ระบบ AI ที่คาดการณ์จุดเกิดอุบัติเหตุจากภาพถ่ายดาวเทียมและข้อมูล GPS

นักวิจัยจาก MIT และ Qatar Center for Artificial Intelligence ได้พัฒนาระบบการเรียนรู้ของเครื่องจักรที่วิเคราะห์ภาพถ่ายดาวเทียมความละเอียดสูง พิกัด GPS และข้อมูลอุบัติเหตุในอดีตเพื่อสร้างแผนที่จุดเกิดอุบัติเหตุในเครือข่ายถนน โดยสามารถคาดการณ์จุดเกิดอุบัติเหตุได้สำเร็จแม้ในพื้นที่ที่ไม่มีข้อมูลหรือวิธีการเก่าๆ ไม่สามารถคาดการณ์ได้

Middle right, predictive accident hot-spots emerge from collating three sources of data. Areas highlighted in circles are ‘high risk’ predictions that actually have no historical accident history. Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

ระบบนี้ให้การคาดการณ์ที่เป็นไปได้สำหรับพื้นที่ในเครือข่ายถนนซึ่งมีแนวโน้มที่จะเกิดอุบัติเหตุ แม้ในพื้นที่ที่ไม่มีประวัติอุบัติเหตุ การทดสอบระบบโดยใช้ข้อมูลที่ครอบคลุมสี่ปี นักวิจัยพบว่าการคาดการณ์ของพวกเขาเกี่ยวกับพื้นที่ที่ไม่มีประวัติอุบัติเหตุได้รับการยืนยันจากเหตุการณ์ในปีต่อๆ มา

บทความใหม่เรื่อง Inferring high-resolution traffic accident risk maps based on satellite imagery and GPS trajectories ได้แสดงให้เห็นว่าระบบนี้สามารถนำไปใช้กับการคาดการณ์อุบัติเหตุในพื้นที่อื่นๆ ได้ นอกเหนือจากการคาดการณ์อุบัติเหตุแล้ว ระบบนี้ยังสามารถนำไปใช้กับการวางแผนการจราจรและระบบการขนส่งในอนาคต

ข้อมูลที่ไม่เพียงพอ

ปัญหาที่นักวิจัยต้องเผชิญคือข้อมูลที่ไม่เพียงพอ ซึ่งเป็นปัญหาที่พบได้ทั่วไปในการวิเคราะห์ข้อมูลอุบัติเหตุ

ระบบการคาดการณ์อุบัติเหตุในอดีตมักจะอาศัยข้อมูลอุบัติเหตุในอดีตและไม่สามารถให้การคาดการณ์ที่มีประสิทธิภาพในพื้นที่ที่ไม่มีข้อมูลได้ ดังนั้นการวิจัยใหม่นี้จึงศึกษาพื้นที่ในเครือข่ายถนที่มีลักษณะการจราจรและโครงสร้างที่คล้ายคลึงกัน และให้การคาดการณ์เกี่ยวกับอุบัติเหตุโดยอาศัยลักษณะเหล่านี้

การคาดการณ์นี้ดูเหมือนจะเป็น “การยิงปืนในความมืด” ที่สามารถพบสัญญาณอุบัติเหตุพื้นฐานที่สามารถนำไปใช้ในการออกแบบเครือข่ายถนที่ปลอดภัยยิ่งขึ้น

Kernel Density Estimation (KDE) has been used to highlight historical traffic accident hot-spots, failing to predict future accident locations. In the upper left image we see where KDE has predicted accidents in the blue box region, versus where the accidents generally localized (adjacent). Bottom right, a comparison of KDE prediction failure to the accurate prediction (blue box) of the MIT system.

นักวิจัยพบว่าข้อมูล GPS ให้ข้อมูลเกี่ยวกับการไหลของการจราจร ความเร็ว และความหนาแน่นของการจราจร ในขณะที่ภาพถ่ายดาวเทียมของพื้นที่ให้ข้อมูลเกี่ยวกับแนวทางและจำนวนเลน รวมถึงการมีอยู่ของทางเท้าและคนเดิน

ผู้เขียนร่วม Amin Sadeghi จาก Qatar Computing Research Institute (QCRI) กล่าวว่า “โมเดลของเราสามารถสร้างการคาดการณ์ได้โดยการรวมข้อมูลจากแหล่งข้อมูลที่ไม่เกี่ยวข้องกัน” และ “โมเดลของเราสามารถใช้เพื่อคาดการณ์แผนที่อุบัติเหตุในพื้นที่ที่ไม่มีข้อมูลในอดีต ซึ่งสามารถนำไปใช้ในการวางแผนและการกำหนดนโยบายในอนาคต”

The architecture of the traffic prediction system generates an accident risk map at a 5-meter resolution, which the authors state is critical to distinguish different risks between freeway and adjacent residential roads.

การบรรลุผลที่มีประโยชน์

Overfitting เป็นความเสี่ยงที่สำคัญในระบบที่ขับเคลื่อนด้วยข้อมูลที่ไม่เพียงพอ แม้ว่าจะมีข้อมูลสนับสนุนจากแหล่งข้อมูลอื่นๆ ก็ตาม

การประเมิน

ระบบนี้ถูกทดสอบบนข้อมูลที่ครอบคลุมพื้นที่เมืองประมาณ 7,500 ตารางกิโลเมตรในบอสตัน ลอสแอนเจลิส ชิคาโก และนิวยอร์ก

ข้อมูล GPS มาจากแหล่งข้อมูลที่ไม่เปิดเผยตัวตนที่รวบรวมระหว่างปี 2015-2017 ในสี่เมืองที่กล่าวมาข้างต้น โดยมีระยะทางรวมประมาณ 7.6 ล้านกิโลเมตร

โครงการนี้ยังใช้ข้อมูลอุบัติเหตุ 4.2 ล้านรายการระหว่างปี 2016-2020 จาก US Accidents Dataset

ทางไปข้างหน้า

ผู้เขียนเชื่อว่าระบบนี้สามารถนำไปใช้กับประเทศอื่นๆ ได้โดยไม่ต้องมีการเปลี่ยนแปลงโครงสร้างมากนัก และสามารถใช้ในการวางแผนการจราจรและการออกแบบพื้นที่ใหม่ๆ

ผู้เขียนหลัก Songtao He กล่าวว่า “โดยการคาดการณ์ความเสี่ยงของอุบัติเหตุในพื้นที่ที่ไม่มีข้อมูลในอดีต เราสามารถหาทางที่ปลอดภัยยิ่งขึ้นสำหรับการเดินทาง และช่วยให้การวางแผนการจราจรและการออกแบบพื้นที่ใหม่ๆ ได้ดีขึ้น”

การวิจัยนี้มีศักยภาพที่จะถูกนำไปใช้ในแอปพลิเคชันการจราจรและแผนที่ที่มีการคาดการณ์อุบัติเหตุ โดย Songtao He กล่าวว่า “หากผู้คนสามารถใช้แผนที่ความเสี่ยงเพื่อระบุพื้นที่ที่มีความเสี่ยงสูงได้ พวกเขาสามารถดำเนินการล่วงหน้าเพื่อลดความเสี่ยงของการเดินทางได้ แอปพลิเคชันเช่น Waze และ Apple Maps มีเครื่องมือสำหรับการคาดการณ์อุบัติเหตุ แต่เรากำลังพยายามที่จะคาดการณ์อุบัติเหตุก่อนที่จะเกิดขึ้น”