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

MIT ve Katar Yapay Zeka Merkezi’nden araştırmacılar, yüksek çözünürlüklü uydu görüntüleri, GPS koordinatları ve histórik kazı verilerini analiz eden bir makine öğrenimi sistemi geliştirdiler. Bu sistem, yol ağlarındaki potansiyel kazaya eğilimli bölümleri haritalamak için kullanılan bir yöntem olup, diğer veriler veya önceki yöntemlerin göstermediği kazaların “sıcak noktalarını” başarılı bir şekilde tahmin ediyor.

Orta sağda, üç veri kaynağının birleştirilmesiyle tahmin edilen kaza yuvaları ortaya çıkıyor. Çemberlerle işaretlenen alanlar, aslında 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 kazaların muhtemel olacağı alanlar için cesur tahminler sunuyor, hatta bu alanların hiç kaza geçmişi olmasa bile. Dört yıllık verilerin üzerinde test edilen sistem, bu ‘hiç kaza geçmişi olmayan’ potansiyel kaza tehlikesi bölgeleri için yaptığı tahminlerin, sonraki yıllarda gerçekleşen olaylar tarafından doğrulandığını buldu.

Yeni makale, Uydu görüntüleri ve GPS izleri temelinde yüksek çözünürlüklü trafik kazası risk haritalarını çıkararak adlı bir çalışmadır. Yazarlar, yeni mimarinin, 911 acil durum risk haritaları veya taksiler ve paylaşımlı araç hizmetleri için talep olasılığını tahmin etmek gibi kazaların öngörülmesi dışında da kullanılabileceğini öngörüyorlar.

Benzer önceki çabalar, düşük çözünürlüklü haritalardan yüksek yanlılık ile benzer olay tahminlerini oluşturmaya çalıştı veya kaza sıklığını anahtar olarak kullanmaya çalıştı, bu da yüksek varyanslı, yanlış tahminlere yol açtı. Bunun yerine, dört büyük ABD şehrinin toplam 7.488 kilometrekarelik alanını kapsayan yeni proje, daha çeşitli veri formlarını birleştirerek önceki şemaları aşmayı başardı.

Seyrek Veri

Araştırmacıların karşılaştığı sorun, seyrek veri – çok yüksek hacimli kazalar mutlaka fark edilecek ve makine analitikleri olmadan ele alınacaktır, ancak daha ince tehlikeli korelasyonlar tespit edilmesi zordur.

Önceki kaza tahmin sistemleri, histórik kaza verilerinin Monte Carlo tahmini etrafında merkezlenmekte ve normalde bu verileri tahmin etmenin hiçbir etkili mekanizması bulunmamaktadır. Bu nedenle, yeni araştırma, benzer trafik modellerine, benzer görsel görünüme ve benzer yapıya sahip yol ağı bölümlerini incelemekte ve bu özelliklere dayanarak kazalara eğilimlerini çıkarıyor.

Bu, temel kaza göstergelerini ortaya çıkarmak için görünüşte karanlık bir atış gibi görünüyor ve bu, yeni yol ağlarının tasarlanmasında kullanılabilecek.

Çekirdek Yoğunluk Tahmini (KDE), histórik trafik kazası sıcak noktalarını vurgulamak için kullanılmıştır, ancak gelecekteki kaza konumlarını tahmin edememiştir. Üst solda, KDE’nin mavi kutu bölgesinde kazaları tahmin ettiğini, ancak kazaların genellikle (bitişik) yerlerde yoğunlaştığını görüyoruz. Alt sağda, KDE tahmin hatasının, MIT sisteminin (mavi kutu) doğru tahminine kıyasla karşılaştırması.

Yazarlar, GPS izi verilerinin trafik akışını, hızını ve yoğunluğunu sağladığını, mentre uydu görüntülerinin o bölgedeki şerit düzenini, şerit sayısını, sert omuz varlığını ve yayanların varlığını ek bilgi olarak eklediğini belirtiyorlar.

Qatar Computing Research Institute’den (QCRI) katkıda bulunan yazar Amin Sadeghi, şunları söyledi: “Modelimiz, görünüşte ilişkisiz veri kaynaklarından birden fazla ipucunu birleştirebilir, böylece bir şehirden diğerine generalize edebilir. Bu, genel AI’ye doğru bir adımdır, çünkü modelimiz, histórik kaza verisi olmadan çökme haritalarını tahmin edebilir” ve devam etti: “Model, histórik kaza verisi eksikliğinde bile faydalı bir çökme haritası çıkarabilir, bu da şehir planlaması ve politika oluşturma için hayali senaryoları karşılaştırarak olumlu bir şekilde kullanılabilir.”

