Dự đoán điểm nóng tai nạn từ hình ảnh vệ tinh và dữ liệu GPS bằng Trí tuệ nhân tạo

Những nhà nghiên cứu từ MIT và Trung tâm Trí tuệ nhân tạo Qatar đã phát triển một hệ thống học máy phân tích hình ảnh vệ tinh độ phân giải cao, tọa độ GPS và dữ liệu lịch sử va chạm để tạo bản đồ các đoạn đường có khả năng xảy ra tai nạn, dự đoán thành công các “điểm nóng” tai nạn nơi không có dữ liệu hoặc phương pháp nào khác chỉ ra.

Phía giữa bên phải, các điểm nóng tai nạn dự đoán xuất hiện từ việc tổng hợp ba nguồn dữ liệu. Các khu vực được đánh dấu trong vòng tròn là dự đoán ‘nguy cơ cao’ thực sự không có lịch sử tai nạn. Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

Hệ thống này cung cấp dự đoán táo bạo cho các khu vực trong mạng lưới đường có khả năng trở thành điểm đen tai nạn, thậm chí ở những khu vực không có lịch sử tai nạn. Khi thử nghiệm hệ thống trên dữ liệu trong bốn năm, các nhà nghiên cứu phát hiện ra rằng dự đoán của họ về các khu vực nguy cơ tiềm ẩn này đã được xác nhận bởi sự kiện trong những năm sau.

Bài báo mới có tên Sự suy luận về bản đồ rủi ro tai nạn giao thông độ phân giải cao dựa trên hình ảnh vệ tinh và đường đi GPS. Các tác giả dự đoán sử dụng cho kiến trúc mới này ngoài dự đoán tai nạn, giả thuyết rằng nó có thể được áp dụng cho bản đồ rủi ro khẩn cấp 911 hoặc hệ thống dự đoán khả năng nhu cầu taxi và dịch vụ chia sẻ xe.

Trước đây, những nỗ lực tương tự đã cố gắng tạo ra các công cụ dự đoán sự cố từ bản đồ độ phân giải thấp với thiên vị cao, hoặc tận dụng tần suất tai nạn như một yếu tố quan trọng, dẫn đến dự đoán không chính xác. Thay vào đó, dự án mới, bao phủ bốn thành phố lớn của Mỹ với tổng diện tích 7.488 kilômét vuông, vượt trội so với các kế hoạch trước đó bằng cách tổng hợp nhiều dạng dữ liệu khác nhau.

Dữ liệu thưa thớt

Vấn đề mà các nhà nghiên cứu gặp phải là dữ liệu thưa thớt – số lượng lớn các vụ tai nạn sẽ chắc chắn được nhận thấy và giải quyết mà không cần phân tích máy, nhưng các mối tương quan nguy hiểm tinh vi hơn thì khó xác định.

Các hệ thống dự đoán tai nạn trước đây tập trung vào đ估 lượng Monte Carlo của dữ liệu lịch sử tai nạn, và không cung cấp cơ chế dự đoán hiệu quả khi dữ liệu này thiếu. Do đó, nghiên cứu mới này nghiên cứu các phần của mạng lưới đường có mẫu lưu thông, hình ảnh và cấu trúc tương tự, suy luận về xu hướng tai nạn dựa trên các đặc điểm này.

Đây là một ‘cú bắn vào bóng tối’ dường như đã phát hiện ra các chỉ số tai nạn cơ bản, có thể được sử dụng trong thiết kế của các mạng lưới đường mới.

Ước tính mật độ hạt nhân (KDE) đã được sử dụng để đánh dấu các điểm nóng tai nạn giao thông lịch sử, không dự đoán được vị trí tai nạn trong tương lai. Trong hình ảnh phía trên bên trái, chúng ta thấy nơi KDE đã dự đoán tai nạn trong vùng màu xanh, so với nơi tai nạn thực sự tập trung (kề bên). Phía dưới bên phải, so sánh sự thất bại của dự đoán KDE với dự đoán chính xác (hộp màu xanh) của hệ thống MIT.

Các tác giả lưu ý rằng dữ liệu đường đi GPS cung cấp thông tin về dòng chảy, tốc độ và mật độ giao thông, trong khi hình ảnh vệ tinh của khu vực thêm thông tin về sự sắp xếp làn đường, số làn đường, cũng như sự tồn tại của làn đường cứng và sự hiện diện của người đi bộ.

Tác giả đóng góp Amin Sadeghi, từ Viện Nghiên cứu Máy tính Qatar (QCRI) nhận xét “Mô hình của chúng tôi có thể khái quát hóa từ một thành phố sang thành phố khác bằng cách kết hợp nhiều manh mối từ các nguồn dữ liệu không liên quan. Đây là một bước tiến tới trí tuệ nhân tạo tổng quát, vì mô hình của chúng tôi có thể dự đoán bản đồ tai nạn ở những vùng lãnh thổ chưa được khám phá.” và tiếp tục “Mô hình có thể được sử dụng để suy luận một bản đồ tai nạn hữu ích ngay cả trong trường hợp không có dữ liệu lịch sử tai nạn, điều này có thể dịch sang sử dụng tích cực cho việc lập kế hoạch và chính sách đô thị bằng cách so sánh các kịch bản tưởng tượng”.

