Metro Platformı Tragedyalarını Önlemek ve Önlemek için Yapay Zeka ile Öngörü

Bir yapay zeka sistemi, gerçek metro güvenlik kamerası görüntülerine dayalı olarak intihar girişimlerinin uyarı işaretlerini dakika önce tespit edebileceğini iddia ediyor ve bu kişilerde pacing, platform kenarında durma ve tünellere tekrar tekrar bakma gibi davranışları izliyor.

Makine öğrenimi sistemleri, platformdaki olayları izlemek için yıllardır deneniyor. Genellikle yayaların düşmesi, suç işlenmesi veya peronun aşırı kalabalık olması gibi durumları tespit etmek için You Only Look Once (YOLO) görüntü tanıma modellerinden yararlanılıyor.

2024 yılında yayınlanan ‘Tren İstasyonu Yaya İzleme Pilot Çalışması: Yapay Zeka Yaklaşımı’ adlı makaleden, YOLOV7’nin platformdaki yolcuları tanıma aşamaları. Kaynak

Son 3-5 yıl içinde (Birleşik Krallık, Kanada ve Hollanda gibi bölgelerde) demiryolu intihar girişimlerinin artmasıyla birlikte, makine öğrenimi sistemlerinin intihar riskiyle ilişkili davranışları demiryolu ve metro platformlarında tanıma potansiyeline ilgi artmıştır, bu da çeşitli faktörler ve duruma bağlı olarak değişen davranışları içerir.

Eşikte bekleyenler: Bu makalede bahsedilen çalışmanın veri setinden örnekler, STARR projesini içerir. Kaynak

Bu projeler, intihar eğilimini tanımak için birleşik bir metodoloji veya ortak bir yaklaşım benimsememiştir, çünkü bu sistemlerin temelindeki yöntemler sürekli olarak gelişmektedir ve bu konuya ilişkin psikolojik ve psikiyatrik bilgiler de sürekli olarak ilerlemektedir.

Çığır Açan

Şimdi, Kanada’dan yapılan yeni bir çalışma, intihar riski değerlendirmesi (SRA) olarak bilinen bu alanda bir formalizasyon önerisini sunuyor.

Montreal ulaşım otoriteleri ile işbirliği içinde, araştırmacılar, platform kameraları tarafından kaydedilen 66 gerçek intihar girişimi görüntüsüne erişim sağladı:

Yeni makaleden, iki karelik çıktı tahminleri, birinde gerçek bir demiryolu intihar girişimi ve diğerinde değil. Her iki resmin yanında, tünel ağzına ilişkin tehlike ve daha güvenli alanların ısı haritaları yer alıyor. Kaynak

Gerçek vakaların azlığı nedeniyle oluşan sınıf dengesizliğini yapay yöntemlerle gidermek gerekti. Buna rağmen 66 gerçek girişim kaydı, bu alanda nadir bulunan, anlamlı büyüklükte bir veri kümesi sunuyor. Farklı ülkelerin ulaşım kurumları ileride daha geniş bir ortak veri kümesi oluşturabilir; ancak görüntülerin son derece hassas niteliği bunu güçleştiriyor.

Girişim, yazarlara göre, bu alanda bir ilk olarak, çeşitli görevleri bir şemaya dönüştürüyor ve metro platformu intihar senaryosu için yeni bir referans noktası sunuyor.

Yazarlar şöyle diyor:

‘Diğer yaklaşimlardan farklı olarak, bizim formülasyonumuz, bir kişiyi takip etme, aktivite tanıma, platformun anlamsal segmentasyonu ve yolcu hareketlerinin risk haritasını modelleme gibi çeşitli görevleri birleştirerek intihar riskini değerlendirmektedir.

‘Bu çalışma, intihar riski değerlendirmesini bir görev olarak tanımlayarak ve bir işleyen bir süreç oluşturarak, bu alanda yeni bir yön açıyor ve sosyal iyi için yorumlanabilir yapay zeka sistemlerine yönelik araştırmaları teşvik ediyor.’

