AI ngaramalkeun Kacilakaan Hot-Spot Tina Citra Satelit sareng Data GPS

Panaliti ti MIT sareng Qatar Center for Artificial Intelligence parantos ngembangkeun sistem pembelajaran mesin anu nganalisa citra satelit resolusi luhur, koordinat GPS sareng data kacilakaan sajarah pikeun ngapetakeun bagian anu rawan kacilakaan dina jaringan jalan, suksés ngaramalkeun kacilakaan 'hot spot'. dimana euweuh data séjén atawa métode saméméhna bakal nunjukkeun aranjeunna.

Katuhu tengah, titik panas kacilakaan prediksi muncul tina ngumpulkeun tilu sumber data. Wewengkon anu disorot dina bunderan mangrupikeun prediksi 'resiko tinggi' anu saleresna henteu gaduh sajarah kacilakaan sajarah. Sumber: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Sistem ieu nawiskeun prediksi anu wani pikeun daérah dina jaringan jalan anu kamungkinan janten bintik hideung kacilakaan, bahkan dimana daérah éta henteu aya riwayat kacilakaan. Nguji sistem ngaliwatan data ngawengku opat taun, panalungtik manggihan yén prediksi maranéhanana pikeun 'henteu sajarah' zona bahaya kacilakaan poténsi ieu ditanggung kaluar ku kajadian dina taun saterusna.

nu kertas anyar disebut Inferring peta résiko kacilakaan lalulintas resolusi luhur dumasar kana imagery satelit sarta lintasan GPS. Panulis ngaduga kagunaan pikeun arsitéktur anyar saluareun prediksi kacilakaan, hypothesizing yén éta bisa dilarapkeun ka 911 peta résiko darurat atawa sistem keur prediksi likelihood paménta pikeun taksi na ride-share panyadia.

Saméméhna usaha sarupa geus nyoba nyieun kajadian-prediktor sarupa ti peta-resolusi low kalawan bias tinggi, atawa nu sejenna pikeun ngungkit frékuénsi kacilakaan salaku konci, nu ngarah ka varian tinggi, prediksi teu akurat. Gantina, proyék anyar, nu ngawengku opat kota utama AS jumlahna 7,488 kilométer pasagi, outperforms ieu skéma saméméhna ku collating bentuk leuwih beragam data.

Data Jarang

Masalah anu disanghareupan ku panalungtik nyaéta data anu jarang - jumlah kacilakaan anu luhur pisan pasti bakal diperhatoskeun sareng diatasi tanpa peryogi analitik mesin, tapi korelasi anu langkung bahaya anu sesah diidentipikasi.

Sistem prediksi kacilakaan saméméhna puseur dina estimasi Monte Carlo tina data kacilakaan sajarah, sarta bisa nyadiakeun euweuh mékanisme prediksi éféktif mana data ieu kurang. Ku alatan éta, panilitian anyar ngulik bagian-bagian jaringan jalan kalayan pola lalu lintas anu sami, penampilan visual anu sami sareng struktur anu sami, nyimpulkeun disposition kana kacilakaan dumasar kana karakteristik ieu.

Ieu 'shot in the dark' nu sigana geus unearthed indikator kacilakaan dasar, nu bisa garapan dina rarancang jaringan jalan anyar.

Estimasi Kepadatan Kernel (KDE) geus dipaké pikeun nyorot titik panas kacilakaan lalulintas sajarah, gagal keur prediksi lokasi kacilakaan hareup. Dina gambar kénca luhur urang ningali dimana KDE geus diprediksi kacilakaan di wewengkon kotak biru, versus dimana kacilakaan umumna localized (padeukeut). Katuhu handap, ngabandingkeun gagal prediksi KDE kana prediksi akurat (kotak biru) sistem MIT.

Panulis nyatet yén data lintasan GPS nawiskeun inpormasi ngeunaan aliran, laju sareng dénsitas lalu lintas, sedengkeun citra satelit di daérah nambihan inpormasi ngeunaan disposisi jalur, sareng jumlah jalur, ogé ayana taktak keras sareng ayana pejalan kaki.

Panulis kontribusi Amin Sadeghi, ti Qatar Computing Research Institute (QCRI) commented "Modél kami tiasa ngageneralisasi ti hiji kota ka kota anu sanés ku ngagabungkeun sababaraha petunjuk tina sumber data anu teu aya hubunganana. Ieu mangrupikeun léngkah ka arah AI umum, sabab modél urang tiasa ngaduga peta kacilakaan di daérah anu teu kapendak. terus "Modél bisa dipaké pikeun infer peta kacilakaan mangpaat malah dina henteuna data kacilakaan sajarah, nu bisa narjamahkeun kana pamakéan positif pikeun tata kota jeung policymaking ku ngabandingkeun skenario imajinér ".

