Förebyggande och förhindrande av tunnelbanetragedier med AI

En AI-system utvecklad för att analysera riktiga övervakningsfilmer från tunnelbanestationer hävdar att den kan upptäcka varningstecken för självmordsförsök flera minuter innan de sker, genom att spåra beteenden som att gå av och an, stanna kvar vid kanten av plattformen och titta in i tunneln upprepade gånger.

Maskinlärningssystem har testats som system för att övervaka händelser på plattformar under flera år, vanligtvis med någon variation av den populära You Only Look Once (YOLO) serie av bildigenkänningstillämpningar som möjliggör scenarier där fotgängare kan ha fallit, eller där ett brott begås, eller där stationens plattform är överbelagd (vilket gör det möjligt för stationens myndigheter att reglera tillträde och åtgärda problemet).

Från 2024 års artikel ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, de steg genom vilka YOLOV7 identifierar passagerare på en plattform. Källa

Med en ökning av antalet försök till eller lyckade järnvägssjälvmord under de senaste 3-5 åren (i regioner som Storbritannien, Kanada och Nederländerna), har intresset för maskinlärningssystem som kan identifiera självmordsbeteende på järnvägs- och tunnelbanestationer ökat, baserat på disposition och olika andra faktorer:

Dwellers on the threshold: exempeldata från datamängden som driver STARR-projektet, som presenteras i den nya artikeln. Källa

I sammanfattning, de olika projekten som syftar till att utnyttja AI för självmordsbeteende på plattformar har inte, hittills, antagit en enhetlig metodik eller underliggande system eller gemensam ansats – inte minst på grund av att metoderna som driver sådana system ständigt utvecklas, tillsammans med den psykologiska och psykiatriska kunskap som ger insikt i denna typ av AI-övervakning.

Spetsen av utvecklingen

Nu presenterar en ny studie från Kanada en föreslagen formalisering av denna forskningssträng, som Självmordsriskbedömning (SRA), i sammanhanget med självmordsförsök på tunnelbanestationer.

I samarbete med Montréals transportmyndigheter fick forskarna i den nya studien tillgång till film från 66 verkliga självmordsförsök, som fångats av plattformskameror inom myndigheternas område:

Från den nya artikeln, utdataprediktioner från två ramar, en som visar ett verkligt järnvägssjälvmordsförsök och den andra inte. Källa

Även om det var nödvändigt att artificiellt hantera klassobalans som förekommer med en sådan begränsad grundtruth-datamängd, är detta ändå sällsynt data i någon form av volym; man kunde hoppas att framtida projekt från transitmyndigheter runt om i världen skulle kunna tillåta en flernationell datamängd med ett större antal exempel. Men, förståeligt nog, gör den extremt känsliga naturen hos sådan film det till mer än en tillfällig eller enkel sak.

Initiativet, som författarna hävdar, är det första som sammanfogar de olika uppgifter som definierar strävan efter en schema, och medför en ny benchmark för tunnelbanestationens självmordsscenario.

Författarna hävdar:

‘Till skillnad från ansatser som fokuserar på isolerade deluppgifter eller försöker att direkt sluta sig till avsikt, bedömer vår formulering självmordsrisk från ackumulerade bevis genom att inkorporera personspårning, aktivitetigenkänning, semantisk segmentering av plattformen och bana-driven riskvärmebildsmodellering.

‘Genom att formalisera SRA som en distinkt uppgift och benchmarka en komplett operativ pipeline som uppnår 83,2% ROC-AUC på riktiga övervakningsdata, belyser detta arbete komplexiteten i självmordsriskbedömning och öppnar nya riktningar för forskning om tolkningsbara AI-system för socialt välbefinnande.’

Den nya artikeln heter Självmordsriskbedömning från AI-stödd videoövervakning: En tolkningsbar ram för förebyggande på tunnelbanestationer, och kommer från fyra författare vid Université TÉLUQ, Polytechnique Montréal och Université du Québec à Montréal.

