Yapay Zeka, Uydu Görüntüleri ve GPS Verileri ile Kaza Yuvalarını Tahmin Ediyor

Araştırmacılar, MIT ve Katar Yapay Zeka Merkezi’nden, yüksek çözünürlüklü uydu görüntüleri, GPS koordinatları ve histórik kazalar verilerini analiz eden bir makine öğrenimi sistemi geliştirdiler. Bu sistem, yol ağlarındaki potansiyel kaza yuvalarını haritalamak için kullanılabiliyor ve başarılı bir şekilde kazaların olabileceği yerleri tahmin edebiliyor.

Orta sağda, tahmini kaza yuvaları, üç veri kaynağının birleştirilmesiyle ortaya çıkıyor. Çemberlerle destac edilen alanlar, histórik kaza geçmişi olmayan ‘yüksek risk’ tahminleridir. Kaynak: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Sistem, yol ağlarındaki belirli bölgelerin gelecekte kaza yuvaları haline gelebileceğini tahmin edebiliyor, hatta bu bölgelerde daha önce kaza olmadıysa bile. Araştırmacılar, sistemi dört yıllık veri ile test etti ve sistemlerin ‘hiç kaza geçmişi olmayan’ potansiyel kaza yuvalarını doğru bir şekilde tahmin ettiğini gördü.

Yeni makale, Uydu Görüntüleri ve GPS İzleri ile Yüksek Çözünürlüklü Trafik Kazası Risk Haritalarının Belirlenmesi başlığını taşıyor. Araştırmacılar, bu yeni mimarinin 911 acil durum risk haritaları veya taksi ve paylaşımlı araç hizmetleri için talep olasılığını tahmin etmek gibi diğer alanlarda da kullanılabileceğini düşünüyor.

Önceki benzer çalışmalarda, düşük çözünürlüklü haritalar ve yüksek yanlılık ile kazaları tahmin etmeye çalışıldı veya kaza sıklığına dayanarak tahminlerde bulunuldu, ancak bu yöntemler yüksek varyans ve yanlış tahminlere yol açtı. Yeni proje, dört büyük ABD şehrinde toplam 7.488 kilometrekarelik bir alanı kapsıyor ve daha çeşitli veri türlerini birleştirerek önceki yöntemleri aşmayı başardı.

Seçilmiş Veriler

Araştırmacıların karşılaştığı sorun, seçilmiş verilerdir – çok yüksek hacimli kazalar zaten fark ediliyor ve makine öğrenimi analizi olmadan ele alınabiliyor, ancak daha az belirgin tehlikeli korelasyonlar tespit edilmesi zor.

Önceki kaza tahmin sistemleri, Monte Carlo tahmini gibi yöntemlerle histórik kaza verilerini analiz ediyor ve bu verilerin eksik olduğu yerlerde etkili bir tahmin mekanizması sunmuyor. Yeni araştırma, benzer trafik kalıpları, benzer görsel görünüm ve benzer yapıya sahip yol ağları bölümlerini inceliyor ve bu özelliklere dayalı olarak kaza eğilimini tahmin ediyor.

Bu, fundamental kaza göstergelerini ortaya çıkarmış gibi görünüyor ve yeni yol ağları tasarımı için kullanılabilir.

Çekirdek Yoğunluk Tahmini (KDE), histórik trafik kaza yuvalarını vurgulamak için kullanıldı, ancak gelecekteki kaza yerlerini tahmin edemedi. Üst sol resimde, KDE’nin mavi kutu bölgesinde kazaları tahmin ettiği, ancak kazaların genellikle bitişik bölgede yoğunlaştığı görülüyor. Alt sağda, KDE’nin tahmin başarısızlığı ile MIT sisteminin doğru tahminini karşılaştırma.

Araştırmacılar, GPS izleri verisinin trafik akışını, hızını ve yoğunluğunu, uydu görüntülerinin ise yolun düzenini, şerit sayısını, سخت omuz varlığını ve yayan trafiğini hakkında bilgi verdiğini belirtiyorlar.

Katılımcı yazar Amin Sadeghi, Katar Bilişim Araştırma Enstitüsü’nden (QCRI), şöyle demiştir: “Modelimiz, birbirleriyle ilgili olmayan veri kaynaklarından çoklu ipuçlarını birleştirerek bir şehirden diğerine genelleyebiliyor. Bu, genel yapay zeka yönünde bir adımdır, çünkü modelimiz, histórik kaza verisi olmadan da kaza haritalarını tahmin edebiliyor” ve “Model, şehir planlaması ve politika oluşturma için hayali senaryoları karşılaştırarak da kullanılabilir.” dedi.

