Projekti gjithashtu shfrytëzon 4.2 milionë të dhëna që mbulojnë 2016-2020 në Të dhënat e aksidenteve në SHBA. Çdo regjistrim përfshin vulat kohore dhe të dhëna të tjera meta.

Dy vitet e para të të dhënave historike iu futën modelit, dhe dy vitet e fundit u përdorën për trajnim dhe vlerësim, duke u mundësuar studiuesve të përcaktojnë saktësinë e sistemit gjatë dy viteve në një afat të shkurtër kohor.

Sistemi u testua me dhe pa të dhëna historike dhe u zbulua se kapte me sukses shpërndarjen e rrezikut në të gjitha rastet, veçanërisht duke u përmirësuar në metodat e mëparshme të bazuara në KDE (shih më lart).

Rrugët përpara

Autorët pretendojnë se sistemi i tyre mund të aplikohet në vende të tjera me pak modifikime arkitekturore, edhe në vende ku të dhënat e aksidenteve nuk janë të disponueshme. Për më tepër, autorët propozojnë kërkimin e tyre si një shtesë e mundshme për dizajnin e planifikimit të qytetit për zhvillimet e reja urbane.

Autori kryesor Songtao Ai komentoi për veprën e re:

“Duke kapur shpërndarjen bazë të rrezikut që përcakton probabilitetin e përplasjeve të ardhshme në të gjitha vendet, dhe pa asnjë të dhënë historike, ne mund të gjejmë rrugë më të sigurta, t'u mundësojmë kompanive të sigurimit të automjeteve të ofrojnë plane sigurimesh të personalizuara bazuar në trajektoret e drejtimit të klientëve, të ndihmojmë planifikuesit e qytetit të hartojnë rrugë më të sigurta dhe madje parashikojnë përplasje të ardhshme.”

Megjithëse dokumenti tregon se kodi për sistemin është lëshuar në GitHub, lidhja me kodin nuk është aktive, aktualisht nuk mund të gjendet nga një kërkim dhe me sa duket do të përfshihet në një rishikim të mëvonshëm.

Hulumtimi ka potencial për t'u përfshirë në aplikacionet popullore të trafikut të nivelit të konsumatorit të bazuar në GPS dhe planifikuesit e rrugëve, sipas Songtao He:

“Nëse njerëzit mund të përdorin hartën e rrezikut për të identifikuar segmentet rrugore me rrezik të lartë, ata mund të ndërmarrin veprime paraprakisht për të zvogëluar rrezikun e udhëtimeve që bëjnë. Aplikacionet si Waze dhe Apple Maps kanë vegla të veçorive të incidentit, por ne po përpiqemi t'i parandalojmë përplasjet - përpara se të ndodhin."