Передбачення та запобігання трагедіям на метрополітені за допомогою штучного інтелекту

Система штучного інтелекту, навчена на реальному відео з метрополітену, стверджує, що вона може виявити попередні ознаки спроби самогубства за кілька хвилин до того, як це відбувається, відстежуючи поведінку, таку як ходіння, затримання на краю платформи та повторне оглядання тунелю.

Системи машинного навчання були випробувані як системи моніторингу подій на платформі 이미 кілька років, зазвичай з деякою варіацією популярної You Only Look Once (YOLO) серії програмних застосунків розпізнавання зображень, що працюють в сценаріях, де пішоходи можуть впасти, або коли вчиняється злочин, або коли платформа просто переповнена (що дозволяє владі станції регулювати доступ і вирішувати проблему).

З дослідження 2024 року «Пілотне дослідження моніторингу пішоходів на залізничній станції за допомогою підходу штучного інтелекту» стадії, якими YOLOV7 ідентифікує пасажирів на платформі. Джерело

З збільшенням кількості спроб або успішних самогубств на залізниці за останні 3-5 років (в регіонах, таких як Велика Британія, Канада і Нідерланди), інтерес до потенціалу систем машинного навчання для виявлення поведінки, схильної до самогубства на залізничних і метрополітенових платформах, заснованої на настрої та різних інших факторах, збільшився:

Ті, хто затримується на порозі: приклад даних з набору даних, який живить проект STARR, який розглядається в статті. Джерело

У сукупності різноманітні проекти, спрямовані на використання штучного інтелекту для виявлення поведінки, схильної до самогубства на платформі, не прийняли єдиного методу або підходу – не в останню чергу через те, що методи, які живлять такі системи, постійно еволюціонують, разом з психологічними та психіатричними знаннями, які надають розуміння цього типу спостереження за допомогою штучного інтелекту.

Інноваційний підхід

Тепер нове дослідження з Канади пропонує формалізацію цього напрямку досліджень, як Оцінка ризику самогубства, у контексті спроб самогубства на метрополітенових станціях.

У співпраці з транспортними органами Монреаля дослідники, які брали участь у новому дослідженні, отримали доступ до відеозаписів 66 реальних спроб самогубства, зроблених камерами платформи в межах юрисдикції органів:

З нової статті прогнозовані результати двох кадрів, один з яких зображує справжню спробу самогубства на залізниці, а інший – ні. Джерело

Хоча було необхідно штучно вирішити проблему несбалансованості класів, яка виникає при такому обмеженому наборі даних, це все ж таки рідкісні дані при певному обсязі; можна сподіватися, що майбутні проекти з боку органів транспорту з різних країн світу можуть дозволити створити багатокраїнний набір даних з більшим обсягом прикладів. Однак зрозуміло, що надзвичайно чутлива природа таких відеозаписів робить це більш ніж простою перспективою.

Ініціатива, яку автори називають першою, що об’єднує різні завдання, які визначають цю сферу досліджень, в одну схему, і приносить новий стандарт для сценарію самогубства на метрополітеновій платформі.

Автори заявляють:

‘На відміну від підходів, які фокусуються на окремих підзадачах або намагаються прямих висновків про наміри, наша формулювання оцінює ризик самогубства на основі накопичених доказів, включаючи відстежування особи, розпізнавання діяльності, семантичну сегментацію платформи та моделювання ризикової теплової карти, керованої траєкторією.’

‘Формалізуючи оцінку ризику самогубства як окреме завдання та створюючи повний робочий процес, який досягає 83,2% ROC-AUC на реальних відеоданих, ця робота підкреслює складність оцінки ризику самогубства та відкриває нові напрямки досліджень щодо інтерпретовних систем штучного інтелекту для соціальної добробути.’

Нова стаття названа Оцінка ризику самогубства за допомогою відеоспостереження, керованого штучним інтелектом: інтерпретовний каркас для запобігання на метрополітенових станціях, і надходить від чотирьох авторів з Université TÉLUQ, Polytechnique Montréal та Université du Québec à Montréal.

Метод

Фреймворк авторів аналізує живий відеопотік спостереження для генерації безперервно оновлюваного оцінки ризику самогубства для кожного відстежуваного пасажира. Особи виявляються, відстежуються та перетворюються у спрощені позові представлення, після чого система розпізнавання діяльності на основі скелета ідентифікує дії за короткі періоди часу:

Системний конвеєр для оцінки ризику самогубства пасажира з відеоданих спостереження, що показує, як відстежування, оцінка пози, розпізнавання діяльності, зонування платформи та траєкторна теплова карта об’єднуються для перетворення окремих рухів і поведінки в безперервно оновлюваний ризик для кожної особи на платформі.

Платформа потім розділяється на значущі зони, що дозволяє виявляти моделі руху – наприклад, повторне ходіння між різними ділянками -:

Нарешті, система перетинає ці просторові моделі з спостережуваною поведінкою для генерації індивідуальної оцінки ризику самогубства для кожної особи на платформі – процес, який автори називають висновком про ризик.