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

Proje, 2017-18 yılları arasındaki çökme ve lateral verileri kapsayacak şekilde değerlendirildi. 2019 ve 2020 yılları için tahminler yapıldı ve histórik veri olmadan da ‘yüksek risk’ olarak sınıflandırılan beberapa konum ortaya çıktı.

Faydalı Genellemeler

Overfitting, seyrek veri ile beslenen bir sistem için kritik bir risktir, bu durumda iki ek veri kaynağından destek alınsa da. Bir olay düşük olduğunda, çok az örnekleme dayalı fazla varsayım yapılabilir, bu da çok özel, dar bir olasılık yelpazesine odaklanan ve daha geniş olasılıkları tanımlayamayan bir algoritma oluşturur.

Bu nedenle, modeli eğitirken araştırmacılar, her bir girdi kaynağını %20 olasılıkla rastgele “bırakma” yöntemini kullandılar, böylece kaza verisi az veya hiç olmayan alanlar modelin genellemeye doğru eğitimi sırasında dikkate alınabilir ve paralel veri kaynakları, herhangi bir kesişme veya yol bölümü çalışması için eksik bilgi için temsilci vekil olarak hareket edebilir.

Değerlendirme

Model, Boston, Los Angeles, Chicago ve NYC’de yaklaşık 7.500 km’lik kentsel alan içeren bir veri kümesi üzerinde test edildi. Veri kümesi, her biri 2kmx2km’lik 1.872 parçaya bölündü ve her bir parça MapBox tarafından sağlanan uydu görüntüleri ve OpenStreetMap tarafından sağlanan yol segmentasyonu ile maskelendi. Hem temel görüntüler hem de segmentasyon haritaları 0,625 metre çözünürlüğe sahiptir.

GPS verileri, 2015-17 yılları arasında dört şehirde toplanan 7,6 milyon kilometrelik GPS izleri olarak geliyor ve 1 saniyelik örneklem oranına sahiptir.

Proje ayrıca 2016-2020 yılları arasında 4,2 milyon kayıt içeren US Accidents Dataset‘ini de kullanıyor. Her kayıt, zaman damgaları ve diğer meta verileri içeriyor.

İlk iki yıllık histórik veri modelde kullanıldı ve son iki yıl eğitim ve değerlendirme için kullanıldı, bu da araştırmacıların sistemin doğruluğunu kısa bir zaman diliminde iki yıl boyunca belirlemelerine olanak tanıdı.

Sistem, histórik veri ile ve olmadan test edildi ve tüm durumlar boyunca temel risk dağılımını erfolgreich bir şekilde yakaladığı ve önceki KDE tabanlı yöntemleri (yukarıya bakınız) aşmayı başardığı görüldü.

Yollar İleri

Yazarlar, sistemin, az miktarda mimari değişiklik ile diğer ülkelerde de uygulanabileceğini ve hatta kaza verisi bulunmayan yerlerde bile kullanılabileceğini iddia ediyorlar. Ayrıca, yazarlar, araştırmalarını yeni kentsel gelişmeler için şehir planlaması tasarımına olası bir katkı olarak öneriyorlar.

Baş yazar Songtao He, yeni çalışmaya ilişkin şunları söyledi:

“Gelecek kazaların olasılığını belirleyen temel risk dağılımını yakalayarak ve histórik veri olmadan tüm yerlerde future kazalarını tahmin ederek, daha güvenli rotalar bulabilir, oto sigorta şirketlerinin müşterilerin sürüş yollarına göre özelleştirilmiş sigorta planları sunmasını sağlayabilir, şehir plancılarının daha güvenli yollar tasarlamalarına 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 eklenecektir.

Araştırma, popüler tüketici düzeyindeki GPS tabanlı trafik uygulamaları ve rota planlayıcılarına entegre edilebilecek potansiyele sahip gibi görünüyor, Songtao He’ye göre:

“İnsanlar risk haritasını kullanarak potansiyel olarak yüksek riskli yol segmentlerini tanımlayabilirlerse, önceden seyahat riskini azaltmak için önlemler alabilirler. Waze ve Apple Maps gibi uygulamalar olay özellikli araçlara sahiptir, ancak biz kazaları önceden tahmin etmeye çalışıyoruz – önce gerçekleşmeden,”