Штучний інтелект передбачає місця аварій з супутникових зображень та даних GPS

Дослідники з Массачусетського технологічного інституту та Катарського центру штучного інтелекту розробили систему машинного навчання, яка аналізує високороздільні супутникові зображення, дані GPS та історичні дані про аварії для створення карти потенційно аварійних ділянок на дорогах, успішно передбачаючи місця аварій, де інші дані чи попередні методи не вказували б на них.

Посередині праворуч, передбачені місця аварій виникають унаслідок поєднання трьох джерел даних. Області, виділені колами, є передбаченнями високого ризику, які насправді не мають історичної аварійної історії. Джерело: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Система пропонує сміливі передбачення щодо ділянок на дорогах, які можуть стати місцями аварій, навіть якщо ці ділянки не мали жодної аварії в минулому. Під час тестування системи протягом чотирьох років дослідники виявили, що їхні передбачення щодо цих ділянок були підтверджені подальшими подіями.

Нова робота називається 《Високороздільна карта ризику аварій на основі супутникових зображень та даних GPS》. Автори передбачають використання цієї системи для створення карт ризику аварій для нових міст та районів.

Попередні спроби створити подібні системи передбачення аварій були засновані на низькороздільних картах з високим ступенем упередженості або використовували частоту аварій як ключовий фактор, що призводило до високоваріантних та неточних передбачень. Натомість нова система, яка охоплює чотири великі міста США загальною площею 7488 квадратних кілометрів, перевершує попередні системи, поєднуючи різноманітні джерела даних.

Розріджені дані

Проблема, з якою стикаються дослідники, полягає в розріджених даних – велика кількість аварій буде обов’язково помічена та вирішена без допомоги машинного аналізу, але більш тонкі кореляції є важкими для визначення.

Попередні системи передбачення аварій базуються на оцінці Монте-Карло історичних даних про аварії та не можуть забезпечити ефективний механізм передбачення, де ці дані відсутні. Тому нова робота вивчає ділянки дорожньої мережі з подібними трафіковими моделями, візуальними ознаками та структурою, припускаючи схильність до аварій на основі цих характеристик.

Це видається як постріл у темряву, який виявив фундаментальні показники аварій, які можна використати при проектуванні нових дорожніх мереж.

Оцінка густини ядра (KDE) була використана для виділення історичних місць аварій, але не змогла передбачити майбутні місця аварій. На верхньому лівому зображенні ми бачимо, де KDE передбачила аварії в області синього квадрата, порівняно з тим, де аварії фактично відбувалися ( поруч ). Нижній правий: порівняння невдачі передбачення KDE з точним передбаченням (синій квадрат) системи Массачусетського технологічного інституту.

Автори відзначають, що дані траєкторій GPS надають інформацію про потік, швидкість та густину трафіку, тоді як супутникові зображення території додають інформацію про розташування смуг, кількість смуг, наявність твердого плеча та присутність пішоходів.

Співавтор Амін Садегі з Катарського інституту інформаційних технологій (зауважив) “Наша модель може узагальнювати з одного міста на інше, поєднуючи декілька підказок з різних джерел даних. Це крок до загального штучного інтелекту, оскільки наша модель може передбачувати карти аварій у неознайомлених територіях” і продовжував “Модель можна використовувати для створення корисної карти аварій навіть у відсутності історичних даних про аварії, що може бути корисним для містобудування та політики шляхом порівняння уявних сценаріїв”.

Архітектура системи передбачення трафіку генерує карту ризику аварій з роздільністю 5 метрів, яку автори вважають критичною для розрізнення різних ризиків між магістралями та прилеглими житловими дорогами.

Проект був оцінений на даних про аварії та додаткових даних за період з 2017 по 2018 рік. Предбачення були зроблені для 2019 та 2020 років, з кількома місцями високого ризику, які з’явилися навіть у відсутності будь-яких історичних даних, які б вказували на це.

Досяження корисної узагальненої системи

Переобучення є критичним ризиком у системі, яка працює з розрідженими даними, навіть якщо, як у цьому випадку, є два додаткових джерела даних. Коли випадок низький, надмірні припущення можуть бути зроблені з дуже небагатьох прикладів, що призводить до алгоритму, який очікує дуже конкретну, вузьку смугу можливих обставин, і який не зможе визначити ширші ймовірності.

Отже, під час навчання моделі дослідники випадково “викидали” кожне джерело даних з імовірністю 20%, щоб ділянки з меншими (або відсутніми) даними про аварії могли бути розглянуті під час навчання моделі до узагальнення, і щоб паралельні джерела даних могли діяти як представницький проксі для відсутньої інформації для будь-якого конкретного дослідження перетину або ділянки дороги.

Оцінка

Модель була протестована на наборі даних, який складається з майже 7500 квадратних кілометрів міської території в Бостоні, Лос-Анджелесі, Чикаго та Нью-Йорку. Набір даних був організований у вигляді 1872 квадратних ділянок розміром 2х2 кілометри, кожна з яких містить супутникові зображення від MapBox, з розрізанням доріг через дані від OpenStreetMap. І базові зображення, і карти розрізання мають роздільність 0,625 метра.

Дані GPS надходять у вигляді пропрієтарного набору даних, зібраного між 2015 та 2017 роками в чотирьох містах, загальною кількістю 7,6 мільйонів кілометрів траєкторій GPS з частотою вибірки 1 секунда.

Проект також використовує 4,2 мільйона записів за період з 2016 по 2020 рік у наборі даних про аварії в США. Кожен запис включає часові мітки та інші метадані.

Перші два роки історичних даних були надані моделі, а останні два роки були використані для навчання та оцінки, що дозволило дослідникам встановити точність системи за два роки в короткому часовому інтервалі.

Система була протестована з історичними даними та без них, і було виявлено, що вона успішно захоплює основний розподіл ризику в усіх випадках, суттєво покращуючи попередні методи, засновані на оцінці густини ядра (KDE) (див. вище).

Шляхи вперед

Автори стверджують, що їхня система може бути застосована в інших країнах з мінімальними архітектурними змінами, навіть у місцях, де дані про аварії відсутні. Крім того, автори пропонують свою роботу як можливий додаток до містобудування та проектування нових міських розробок.

Ведучий автор Сонгтао Хе прокоментував нову роботу:

“Отримавши основний розподіл ризику, який визначає ймовірність майбутніх аварій у всіх місцях, і без будь-яких історичних даних, ми можемо знайти безпечніші маршрути, дозволити страховим компаніям надавати індивідуальні страхові плани на основі траєкторій руху клієнтів, допомогти містобудівникам проектувати безпечніші дороги, і навіть передбачати майбутні аварії.”

Хоча робота вказує на те, що код системи був випущений на GitHub, посилання на код неактивне, зараз не можна знайти його за допомогою пошуку, і, ймовірно, буде включено в пізнішій редакції.

Дослідження має потенціал бути включеним у популярні споживчі програми GPS та плани маршрутів, згідно з Сонгтао Хе:

“Якщо люди можуть використовувати карту ризику для визначення потенційно високоризикових ділянок дороги, вони можуть вжити заходів заздалегідь, щоб зменшити ризик поїздок, які вони здійснюють. Програми типу Waze та Apple Maps мають інструменти для передбачення інцидентів, але ми намагаємося попередити аварії – до того, як вони трапляться,”