Автори використовували попередньо натренований YOLOX для виявлення людини для своєї системи, виявивши, що його стан «з коробки» цілком придатний для цієї мети. ByteTrack був використаний для організації відстежування декількох об’єктів.

Кожна особа, виділена цими процесами, призначена попередньо натренованій HRNet моделі, що забезпечує оцінку суглобів та 2D позових ключових точок у межах обмежувальної рамки, визначеної зовнішньою межею цих оцінок:

Приклади оцінки суглобів з HRNet, використаного в новому проекті. Джерело

Оцінки пози, отримані з відеоданих платформи, накопичуються у сукупні карти, що визначають історичний рух (див. «теплові карти платформи» біля попереднього зображення вище).

Нова система включає STARR фреймворк, попередню роботу, призначену для оцінки ймовірності самогубства на платформах:

Оцінка пози з фреймворку STARR. Джерело

У цьому випадку STARR використовується для виявлення трьох самоочевидних анотацій дій пасажира: Подивитися на тунель; Ходити; і Стояти.

Для включення контексту середовища концепція платформи системи розділяється на семантично значущі зони за допомогою моделі семантичної сегментації YOLOv8n, натренованої на вручну анотованих зображеннях платформи:

Семантика платформи: процес зонування, використаний системою для перетворення сегментованої платформи у три поведінкові регіони. Результатом є зони, близькі до стіни, жовтої лінії та тунелю, які забезпечують просторовий контекст для оцінки рухів пасажирів та поведінки, пов’язаної з ризиком.

Результатом є зони, близькі до стіни, жовтої лінії та тунелю, які забезпечують просторовий контекст для оцінки рухів пасажирів та поведінки, пов’язаної з ризиком.

Ці зони забезпечують просторовий контекст, необхідний для ідентифікації поведінки, яку психологічні дослідження пов’язують з підвищеним ризиком самогубства. Зокрема, вони дозволяють системі виявляти повторне рух між стіною та жовтою лінією, а також вхід у зону тунелю.

У поєднанні з траєкторними тепловими картами, згенерованими раніше, ці просторові індикатори пізніше включаються до остаточної оцінки ризику самогубства.

Цікаво, що стаття зазначає, що однією з ознак спроб самогубства є схильність залишити об’єкт на платформі; однак автори не змогли включити це до цього варіанту проекту, залишивши це для майбутньої роботи.

Карта ризику платформи

Відповідно до фреймворку, замість того, щоб покладатися лише на поведінку однієї особи, система також об’єднує траєкторні теплові карти з декількох відомих випадків ризику для створення платформо-широкої «теплової карти ризику»:

Створення карти ризику платформи з рухів декількох пасажирів, які перебувають у групі ризику. Області, які повторно приваблюють затримання, ходіння чи іншу поведінку, пов’язану з ризиком, стають все більш помітними і пізніше використовуються як один із факторів остаточної оцінки ризику.

Області, які повторно приваблюють затримання, стають високоризиковими регіонами, тоді як місця, пов’язані з короткими або рідкісними відвідуваннями, залишаються низькоризиковими. Результатом є оцінка ризику позиції, яка пізніше використовується як один із входів для остаточної оцінки ризику самогубства.

Остаточна оцінка ризику базується на восьми індикаторах, накопичених за час: оцінка ризику позиції, отримана з теплових карт платформи; чи ходить пасажир або стоїть на жовтої лінії; кількість перетинів жовтої лінії; загальний час, проведений на жовтої лінії; найдовший безперервний період, проведений на жовтої лінії; повторне рух туди й назад між стіною та жовтою лінією; повторне звернення до тунелю; і вхід у тунель-ад’юнктну зону платформи.

Ці поведінкові та просторові сигнали потім об’єднуються за допомогою XGBoost моделі, що генерує безперервно оновлювану оцінку ризику самогубства для кожної особи на платформі.

Дані та тести

Тести проводилися на відеозаписах, наданих Société de transport de Montréal (STM), що складалися з 66 п’ятихвилинних записів, зроблених до реальних спроб самогубства, разом з 56 контрольними записами з тих самих камер, у порівнянних часових інтервалах, коли не відбулася спроба самогубства.

За допомогою психологів та експертів із самогубства окремі пасажири були анотовані згідно з тим, чи вони з’явилися в групі ризику чи контрольній групі, що дало набір даних із 256 осіб, з яких 66 були пов’язані з випадками спроб самогубства, а 190 – з контрольною групою.

Для запобігання витоку інформації всі особи, витягнуті з одного запису, були призначені до одного розрізу даних, з 75% даних, використаних для навчання, та 25% – для тестування, зберігаючи баланс між групами ризику та контрольними групами.

XGBoost класифікатор був натренований за 300 ітерацій підсилення, з швидкістю навчання 0,05, з підсамплінгом для як екземплярів навчання, так і функцій, для покращення узагальнення. Через те, що набір даних містить значно більше контрольних випадків, ніж випадків групи ризику, процес навчання компенсував це, призначивши додатковий ваговий коефіцієнт до меншості класу.

Виконання було оцінено головним чином за допомогою площі під кривою приймання-відхилення (ROC-AUC), що вимірює, наскільки ефективно система розрізняє особи групи ризику та контрольні особи.