Arsitéktur sistem prediksi lalu lintas ngahasilkeun peta résiko kacilakaan dina resolusi 5-méteran, anu nyatakeun pangarang kritis pikeun ngabédakeun résiko anu béda antara jalan tol sareng jalan padumukan anu caket.

Proyék ieu dievaluasi dina kacilakaan sareng data gurat anu nyertakeun periode antara 2017-18. Prediksi teras dilakukeun pikeun 2019 sareng 2020, kalayan sababaraha lokasi 'resiko tinggi' muncul sanajan henteuna data sajarah anu biasana bakal ngaduga ieu.

Ngahontal Generalisasi Mangpaat

Overfitting mangrupakeun resiko kritis dina sistem ngalarti ku data sparse, sanajan dimana, sakumaha dina hal ieu, aya dua sumber tambahan data ngarojong. Dimana hiji incidence low, asumsi kaleuleuwihan bisa dicokot tina teuing sababaraha conto, ngarah kana hiji algoritma nu expecting a pisan husus, band sempit mungkin kaayaan, sarta nu bakal gagal pikeun ngaidentipikasi probabiliti lega.

Ku alatan éta, dina latihan model panalungtik acak 'turun kaluar' unggal sumber input salaku probabiliti 20%, ku kituna wewengkon kalawan kirang (atawa euweuh) data kacilakaan bisa dianggap salaku model karéta arah generalisasi, sarta ku kituna sumber data paralel bisa. meta salaku proxy wawakil pikeun informasi leungit pikeun sagala ulikan husus ngeunaan hiji simpang atawa bagian tina jalan.

evaluasi

Modél ieu diuji dina set data anu ngandung ampir 7,500km daérah kota di Boston, Los Angeles, Chicago sareng NYC. Dataset ieu disusun dina bentuk ubin 1,872 2kmx2km, masing-masing ngandung citra satelit ti MapBox, kalawan segmentation jalan masked via data ti OpenStreetMap. Boh gambar dasar sareng peta ségméntasi gaduh résolusi 0.625 méter.

Data GPS asalna dina bentuk dataset proprietary dikumpulkeun antara 2015-17 leuwih opat kota, jumlahna 7.6 juta kilométer lintasan GPS dina laju sampling 1 detik.

Proyék ogé exploits 4.2 juta rékaman ngawengku 2016-2020 dina Dataset Kacilakaan AS. Unggal catetan kalebet cap waktos sareng metadata sanésna.

Dua taun mimiti data sajarah anu fed kana modél, sarta dua taun ahir dipaké pikeun latihan jeung evaluasi, sangkan panalungtik pikeun ngadegkeun katepatan tina sistem leuwih dua taun dina jangka waktu pondok.

Sistem ieu diuji sareng sareng tanpa data sajarah, sareng kapendak suksés nangkep distribusi résiko anu aya dina sadaya kasus, khususna ningkatkeun metode dumasar-KDE sateuacana (tingali di luhur).

Jalan Maju

Panulis nyatakeun yén sistemna tiasa diterapkeun ka nagara-nagara sanés kalayan sakedik modifikasi arsitéktur, bahkan di lokasi dimana data kacilakaan henteu sayogi. Salaku tambahan, panulis ngajukeun panalungtikanana salaku kamungkinan tambahan pikeun desain perencanaan kota pikeun pangwangunan kota anyar.

Pamimpin panulis Songtao Anjeunna ngoméntaran kana karya énggal:

"Ku néwak distribusi résiko anu nangtukeun kamungkinan kacilakaan kahareup di sadaya tempat, sareng tanpa data sajarah, urang tiasa mendakan rute anu langkung aman, ngamungkinkeun perusahaan asuransi mobil nyayogikeun rencana asuransi khusus dumasar kana lintasan nyetir para nasabah, ngabantosan desain perencanaan kota. jalan anu langkung aman, bahkan ngaramalkeun kacilakaan kahareup.

Sanaos kertas nunjukkeun yén kode pikeun sistem parantos dileupaskeun dina GitHub, tautan kana kode éta henteu aktip, ayeuna henteu tiasa dipendakan ku milarian, sareng sigana bakal dilebetkeun kana révisi engké.

Panaliti ieu berpotensi dilebetkeun kana aplikasi lalu lintas basis GPS tingkat konsumen anu populer sareng perencanaan rute, numutkeun Songtao He:

"Upami jalma tiasa nganggo peta résiko pikeun ngaidentipikasi bagéan jalan anu berpotensi berisiko tinggi, aranjeunna tiasa nyandak tindakan sateuacanna pikeun ngirangan résiko perjalanan anu aranjeunna lakukeun. Aplikasi sapertos Waze sareng Apple Maps gaduh alat fitur kajadian, tapi urang nyobian sateuacanna tina kacilakaan - sateuacan kajantenan.