利用人工智能（AI）提高人群密集预测准确度的技术已经被开发出来。该技术可用于预防类似梨泰院惨案的多重拥挤事故，并可应用于缓解城市交通拥堵以及应对传染病扩散等领域。
KAIST表示，计算机系教授 Lee Jaegil 研究团队开发出一项能够精准预测人群密集状况的新概念人工智能技术，并于17日对外公布。
人群在特定空间、特定时间聚集的样态，并不能仅用人数增减来解释。即便人数相同，根据人群从何处涌入、又向哪个方向疏散，危险程度也会发生变化。
但既有研究大多只聚焦于某一种信息，要么关注“当前聚集了多少人？”，要么关注“人群正沿着哪条路径涌向某地？”。
与此不同的是，研究团队注意到，只有将这两种状况结合起来，才能捕捉到现场可能出现的真实危险信号。
此外，研究团队还将这一动态用“随时间变化的图（time-varying graph）”这一概念来表达。通过同时分析某一特定区域内有多少人（顶点信息）以及区域之间人口流动情况（边信息），从而提升人群密集预测的准确度。
例如，对于某条特定小巷A内密度急剧上升的现象，并非只依据“当前人数”来预测，而是同步把握从邻近区域B向A方向涌来的客流（边信息），从而提前捕捉到“很快A区域可能会变得危险”的信号。
为实现这一原理，研究团队开发了“双模态学习（bi-modal learning）”方法。该技术使人工智能能够在同时考虑人口数量（顶点信息）和人口流动（边信息）的基础上，一并学习空间关系（空间节点之间的连接关系）与时间变化（何时、以何种方式发生移动）。
在此基础上，研究团队引入三维对比学习（3D contrastive learning）方法，使人工智能不仅能够学习二维空间（地理）信息，还能结合时间信息，学习“三维关联性”。
借此，人工智能不再只是分析“当前人口多还是少”，而是分析“随时间推移，密集是以何种模式演进的”，从而以高于既有方法的准确度预测拥挤发生的地点和时间。
研究团队还通过收集、加工首尔·釜山·大邱地铁及纽约交通数据，以及韩国和纽约的新冠肺炎（COVID-19）确诊人数等真实世界数据，构建并公开了6种研究用数据集。利用这些数据集进行预测时，人群密集预测的准确度最高比原有方法提升了76.1%。
本次研究中，KAIST计算机系博士研究生 Nam Yeongeun 担任第一作者，博士研究生 Na Jihye 作为共同作者参与。研究成果已于上月在数据挖掘领域国际学术会议“知识发现与数据挖掘学会（KDD）2025”上发表。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