Додаткові метрики складалися з чутливості, що вимірює правильну ідентифікацію осіб групи ризику; специфічності, що вимірює правильну ідентифікацію контрольних осіб; помилкової позитивної швидкості, що відображає хибні спрацьовування (FPR); і помилкової негативної швидкості, що відображає пропущені виявлення (FNR). Було прийнято свідомо низький поріг прийняття рішення, щоб пріоритизувати раннє виявлення потенційно ризикованих ситуацій:

Виконання фреймворку оцінки ризику самогубства під чотирма конфігураціями, порівнюючи варіанти з допоміжними даними, верхньою межею та повністю автоматичними варіантами по ROC-AUC, чутливості, специфічності, швидкості хибних спрацьовувань та швидкості пропущених виявлень – і показуючи вплив заміни анотацій з допоміжними даними автоматичними модулями виявлення, відстежування та розпізнавання діяльності.

Як видно з таблиці результатів вище, повністю автоматична система досягла ROC-AUC 0,832, тоді як заміна автоматичних модулів виявлення та відстежування на анотації з допоміжними даними підвищила виконання до 0,919.

Заміна лише модуля розпізнавання діяльності дала менший виграш, підвищивши ROC-AUC до 0,893. Найвищий бал, 0,924, був отриманий, коли всі входи були надані з анотацій з допоміжними даними, що свідчить про те, що виявлення, відстежування та подальше видобування індикаторів залишаються основними джерелами помилок у поточному конвеєрі.

Аналіз натренованої XGBoost моделі показав, що пряме взаємодія з жовтою лінією була одним із найсильніших передбачувальних чинників підвищеного ризику, за яким слідували кількість перетинів жовтої лінії, а також повторне рух туди й назад між зонами платформи. Час, проведений на жовтої лінії, а також оцінка ризику позиції, також зробили значний внесок, тоді як звернення до тунелю та вхід у зону тунелю забезпечили додаткові, хоча й менш вирішальні сигнали.

Повертаючись до попередніх якісних результатів, фреймворк призначив високі оцінки ризику особам, пізніше пов’язаним з спробами самогубства, тоді як навколишнім пасажирам контрольної групи були призначені значно нижчі оцінки:

Як показано раніше в статті, якісні результати, представлені в статті, містять прогнозовані результати двох зображень з відеоданих спостереження, з тепловими картами з обох боків, що вказують на затримання та інші платформо-пов’язані дії.

У одному випадку оцінка ризику 0,98 була пов’язана з тривалим присутністю на жовтої лінії та займанням регіонів, визначених як високоризикові тепловою картою позиції. У іншому випадку особа групи ризику отримала оцінку 0,92, тоді як навколишні пасажири контрольної групи отримали значно нижчі оцінки.

За словами авторів, ці відмінності виникають з накопичення декількох індикаторів, а не однієї поведінки. Тривале перетинання жовтої лінії, повторне звернення до тунелю та тривале присутність у високоризикових зонах платформи всі внесли свій внесок у підвищені оцінки ризику.

Автори роблять висновок:

‘Поза виконанням, наше дослідження підкреслює інтерпретованість, показуючи, що оцінки ризику спонукаються інтуїтивними індикаторами, пов’язаними з усталеними поведінковими та просторовими чинниками ризику. ‘

‘Це позиціонує запропонований фреймворк як значущий міст між системами спостереження, керованими штучним інтелектом, та міжгалузевими дослідженнями з профілактики самогубства.’

Висновок

З особистого боку, це все більш рідкісне полегшення знайти статтю про штучний інтелект, яка не створить суперечливої реакції в якійсь частині населення, оскільки було б важко заперечити цінність цілей, що стоять за цим типом проекту.

З практичної сторони, дуже мала кількість пікселів, займаних головою, та відносно мала кількість екранного простору, займаного цією людиною під спостереженням у цьому сценарії, роблять це дуже важким для визначення того, чи часто людина дивиться на тунель – одна з ознак потенційної залізничної самогубства.

Як завжди, у проектах щодо інфраструктури спостереження це здається питаннями роздільності та ресурсів: якщо б було більше камер у більш частих інтервалах, що охоплюють платформу, включаючи одну, яка спеціально охоплює вихід тунелю (тобто тунельну частину, з якої раптово з’являється метропотяг), було б можливим залучити деякі з різних та постійно розвиваються фреймворків щодо напрямку погляду. Як це зараз стоїть, поточна робота покладається на оцінку всього напрямку тіла, щоб сигналізувати про те, що суб’єкт дивиться на тунель.

У підсумку, це питання бюджету, принаймні, що стосується залізничної інфраструктури; якщо б всі платформи були обладнані бар’єрами та ворітцями – особливостями, які з’являються рідко на станціях Лондонського метро та в метрополітенових мережах інших міст світу – тоді платформи не пропонували б можливості для самогубства. Для впевненості, підвищення спостереження – це дешевша опція, а раннє виявлення характерних ознак самогубства могло б дозволити прямий втручання до того, як трагедія трапиться.

Опубліковано вперше вівторка, 9 червня 2026