Yeni makale, Yapay Zeka Güçlü Video Gözetiminden Intihar Riski Değerlendirmesi: Metro İstasyonlarında Önleme için Yorumlanabilir Bir Çerçeve başlığını taşıyor ve Université TÉLUQ, Polytechnique Montréal ve Université du Québec à Montréal’dan dört yazar tarafından yazılmıştır.

Yöntem

Araştırmacıların çerçevesi, canlı bir video akışını analiz ederek, her bir takip edilen yolcuya sürekli olarak güncellenen bir intihar riski puanı üretir. Bireyler tespit edilir, takip edilir ve basitleştirilmiş vücut duruşu temsil edilir, ardından bir iskelet tabanlı aktivite tanıma sistemi, kısa süreli hareketleri tanımlar:

Yolcu intihar riskini tahmin etmek için sistem pipeline, takip, duruş tahmini, aktivite tanıma, platform bölümlendirme ve yolcu hareketlerinin risk haritasını birleştirerek her bir platformdaki yolcuya sürekli olarak güncellenen bir risk puanı üretir.

Platform, anlamlı bölgelere bölünür, böylece farklı alanlar arasındaki hareket kalıpları tespit edilebilir. Yolcu hareketleri, platform haritasına yansıtılır, böylece riskli alanları vurgulayan ısı haritaları üretilebilir.

Son olarak, sistem, bu mekansal kalıpları, gözlemlenen davranışlarla karşılaştırarak, her bir platformdaki yolcuya bireysel bir intihar riski değerlendirmesi üretir, bu işleme yazarlar risk inference diyor.

Araştırmacılar, insan tanıma için YOLOX’u kullandı ve ByteTrack’i çoklu nesne takip etmek için kullandı.

Her bir kişi, önceden eğitilmiş bir HRNet modeli ile temsil edilir, bu model, bir dizi joint tahmini ve 2D vücut anahtar noktaları sağlar.

HRNet’ten joint tahmini örnekleri, yeni projede kullanılmıştır. Kaynak

Video verisinden elde edilen duruşlar, historical hareket haritalarına dönüştürülür.

Sistem, STARR çerçevesini içerir, bu çerçeve, platformlardaki intihar davranışlarının olasılığını değerlendirmek için tasarlanmıştır:

STARR çerçevesinden duruş tahmini. Kaynak

Sistem, üç temel hareketi tanır: LookTunnel; Walk; ve Stand.

Çevresel bağlamı içerebilmek için, platform anlamsal olarak anlamlı bölgelere bölünür, bu da YOLOv8n semantic-segmentation modeli ile yapılır:

Platform semantikleri: Sistem tarafından kullanılan bölümlendirme işlemi, platformu üç davranışsal olarak anlamlı bölgeye dönüştürür. Sonuç olarak, duvar yakını, sarı çizgi yakını ve tünel girişine yakın bölgeler, yolcunun hareketlerini ve riskli davranışlarını değerlendirmek için kullanılan mekansal bağlamı sağlar.

Ortaya çıkan bölümleme haritası platform sınırlarını ve üç işlevsel alanı tanımlar: duvara yakın bölge; yolcuların güvenlik sınırları içinde kalırken platform kenarına yaklaşabildiği sarı çizgiye yakın bölge; ve tünel girişine en yakın uzak uç bölgesi.

Bu bölgeler, psikolojik araştırmalarda yüksek intihar riskiyle ilişkilendirilen davranışları anlamak için mekânsal bağlam sağlar. Sistem özellikle duvar ile sarı çizgi arasında tekrar tekrar gidip gelmeyi ve platformun uzak uç bölgesine girmeyi saptayabilir. Bu göstergeler, hareket ısı haritalarıyla birlikte nihai risk değerlendirmesine katılır.

