人工智能从卫星图像和GPS数据预测事故热点

麻省理工学院和卡塔尔人工智能中心的研究人员开发了一种机器学习系统，分析高分辨率卫星图像、GPS坐标和历史事故数据，以绘制潜在的事故多发区域，成功预测了没有其他数据或以前方法无法预测的事故“热点”。

中右，预测事故热点从三个数据源合并。圆圈中突出显示的区域是“高风险”预测，实际上没有历史事故记录。 来源: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

该系统为可能成为事故黑点的区域提供了大胆的预测，即使这些区域没有事故历史。测试该系统时，研究人员发现他们对这些“无历史”潜在事故危险区的预测在随后的几年中得到了证实。

这篇名为《基于卫星图像和GPS轨迹的高分辨率交通事故风险地图推断》的新论文的作者预测，该新架构可以应用于911紧急风险地图或预测出租车和叫车服务需求的可能性。

之前的类似尝试试图从低分辨率地图中创建类似的事件预测器，但这些地图具有高偏差，或者试图利用事故频率作为关键因素，但这导致了高方差、不准确的预测。相反，该新项目涵盖了四个主要的美国城市，总面积为7488平方公里，通过合并更多样化的数据形式，超过了这些早期的方案。

稀疏数据

研究人员面临的问题是稀疏数据——大量的事故最终会被注意到并在不需要机器分析的情况下得到解决，但更微妙的危险关联很难识别。

以前的事故预测系统依赖于蒙特卡罗估计的历史事故数据，并且无法在缺乏这些数据的情况下提供有效的预测机制。因此，新的研究研究了具有相似交通模式、相似视觉外观和相似结构的道路网络部分，根据这些特征推断出事故的倾向。

这似乎是一种“无中生有”的方法，发现了基本的事故指标，这些指标可以用于新道路网络的设计。

核密度估计（KDE）已用于突出历史交通事故热点，但未能预测未来事故位置。左上图显示KDE在蓝色框区域预测的事故位置，与实际事故位置（相邻）相比。右下图显示KDE预测失败与MIT系统的准确预测（蓝色框）比较。

作者指出，GPS轨迹数据提供了交通流、速度和密度的信息，而该区域的卫星图像添加了车道布局、车道数量以及是否有硬肩和行人的信息。

合作者Amin Sadeghi来自卡塔尔计算研究院（QCRI）评论说：“我们的模型可以通过结合看似无关的数据源的多个线索，从一个城市推广到另一个城市。这是通往通用人工智能的一步，因为我们的模型可以预测未知领域的碰撞地图。”并继续说：“该模型可以在没有历史碰撞数据的情况下推断出有用的碰撞地图，这可以转化为城市规划和政策制定中的积极用途，通过比较假设场景。”

交通预测系统的架构生成了5米分辨率的事故风险地图，作者认为这对于区分高速公路和相邻的住宅道路的不同风险至关重要。

该项目评估了2017-18年的碰撞和横向数据，预测了2019年和2020年的情况，出现了几个“高风险”位置，即使没有任何历史数据来预测这一点。

实现有用的泛化

过拟合是数据稀疏系统的关键风险，即使在这种情况下，也有两种额外的支持数据。当事件发生率低时，很少的例子可能会导致过多的假设，从而导致算法期望非常特定、狭窄的可能情况，并且无法识别更广泛的概率。

因此，在训练模型时，研究人员随机“丢弃”每个输入源的20％的概率，这样可以考虑到事故数据较少（或没有）的区域，因为模型训练时会考虑到一般化，并且可以将平行数据源用作代表任何特定交叉口或道路部分缺失信息的代理。

评估

该模型在一个包含近7500平方公里城市区域的数据集上进行了测试，数据集包括波士顿、洛杉矶、芝加哥和纽约市。数据集以1872个2kmx2km的图块形式组织，每个图块包含来自MapBox的卫星图像，并通过OpenStreetMap数据进行道路分割。基础图像和分割图都具有0.625米的分辨率。

GPS数据以2015-17年四个城市收集的专有数据集的形式出现，总共有7600万公里的GPS轨迹，采样率为1秒。

该项目还利用了2016-2020年美国事故数据集中的420万条记录。每条记录都包含时间戳和其他元数据。

历史数据的前两年被输入到模型中，最后两年用于训练和评估，使研究人员能够在短时间内确定系统的准确性。

该系统在有和没有历史数据的情况下进行了测试，并被发现能够成功捕捉所有情况下潜在的风险分布，显著改进了以前基于KDE的方法（见上文）。

前方之路

作者认为他们的系统可以应用于其他国家，几乎不需要修改架构，即使在事故数据不可用的情况下也是如此。另外，作者提议他们的研究作为城市规划设计新城市的可能辅助工具。

首席作者宋涛说：

“通过捕获决定未来碰撞概率的潜在风险分布，我们可以找到更安全的路线，允许汽车保险公司根据客户的驾驶轨迹提供定制的保险计划，帮助城市规划师设计更安全的道路，甚至可以预测未来的事故。”

虽然该论文指出该系统的代码已在GitHub上发布，但代码链接目前不可用，无法通过搜索找到，可能会在稍后的修订版中包含。

该研究有可能被整合到流行的消费级GPS基于交通应用和路线规划器中，根据宋涛的说法：

“如果人们可以使用风险地图来识别潜在的高风险道路段，他们可以提前采取行动来降低他们所走路线的风险。像Waze和Apple Maps这样的应用程序具有事件功能，但我们正尝试在事故发生之前预测它们。”