Metod

Författarnas ramverk analyserar en liveövervakningsvideoström för att generera en kontinuerligt uppdaterad självmordsriskpoäng för varje spårad passagerare. Individer detekteras, spåras och omvandlas till förenklade kroppsposesrepresentationer, varefter ett skelettbaserat aktivitetigenkänningsystem identifierar handlingar under korta tidsperioder:

Systempipelinen för att uppskatta passagerar-självmordsrisk från övervakningsvideo, som visar hur spårning, posestimering, aktivitetigenkänning, plattformszoning och bana-värmebilder kombineras för att omvandla individuella rörelser och beteenden till en kontinuerligt uppdaterad riskpoäng för varje person på plattformen.

Plattformen delas sedan in i meningsfulla zoner, vilket möjliggör att rörelsemönster – såsom upprepade gångavstånd mellan olika områden – kan detekteras. Passagerarbanor projiceras på en karta av plattformen, vilket gör det möjligt att generera värmebilder som lyfter fram områden som ofta besöks eller korsas av personer med förhöjd risk.

Slutligen kombinerar systemet dessa spatiala mönster mot observerade beteenden för att producera en individuell självmordsriskbedömning för varje person på plattformen – en process som författarna kallar riskinferens.

Författarna använde en förtränad YOLOX-implementering som människodetektor för sitt system, och fann att dess färdiga tillstånd är fullt användbart för detta ändamål. ByteTrack användes för att orkestrera multiobjekts-spårning.

Varje person som individueras av dessa processer tilldelas sin egen förtränade HRNet-modell, som ger ledestimation och 2D-kroppsnyckelpunkter inom en begränsningsruta bestämd av de yttre av dessa estimat:

Exempel på ledestimation från HRNet, som används i det nya projektet. Källa

De poser som utvärderas från videodata från tunnelbanestationen byggs upp till ackumulerade kartor som definierar historisk rörelse (se ‘plattforms-värmebilder’ bredvid den tidigare bilden ovan).

Det nya systemet inkorporerar STARR-ramverket, ett tidigare arbete som utformats för att utvärdera sannolikheten för självmordsbeteende på plattformar:

Posestimering från STARR-ramverket. Källa

I detta fall används STARR för att upptäcka tre självförklarande passagerar-åtgärdsanteckningar: LookTunnel; Walk; och Stand.

För att inkorporera miljökontext delas systemets uppfattning om plattformen in i semantiskt meningsfulla zoner med hjälp av en YOLOv8n-semantisk segmenteringsmodell som tränats på manuellt annoterade plattformsbilder:

Plattformssemantik: zonprocessen som används av systemet för att omvandla en segmenterad plattform till tre beteendemässigt meningsfulla regioner. Källa

Resultatet är en segmenteringskarta som används för att uppskatta plattformsgränserna och definiera tre operativa områden: en väggproximal zon nära plattformsväggen; en gul-linje-proximal zon där passagerare kan närma sig plattformskanten medan de förblir inom säkerhetsgränser; och en plattforms-fjärrzon närmast tunnelingången.

Dessa zoner ger den spatiala kontexten som behövs för att identifiera beteenden som psykologiska studier har associerat med förhöjd självmordsrisk. I synnerhet möjliggör de för systemet att upptäcka upprepad rörelse mellan väggen och gul-linjen, tillsammans med inträde i fjärrzonen på plattformen.

Kombinerat med de bana-värmebilder som genererades tidigare, inkorporeras dessa spatiala indikatorer senare i den slutliga självmordsriskbedömningen.

Intressant nog noterar artikeln att ett kännetecken för självmordsförsök är tendensen att lämna ett föremål på plattformen; dock kunde författarna inte inkorporera detta i den här versionen av projektet, och lämnar det till framtida arbete.

