AI förutsäger olycksplatser från satellitbilder och GPS-data

Forskare från MIT och Qatar Center for Artificial Intelligence har utvecklat ett maskinlärningssystem som analyserar högupplösta satellitbilder, GPS-koordinater och historiska krockdata för att kartlägga potentiellt olycksdrabbade vägavsnitt, och har med framgång förutspått olycksplatser där inga andra data eller tidigare metoder skulle indikera dem.

Mitt till höger, förutsägbara olycksplatser uppstår från att kombinera tre källor av data. Områden som markerats med cirklar är ‘hög risk’ förutsägelser som faktiskt inte har någon historisk olyckshistoria. Källa: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Systemet erbjuder djärva förutsägelser för områden i ett vägnät som sannolikt kommer att bli olycksplatser, även om dessa områden inte har någon historia av olyckor. När forskarna testade systemet över data som täckte fyra år, fann de att deras förutsägelser för dessa ‘inga historiska olyckor’ potentiella olyckszoner bekräftades av händelser under de följande åren.

Den nya artikeln heter Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories. Författarna förutspår användningar för den nya arkitekturen utöver olycksförutsägelse, och hypoteserar att den kan appliceras på 911-akutkartering eller system för att förutspå efterfrågan på taxi och delningstjänster.

Tidigare liknande försök har försökt skapa liknande incidentförutsägare från lågupplösta kartor med hög bias, eller att utnyttja olycksfrekvens som en nyckel, vilket ledde till högvarians, inkorrekta förutsägelser. Istället överträffar det nya projektet, som täcker fyra stora amerikanska städer med totalt 7 488 kvadratkilometer, dessa tidigare scheman genom att kombinera mer varierad data.

Gles data

Problemet som forskarna står inför är gles data – mycket stora volymer av olyckor kommer oundvikligen att uppmärksammas och åtgärdas utan behov av maskinell analys, men mer subtila farliga korrelationer är svåra att identifiera.

Tidigare olycksförutsägelsesystem fokuserar på Monte Carlo-estimering av historiska olyckdata, och kan inte ge någon effektiv förutsägelsemekanism där denna data saknas. Därför studerar den nya forskningen vägnätsektioner med liknande trafikmönster, liknande visuell utseende och liknande struktur, och drar slutsatsen att olyckor kan förutsägas baserat på dessa egenskaper.

Det är en ‘skott i mörkret’ som tycks ha avslöjat grundläggande olycksindikatorer, som kan användas vid design av nya vägnät.

Kernel Density Estimation (KDE) har använts för att belysa historiska trafikolycksplatser, men misslyckas med att förutspå framtida olycksplatser. I övre vänstra bilden ser vi var KDE har förutspått olyckor i den blå rutan, jämfört med var olyckorna faktiskt inträffade (intill). Nedre högra, en jämförelse av KDE:s förutsägelsemisslyckande med den korrekta förutsägelsen (blå ruta) av MIT-systemet.

Författarna noterar att GPS-trafikdata ger information om trafikflöde, hastighet och densitet, medan satellitbilder av området tillför information om körfält, antal körfält, samt förekomst av mittremsa och gångtrafikanter.

Medförfattare Amin Sadeghi, från Qatar Computing Research Institute (QCRI) kommenterade “Vår modell kan generalisera från en stad till en annan genom att kombinera flera ledtrådar från skenbart orelaterade datakällor. Detta är ett steg mot allmän AI, eftersom vår modell kan förutspå krockkartor i okända områden.” och fortsatte “Modellen kan användas för att härleda en användbar krockkarta även i avsaknad av historiska krockdata, vilket kan översättas till positiv användning för stadsplanering och politiska beslut genom att jämföra hypotetiska scenarier”.

Arkitekturen för trafikförutsägelsesystemet genererar en olycksriskkarta med en upplösning på 5 meter, vilket författarna hävdar är kritiskt för att skilja på olika risker mellan motorväg och intilliggande bostadsområden.

Projektet utvärderades på krockdata och laterala data som täckte en period mellan 2017-18. Förutsägelser gjordes sedan för 2019 och 2020, med flera ‘hög risk’ platser som uppstod även i avsaknad av någon historisk data som normalt skulle förutspå detta.

Att uppnå användbar generalisering

Overfitting är en kritisk risk i ett system som drivs av gles data, även om det, som i detta fall, finns två ytterligare källor av stödjande data. Där en incident är låg, kan för många antaganden dras från för få exempel, vilket leder till en algoritm som förväntar sig en mycket specifik, smal band av möjliga omständigheter, och som kommer att misslyckas med att identifiera bredare sannolikhet.

Därför, i utbildningen av modellen, slumpmässigt “droppade” forskarna varje indatakälla med en 20% sannolikhet, så att områden med mindre (eller ingen) olycksdata kan beaktas medan modellen tränas mot generalisering, och så att parallella datakällor kan fungera som en representativ proxy för saknad information för varje studie av en korsning eller vägsektion.

Utvärdering

Modellen testades på en dataset som bestod av nästan 7 500 km av urban område i Boston, Los Angeles, Chicago och New York. Dataseten var organiserad i form av 1 872 2 km x 2 km rutor, var och en innehållande satellitbilder från MapBox, med vägsegment maskerade via data från OpenStreetMap. Både basbilderna och segmentkartorna har en upplösning på 0,625 meter.

GPS-data kommer i form av en proprietär dataset som samlats in mellan 2015-17 över de fyra städerna, totalt 7,6 miljoner kilometer av GPS-trafik med en sampelhastighet på 1 sekund.

Projektet utnyttjar också 4,2 miljoner poster som täcker 2016-2020 i US Accidents Dataset. Varje post innehåller tidsstämplar och annan metadata.

De första två åren av historiska data matades in i modellen, och de sista två åren användes för utbildning och utvärdering, vilket möjliggjorde för forskarna att fastställa systemets noggrannhet under två år på en kort tidsram.

Systemet testades med och utan historiska data, och visade sig kunna fånga den underliggande riskfördelningen över alla fall, och förbättrade avsevärt på tidigare KDE-baserade metoder (se ovan).

Vägar framåt

Författarna hävdar att deras system kan appliceras på andra länder med liten arkitektonisk modifiering, även i områden där olycksdata inte är tillgänglig. Dessutom föreslår författarna sin forskning som en möjlig tillägg till stadsplanering och design för nya urbana utvecklingsområden.

Huvudförfattare Songtao He kommenterade på det nya arbetet:

“Genom att fånga den underliggande riskfördelning som bestämmer sannolikheten för framtida krockar på alla platser, och utan någon historisk data, kan vi hitta säkrare rutter, möjliggöra för försäkringsbolag att erbjuda anpassade försäkringsplaner baserat på kundernas körsträckor, hjälpa stadsplanerare att designa säkrare vägar och till och med förutspå framtida krockar.”

Även om artikeln anger att koden för systemet har släppts på GitHub, är länken till koden inte aktiv, kan inte hittas genom en sökning, och antas vara inkluderad i en senare revision.

Forskningen har potential att integreras i populära konsumentnivå GPS-baserade trafikappar och ruttplanerare, enligt Songtao He:

“Om människor kan använda riskkartan för att identifiera potentiellt högriskvägar, kan de vidta åtgärder i förväg för att minska risken för resor de tar. Appar som Waze och Apple Maps har incidentfunktioner, men vi försöker komma före krockarna – innan de händer,”