人工智能

AI 预测事故热点从卫星图像和 GPS 数据

Published October 13, 2021

Updated April 28, 2026

Martin Anderson

研究人员来自 MIT 和卡塔尔人工智能中心开发了一个机器学习系统，分析高分辨率卫星图像、GPS 坐标和历史碰撞数据，以便在道路网络中绘制潜在的事故多发段，成功预测了没有其他数据或以前方法无法指示的事故 “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。 Source: https://openaccess.thecvf.com/content/ICCV2021/papers/He_Inferring_High-Resolution_Traffic_Accident_Risk_Maps_Based_on_Satellite_Imagery_ICCV_2021_paper.pdf

该系统为道路网络中的区域提供了大胆的预测，这些区域可能成为事故黑点，即使这些区域没有事故历史。测试系统超过四年数据，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。

新论文称为基于卫星图像和 GPS 轨迹的高分辨率交通事故风险地图推断。作者预测该新架构的用途超出了事故预测，假设它可以应用于 911 紧急风险地图或系统，以预测出租车和共享出行服务的需求可能性。

以前的类似努力试图从低分辨率地图中创建类似的事件预测器，但具有高偏差，或者利用事故频率作为关键因素，导致高方差、不准确的预测。相反，该新项目涵盖了四个主要的美国城市，总共 7,488 平方公里，通过收集更多多样化的数据形式来超越这些早期的方案。

稀疏数据

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

以前的事故预测系统中心于蒙特卡罗估计历史事故数据，并且无法提供有效的预测机制，当这些数据缺失时。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，根据这些特征推断事故倾向。

这是一个 “射击黑暗” 的尝试，似乎已经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。上左图显示了KDE预测事故在蓝色框区域，而实际事故位置在旁边。下右图显示了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排列、车道数量以及硬肩和行人存在的信息。

合著者 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组合看似无关的数据源的多个线索来推广到一个城市到另一个城市。这是朝着通用人工智能迈出的一步，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，这可能对城市规划和政策制定有积极的影响，通过比较假设场景”。

实现有用的泛化

过拟合是一个关键风险，即使在这种情况下，有两个额外的支持数据来源。哪里发生率低，过多的假设可以从太少的例子中得出，导致算法期望一个非常特定的、狭窄的可能情况，并且将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” 每个输入源作为 20% 的概率，以便可以考虑没有（或没有）事故数据的区域，因为模型训练以实现泛化，并且可以作为代表性代理缺失信息的任何特定研究的并行数据源。

评估

该模型在一个数据集上进行了测试，该数据集涵盖了波士顿、洛杉矶、芝加哥和纽约市近 7,500 公里的城市区域。该数据集以 1,872 个 2kmx2km 瓦片的形式组织，每个瓦片包含来自 MapBox 的卫星图像，并通过来自 OpenStreetMap 的数据进行道路分段掩码。基础图像和分段地图的分辨率均为 0.625 米。

GPS 数据以 2015-17 年间在四个城市收集的专有数据集的形式出现，总共 7.6 百万公里的 GPS 轨迹，采样率为 1 秒。

该项目还利用了 2016-2020 年间的 4.2 百万条记录，来自美国事故数据集。每条记录包括时间戳和其他元数据。

前两年的历史数据被输入到模型中，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，并且能够成功捕捉所有情况下的潜在风险分布，特别是在之前的基于 KDE 的方法上有所改进（见上文）。