Makale, platformda bir nesne bırakmanın da intihar girişimleriyle ilişkilendirilen davranışlardan biri olduğunu belirtiyor. Ancak araştırmacılar bu işareti sistemin mevcut sürümüne dahil edememiş; ileride ele almayı planlıyorlar.

Platform Risk Haritası

Çerçeve, yalnızca tek bir yolcunun davranışına bakmak yerine, daha önce risk altında olduğu bilinen birden fazla vakaya ait hareket ısı haritalarını birleştirerek platformun tamamı için bir “konum riski ısı haritası” oluşturur:

Birden fazla risk altındaki yolcunun hareketlerinden oluşturulan platform risk haritası. Oyalanma ve gidip gelme gibi riskle ilişkili davranışların tekrarlandığı bölgeler, nihai değerlendirmede kullanılan etkenlerden biri olarak öne çıkar.

Yolcuların uzun süre kaldığı alanlar daha yüksek riskli bölgeler olarak öne çıkarken, kısa süreli veya seyrek ziyaret edilen yerler daha düşük riskli kalır. Ortaya çıkan konum riski puanı, nihai intihar riski değerlendirmesine giren değişkenlerden biridir.

Son risk puanı, zaman içinde biriken sekiz göstergeye dayanır: platform ısı haritalarından elde edilen konum riski; yolcunun sarı çizgi üzerinde yürümesi veya durması; sarı çizgiyi kaç kez geçtiği; çizgi üzerinde geçirdiği toplam süre; çizgi üzerinde kesintisiz kaldığı en uzun süre; duvar ile sarı çizgi arasında tekrarlanan ileri geri hareket; tünele tekrar tekrar yönelmesi; ve platformun tünele bitişik uç bölümüne girmesi.

Bu davranışsal ve mekânsal sinyaller XGBoost modeliyle birleştirilir; böylece platformdaki her kişi için sürekli güncellenen bir intihar riski tahmini üretilir.

Veri ve Testler

Testler, Société de transport de Montréal (STM) tarafından sağlanan güvenlik kamerası kayıtları üzerinde yapıldı, bu kayıtlar 66 intihar girişiminden önce kaydedilmiş ve 56 kontrol kaydı ile birlikte kullanılmıştır.

Psikoloji ve intihar davranışları uzmanlarının yardımıyla, her bir yolcu, riskli veya kontrol grubuna ait olarak işaretlenmiştir, bu da 256 yolcudan oluşan bir veri seti oluşturulmuştur, bunların 66’sı intihar girişimi ile ilgiliydi ve 190’ı kontrol grubundaydı.

Veri seti, eğitim ve test için bölünmüştür, %75’lik bir kısmı eğitim için ve %25’lik bir kısmı test için kullanılmıştır, bu da riskli ve kontrol durumları arasındaki dengenin korunmasını sağlamıştır.

XGBoost sınıflandırıcı, 300 boosting iterasyonu için eğitilmiştir, öğrenme oranı 0,05’tir ve eğitim örnekleri ve özellikler için alt örnekleme yapılmıştır, bu da genellemeyi iyileştirmiştir.

Performans,esas olarak Alıcı İşletim Karakteristiği eğrisinin altındaki alan (ROC-AUC) ile ölçülmüştür, bu da sistemlerin riskli ve kontrol durumlarını ayırt etme yeteneğini ölçer.

Ek metriklere duyarlılık, özgüllük, yanlış pozitif oranları ve yanlış negatif oranları dahildir.

Olası risk durumlarının erken fark edilmesine öncelik vermek için karar eşiği bilerek düşük tutuldu:

İntihar riski değerlendirme çerçevesinin dört yapılandırmadaki performansı: ROC-AUC, duyarlılık, özgüllük, yanlış alarm ve kaçırılan vaka oranları; elle doğrulanmış etiketlerin yerine otomatik tespit, izleme ve etkinlik tanıma kullanmanın etkisi.