Kiến trúc của hệ thống dự đoán giao thông tạo ra một bản đồ rủi ro tai nạn ở độ phân giải 5 mét, mà các tác giả cho là quan trọng để phân biệt các rủi ro khác nhau giữa đường cao tốc và đường dân cư liền kề.

Dự án này được đánh giá trên dữ liệu va chạm và dữ liệu ngang trong khoảng thời gian từ 2017-18. Dự đoán sau đó được thực hiện cho năm 2019 và 2020, với một số vị trí ‘nguy cơ cao’ xuất hiện ngay cả khi không có dữ liệu lịch sử nào dự đoán điều này.

Đạt được sự khái quát hóa hữu ích

Quá拟 hợp là một rủi ro quan trọng trong một hệ thống được thúc đẩy bởi dữ liệu thưa thớt, ngay cả khi, như trong trường hợp này, có hai nguồn dữ liệu hỗ trợ bổ sung. Khi một sự kiện có tần suất thấp, các giả định quá mức có thể được rút ra từ quá ít ví dụ, dẫn đến một thuật toán mà đang mong đợi một dải các tình huống cụ thể, hẹp, và sẽ không thể xác định các xác suất rộng hơn.

Do đó, trong quá trình đào tạo mô hình, các nhà nghiên cứu đã ngẫu nhiên ‘loại bỏ’ mỗi nguồn đầu vào với xác suất 20%, để các khu vực có ít (hoặc không) dữ liệu tai nạn có thể được xem xét khi mô hình đào tạo hướng tới sự khái quát hóa, và để các nguồn dữ liệu song song có thể hoạt động như một đại diện thay thế cho thông tin thiếu hụt cho bất kỳ nghiên cứu nào về một giao lộ hoặc đoạn đường.

Đánh giá

Mô hình này được thử nghiệm trên một tập dữ liệu bao gồm gần 7.500km khu vực đô thị ở Boston, Los Angeles, Chicago và NYC. Tập dữ liệu được tổ chức dưới dạng 1.872 ô 2kmx2km, mỗi ô chứa hình ảnh vệ tinh từ MapBox, với phân đoạn đường được che bằng dữ liệu từ OpenStreetMap. Cả hình ảnh cơ bản và bản đồ phân đoạn đều có độ phân giải 0,625 mét.

Dữ liệu GPS đến dưới dạng một tập dữ liệu độc quyền được thu thập giữa năm 2015-17 trên bốn thành phố, tổng cộng 7,6 triệu kilômét đường đi GPS với tốc độ lấy mẫu 1 giây.

Dự án cũng khai thác 4,2 triệu hồ sơ bao phủ từ 2016-2020 trong Tập dữ liệu Tai nạn Hoa Kỳ. Mỗi hồ sơ bao gồm dấu thời gian và các siêu dữ liệu khác.

Hai năm đầu tiên của dữ liệu lịch sử được đưa vào mô hình, và hai năm cuối cùng được sử dụng để đào tạo và đánh giá, cho phép các nhà nghiên cứu thiết lập độ chính xác của hệ thống trong hai năm trong một khung thời gian ngắn.

Hệ thống này được thử nghiệm với và không có dữ liệu lịch sử, và được tìm thấy để nắm bắt thành công phân bố rủi ro cơ bản trên tất cả các trường hợp, đặc biệt cải thiện trên các phương pháp dựa trên KDE trước đó (xem trên).

Con đường phía trước

Các tác giả cho rằng hệ thống của họ có thể được áp dụng cho các quốc gia khác với ít sửa đổi kiến trúc, ngay cả ở những nơi không có dữ liệu tai nạn. Ngoài ra, các tác giả đề xuất nghiên cứu của họ như một phần phụ trợ cho thiết kế lập kế hoạch đô thị cho các phát triển đô thị mới.

Tác giả chính Songtao He nhận xét về công việc mới:

“Bằng cách nắm bắt phân bố rủi ro cơ bản quyết định xác suất của các vụ tai nạn trong tương lai tại tất cả các địa điểm, và không cần dữ liệu lịch sử, chúng tôi có thể tìm ra các tuyến đường an toàn hơn, cho phép các công ty bảo hiểm ô tô cung cấp các kế hoạch bảo hiểm tùy chỉnh dựa trên đường đi của khách hàng, giúp các nhà lập kế hoạch đô thị thiết kế đường an toàn hơn, và thậm chí dự đoán các vụ tai nạn trong tương lai.”

Mặc dù bài báo cho biết mã của hệ thống đã được phát hành trên GitHub, liên kết đến mã không hoạt động, không thể tìm thấy bằng tìm kiếm, và có lẽ sẽ được bao gồm trong một phiên bản sửa đổi sau.

Nghiên cứu này có tiềm năng được tích hợp vào các ứng dụng GPS dựa trên giao thông tiêu dùng phổ biến và các trình lập kế hoạch đường đi, theo Songtao He:

“Nếu người dùng có thể sử dụng bản đồ rủi ro để xác định các đoạn đường có nguy cơ cao, họ có thể hành động trước để giảm nguy cơ trong các chuyến đi. Các ứng dụng như Waze và Apple Maps có công cụ tính năng sự cố, nhưng chúng tôi đang cố gắng đi trước các vụ tai nạn – trước khi chúng xảy ra,”