En karta över plattformsrisk

I stället för att enbart förlita sig på beteendet hos en enskild person, kombinerar ramverket också bana-värmebilder från flera kända riskfall för att skapa en plattformsvitt ‘position risk-värmebild’:

Bygga en plattformsriskkarta från rörelserna hos flera riskpassagerare. Källa

Områden som upprepade gånger lockar till sig långvarig vistelse framträder som högriskområden, medan platser som är associerade med korta eller ovanliga besök förblir lågriskområden. Den resulterande position-riskpoängen blir en av ingångarna som används i den slutliga självmordsriskbedömningen.

Den slutliga riskpoängen baseras på åtta indikatorer som ackumuleras över tid: en position-riskpoäng som härrör från plattforms-värmebilder; om en passagerare går eller står på gul-linjen; antalet gul-linjekorsningar; den totala tiden som tillbringas på gul-linjen; den längsta oavbrutna perioden som tillbringas på gul-linjen; upprepad fram- och tillbaka-rörelse mellan väggen och gul-linjen; upprepad orientering mot tunneln; och inträde i tunnel-adjunkta zonen på plattformen.

Dessa beteendemässiga och spatiala signaler kombineras sedan via en XGBoost-modell, som producerar en kontinuerligt uppdaterad självmordsriskuppskattning för varje individ på plattformen.

Data och tester

Tester genomfördes på övervakningsfilm som tillhandahållits av Société de transport de Montréal (STM), bestående av 66 femminutersinspelningar som fångats före verkliga självmordsförsök, tillsammans med 56 matchade kontrollinspelningar från samma kameror, vid jämförbara tidpunkter då inget självmordsförsök inträffade.

Med hjälp av psykologi och experter på självmordsbeteende, annoterades enskilda passagerare enligt om de förekom i en risk- eller kontrollscenario, vilket resulterade i en datamängd om 256 individer, varav 66 var associerade med självmordsfall, och 190 tilldelades kontrollgruppen.

För att förhindra informationsläckage, tilldelades alla individer som extraherades från samma inspelning samma datadelningsgrupp, med 75% av datan använd för träning och 25% reserverad för testning, samtidigt som balansen mellan risk- och kontrollfall bevarades.

XGBoost-klassificeraren tränades under 300 boost-iterationer, med en inlärningshastighet på 0,05, med undersampling för både träningsinstanser och funktioner, för att förbättra generaliserbarheten. Eftersom datamängden innehåller avsevärt fler kontrollfall än riskfall, kompenserade träningsprocessen för detta genom att tilldela extra vikt till minoritetsklassen.

Prestandan utvärderades främst med hjälp av Area Under the Receiver Operating Characteristic Curve (ROC-AUC), som mäter hur effektivt systemet skiljer mellan risk- och kontrollindivider.

Ytterligare mått omfattade känslighet, som mäter korrekt identifiering av riskfall; specificitet, som mäter korrekt identifiering av kontrollfall; felaktig positiv frekvens, som reflekterar falska larm (FPR); och felaktig negativ frekvens, som reflekterar missade upptäckter (FNR). Ett medvetet lågt beslutsgräns antogs för att prioritera tidig identifiering av potentiellt riskfyllda situationer:

Prestanda för självmordsriskbedömningsramverket under fyra konfigurationer, som jämför grundtruth-assisterad, övre-gräns och fullt automatiserad varianter över ROC-AUC, känslighet, specificitet, felaktig alarmfrekvens och missad upptäcktsfrekvens – och visar prestandapåverkan av att ersätta grundtruth-anteckningar med automatiserad detektion, spårning och aktivitetigenkänningmoduler.

Som visas i den första resultattabellen ovan, uppnådde det fullt automatiserade systemet en ROC-AUC på 0,832, medan ersättning av de automatiserade detektions- och spårningskomponenterna med grundtruth-anteckningar förbättrade prestandan till 0,919.

Ersättning av endast aktivitetigenkänningsmodulen resulterade i en mindre vinst, som höjde ROC-AUC till 0,893. Den högsta poängen, 0,924, uppnåddes när alla ingångar tillhandahölls från grundtruth-anteckningar, vilket tyder på att detektion, spårning och nedströmsindikatorutvinning förblir de främsta källorna till fel i den nuvarande pipeline.