İlk sonuç tablosunda, tümüyle otomatik sistemin ROC-AUC değeri 0,832 idi. Otomatik tespit ve izleme bileşenleri yerine elle doğrulanmış etiketler kullanıldığında değer 0,919’a yükseldi. Yalnızca etkinlik tanıma bileşeni değiştirildiğinde artış daha sınırlı kaldı ve değer 0,893 oldu. Bütün girdiler elle doğrulanmış etiketlerden sağlandığında en yüksek değer olan 0,924 elde edildi. Bu fark, güncel işlem hattındaki başlıca hataların tespit, izleme ve sonraki gösterge çıkarımı aşamalarından kaynaklandığını düşündürüyor.

Eğitilmiş XGBoost modelinin analizinde, sarı çizgiyle doğrudan etkileşim en güçlü risk göstergelerinden biriydi. Bunu sarı çizgiyi geçme sayısı ve platform bölgeleri arasındaki tekrarlı ileri geri hareket izledi. Çizgi üzerinde geçirilen süre ile konum riski puanı da önemliydi; tünele yönelme ve platformun uzak ucuna girme ise ek, ancak daha az belirleyici sinyaller sağladı.

Nitel örneklerde çerçeve, daha sonra intihar girişimiyle ilişkilendirilen kişilere yüksek, yakınlarındaki kontrol yolcularına ise belirgin biçimde daha düşük puanlar verdi:

Makalede daha önce gösterilen nitel sonuçlar: gözetim görüntülerinden iki tahminin yanında, platformda kalma ve diğer hareketleri gösteren ısı haritaları.

Bir örnekte 0,98 risk puanı, sarı çizgide uzun süre bulunma ve konum riski haritasında yüksek riskli görülen alanlarda kalmayla ilişkiliydi. Başka bir örnekte risk altındaki bir kişiye 0,92 puan verilirken yakındaki kontrol yolcuları çok daha düşük puanlar aldı. Yazarlara göre bu ayrım, tek bir davranıştan değil; sarı çizginin uzun süreli ihlali, tünele tekrar tekrar yönelme ve yüksek riskli alanlarda kalma gibi göstergelerin birikiminden kaynaklanıyor.

Yazarlar şöyle diyor:

‘Bu çalışma, yorumlanabilirlik üzerine odaklanıyor ve risk değerlendirmelerinin, kurulmuş davranışsal ve mekansal risk faktörleriyle uyumlu, sezgisel göstergelerle sürüldüğünü gösteriyor.

‘Bu, önerilen çerçeveyi, yapay zeka tabanlı gözetim sistemleri ile intihar önleme üzerine disiplinler arası araştırmalar arasında anlamlı bir köprü olarak konumlandırıyor.’

Sonuç

Kişisel bir not olarak, bu tür bir projenin değerini tartışmak zor olmayan bir yapay zeka makalesi bulmak, artık nadir bir durum haline geldi.

Pratik bir not olarak, bu senaryoda gözetim altında olan kişinin başının işgal ettiği piksel sayısı çok azdır ve tüm kişinin işgal ettiği ekran alanı da nispeten küçüktür, bu da tünel girişine sık sık bakan kişinin tespitini çok zor hale getirir.

Sonuç olarak, sorun, bir bütçe sorunudur, en azından demiryolu altyapısı açısından: tüm platformlar, Londra Underground duraklarında ve dünyanın diğer şehirlerindeki metro ağlarında sık sık görülmeyen bariyerler ve kapılar ile donatılsaydı, platformlar kendini zarara karşı koruma fırsatı sunmazlardı.

Elbette, artan gözetim, daha ucuz bir seçenektir ve kendine zarar verme işaretlerinin erken tespiti, trajedi oluşmadan önce doğrudan müdahaleye izin verebilir.

İlk olarak 9 Haziran 2026 Salı günü yayınlandı