Trafik tahmin sistemi, 5 metre çözünürlüklü bir kaza risk haritası üretiyor, yazarlar bunu, otoyol ve bitişik konut yolları arasındaki farklı riskleri ayırt etmek için kritik olarak görüyor.

Proje, 2017-2018 yılları arasındaki kazalar ve lateral veriler üzerinde test edildi. 2019 ve 2020 yılları için tahminler yapıldı ve beberapa ‘yüksek risk’ konumu, histórik veri olmadan da ortaya çıktı.

İyi Genellemeler Sağlama

Aşırı uyarlama, özellikle seçilmiş verilerle çalışan bir sistem için kritik bir risktir. Düşük olay sıklığında, fazla varsayımlar, çok az örnekten çıkarılabilir ve algoritma çok özel, dar bir olasılık aralığını bekler hale gelir ve daha geniş olasılıkları tanımlamada başarısız olur.

Bu nedenle, modeli eğitirken araştırmacılar, her bir girdi kaynağını %20 olasılıkla ‘düşürdü’, böylece az veya hiç kaza verisi olan alanlar modelin genellemeye ulaşması sırasında dikkate alınabiliyor ve paralel veri kaynakları, herhangi bir kesişme veya yol bölümü çalışması için eksik bilgi için temsilci bir vekil olarak hareket edebiliyor.

Değerlendirme

Model, yaklaşık 7.500 kilometrekarelik bir kentsel alanda, Boston, Los Angeles, Chicago ve NYC’de test edildi. Veri, 1.872 2kmx2km’lik kareler halinde düzenlenmişti, her biri MapBox uydu görüntülerini ve OpenStreetMap’den yol segmentasyonunu içeriyordu. Hem temel görüntüler hem de segmentasyon haritaları 0,625 metre çözünürlüğe sahipti.

GPS verileri, 2015-2017 yılları arasında dört şehirde toplanan 7,6 milyon kilometrelik GPS izlerini, 1 saniyelik örneklem hızında içeriyordu.

Proje ayrıca, 2016-2020 yılları arasında 4,2 milyon kayıt içeren ABD Kazaları Veri Seti‘nden yararlanıyor. Her kayıt, zaman damgaları ve diğer meta verileri içeriyordu.

İlk iki yıllık histórik veri modelin eğitimine girdi, son iki yıl ise modelin eğitimi ve değerlendirmesi için kullanıldı, bu da araştırmacıların sistemi kısa bir zaman diliminde iki yıl boyunca doğruluğunu belirlemesine olanak tanıdı.

Sistem, histórik veri ile ve olmadan test edildi ve tüm durumlarda altta yatan risk dağılımını başarılı bir şekilde yakaladı, özellikle de önceki KDE tabanlı yöntemleri (yukarıya bakınız) aşmayı başardı.

İleriye Doğru

Araştırmacılar, sistemlerinin, az veya hiç kaza verisi olmayan yerlerde bile, diğer ülkelerde wenig mimari değişiklik ile uygulanabileceğini düşünüyor. Ayrıca, araştırmacılar, çalışmasını yeni kentsel gelişmeler için şehir planlama tasarımı için bir araç olarak öneriyorlar.

Baş yazar Songtao He, yeni çalışmaya ilişkin olarak şunları söyledi:

“Gelecekteki kazaların olabileceği tüm yerlerde, histórik veri olmadan da, temel risk dağılımını yakalayarak, daha güvenli rotalar bulabilir, oto sigorta şirketlerinin müşterilerin sürüş izlerine dayalı özelleştirilmiş sigorta planları sunmasına yardımcı olabilir, şehir planlamacılarının daha güvenli yollar tasarlamasına yardımcı olabilir ve hatta gelecekteki kazaları tahmin edebiliriz.”

Makale, sistemin kodunun GitHub’da yayınlandığını belirtiyor, ancak kod bağlantısı şu anda aktif değil ve muhtemelen daha sonraki bir revizyon ile eklenecek.
Araştırmaların, popüler tüketici düzeyindeki GPS tabanlı trafik uygulamaları ve rot planlayıcıları ile entegre edilebileceği düşünülüyor, Songtao He şunları söyledi:

“İnsanlar risk haritasını kullanarak potansiyel yüksek riskli yol segmentlerini tanımlayabilirler ve seyahat ettikleri rotaları önceden risklerini azaltabilirler. Waze ve Apple Maps gibi uygulamalar olay özellikli araçlara sahip, ancak biz kazaları önlemek için çalışıyoruz – önce onlar gerçekleşmeden,”