Analys av den tränade XGBoost-modellen indikerade att direkt interaktion med gul-linjen var en av de starkaste prediktorerna för förhöjd risk, följt av antalet gul-linjekorsningar, och upprepad fram- och tillbaka-rörelse mellan plattformszoner. Tiden som tillbringas på gul-linjen och position-riskpoängen bidrog också avsevärt, medan tunnelriktad uppmärksamhet och inträde i plattformens fjärrzon tillhandahöll ytterligare, men mindre avgörande signaler.

Återgående till de kvalitativa resultaten som förhandsvisades ovan, tilldelade ramverket höga riskpoäng till individer som senare associerades med självmordsförsök, medan de tilldelade avsevärt lägre poäng till omgivande kontrollpassagerare:

Som visas tidigare i artikeln, visar de kvalitativa resultaten i artikeln utdataprediktioner från två bilder från övervakningsdata, med värmebilder på varje sida för att indikera vistelse och andra plattformsaktiviteter.

I ett fall var en riskpoäng på 0,98 kopplad till långvarig närvaro på gul-linjen och ockupation av områden som identifierats som högriskområden av position-riskkartan. I ett annat fall tilldelades en riskperson en poäng på 0,92, medan närliggande kontrollpassagerare fick avsevärt lägre uppskattningar.

Enligt författarna uppstår dessa skillnader från ackumuleringen av flera indikatorer, snarare än något enskilt beteende. Långvarig korsning av gul-linjen, upprepad orientering mot tunneln och långvarig närvaro i högriskområden på plattformen bidrar alla till förhöjda riskuppskattningar.

Författarna avslutar:

‘Bortom prestanda betonar vår studie tolkbarhet, och visar att riskbedömningar drivs av intuitiva indikatorer som är i linje med etablerade beteendemässiga och spatiala riskfaktorer.

‘Detta positionerar det föreslagna ramverket som en meningsfull bro mellan AI-baserade övervakningssystem och tvärvetenskaplig forskning om självmordsprevention.’

Slutsats

På ett personligt plan är det en alltmer sällsynt lättnad att hitta en AI-artikel som är värd att rapportera och som inte sannolikt kommer att skapa en kontroversiell reaktion i någon del av befolkningen, eftersom det vore svårt att ifrågasätta värdet av målen bakom den här typen av projekt.

På ett praktiskt plan är den mycket lilla mängden pixlar som upptas av huvudet, och den relativt lilla mängden skärmutrymme som upptas av hela personen under övervakning i detta scenario, gör det mycket svårt att avgöra om personen ofta tittar på tunneln – ett av varningstecknen för ett potentiellt järnvägssjälvmord.

Som alltid i projekt som rör övervakningsinfrastruktur, verkar detta vara ett problem kring upplösning och resurser: om det fanns fler kameror på fler frekventa intervall som täckte plattformen, inklusive en som specifikt täckte tunnelutgången (dvs. tunnelaspekten från vilken en tunnelbana plötsligt dyker upp), skulle det finnas möjlighet att involvera några av de olika ramverken kring blickriktning. Som det är, förlitar sig det nuvarande arbetet på att utvärdera hela kroppens riktning för att signalera att ämnet betraktar tunneln.

Till slut är frågan en budgetfråga, åtminstone när det gäller järnvägsinfrastruktur; om alla plattformar utrustades med barriärer och grindar – funktioner som dyker upp sällan i Londons tunnelbanestationer och i tunnelbanenätverk i andra städer runt om i världen – skulle plattformarna inte erbjuda någon möjlighet till självskada.

Visst, ökad övervakning är det billigare alternativet, och tidig identifiering av karakteristiska tecken på självskada kunde tillåta direkt ingripande innan tragedin inträffar.

Publicerad första gången tisdagen den 9 juni 2026