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.

Machine learning sistemleri, platform olaylarını izlemek için yıllardır denenmiştir, genellikle popüler You Only Look Once (YOLO) serisinin bir varyasyonu ile birlikte, genellikle You Only Look Once (YOLO) serisinin bir varyasyonu ile birlikte, genellikle yayaların düşmesi veya bir suç işlenmesi veya istasyon platformunun aşırı kalabalık olduğu durumlarda.

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 (İngiltere, Kanada ve Hollanda gibi bölgelerde) demiryolu intihar girişimlerinin artmasıyla birlikte, makine öğrenimi sistemlerinin intihar eğilimini 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 tanıma için統一 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

Veri setinin sınırlı olması nedeniyle, araştırmacılar, bu veri setini yapay olarak genişletmek zorunda kaldılar, ancak bu, gerçek bir veri seti ve bu alanda yapılan diğer çalışmalardan daha büyük bir veri setidir.

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 operasyonel.pipeline 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.

Bu bölgeler, intihar riski ile ilişkili davranışları tespit etmek için kullanılan mekansal bağlamı sağlar.

Bu ısı haritaları, platformdaki riskli alanları vurgular ve intihar riski değerlendirmesinde kullanılır.

Sonuç olarak, sistem, her bir yolcuya ait sekiz göstergenin birleştirilmesiyle oluşan bir risk puanı üretir: position-risk puanı, sarı çizgi üzerindeki zaman, sarı çizgi geçişleri, en uzun süreli sarı çizgi üzerindeki zaman, duvar ve sarı çizgi arasındaki tekrar eden hareket, tünel girişine yönelme ve tünel girişine girme.

Bu davranışsal ve mekansal sinyaller, bir XGBoost modeli ile birleştirilerek, her bir yolcuya ait sürekli olarak güncellenen bir intihar riski tahmini üretir.

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,主要 olarak Alınan Kararın Alıcı Operasyonel Karakteristiği (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.

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 tương đối 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