Ein neues KI-gestütztes Vorhersagemodell entwickelt von einem Forschungsteam der KAIST unter Leitung von Professor Jae-Gil Lee könnte zukünftig tödliche Menschenmengenstürze wie der tragische Vorfall in Itaewon verhindern. Im Gegensatz zu herkömmlichen Ansätzen, die sich allein auf die Anzahl der Menschen in einem Bereich konzentrieren, erfasst die neue Technologie nicht nur die Dichte, sondern auch die Bewegungsmuster innerhalb von urbanen Räumen. Die Forscher nutzen dazu ein dynamisches Netzwerkmodell, das als zeitabhängiger Graph (time-varying graph) konzipiert ist und sowohl Knoteninformation (Bevölkerungszahl in einem bestimmten Gebiet) als auch Kanteninformation (Fluss von Menschen zwischen Gebieten) gleichzeitig analysiert. Bisherige Methoden berücksichtigten entweder nur die aktuelle Bevölkerungsdichte oder die Bewegungsrichtung, aber nicht beides gleichzeitig – was zu verzögerten oder falschen Warnungen führen konnte. Die KAIST-Gruppe zeigt jedoch, dass eine präzise Risikovorhersage nur durch die Kombination beider Datenquellen möglich ist. So lässt sich beispielsweise ein drohender Engpass in einer engen Gasse (z. B. Bereich A) frühzeitig erkennen, wenn gleichzeitig ein starker Zufluss aus einem benachbarten Bereich (Bereich B) gemessen wird, selbst wenn die aktuelle Dichte in A noch gering ist. Zur Umsetzung entwickelten die Forscher eine sogenannte Bi-Modal-Lernmethode, die räumliche Beziehungen (welche Bereiche miteinander verbunden sind) und zeitliche Veränderungen (Wann und wie sich Menschen bewegen) integriert. Ein zentraler Baustein ist eine 3D-Kontrastive Lernstrategie, die es dem KI-Modell ermöglicht, nicht nur räumliche, sondern auch zeitliche Muster zu erkennen – ein entscheidender Fortschritt gegenüber 2D-Modellen. Dadurch kann das System nicht nur die aktuelle Situation bewerten, sondern auch zukünftige Entwicklungstendenzen von Menschenströmen vorhersagen, was zu einer signifikant früheren und genaueren Warnung führt. Für die Validierung entwickelten die Forscher sechs öffentlich verfügbare Datensätze aus realen Quellen, darunter Daten von U-Bahn-Systemen in Seoul, Busan und Daegu, New York City Transit sowie Infektionsdaten aus Südkorea und New York während der COVID-19-Pandemie. Die Ergebnisse zeigten, dass die neue Methode die Vorhersagegenauigkeit im Vergleich zu bestehenden State-of-the-Art-Methoden um bis zu 76,1 % verbessern konnte. Professor Lee betont die gesellschaftliche Relevanz der Technologie: „Wir müssen Technologien entwickeln, die echten Nutzen für die öffentliche Sicherheit bringen.“ Die Anwendungsmöglichkeiten reichen von der Sicherheitsplanung bei Großveranstaltungen und der Entlastung von Stadtverkehr bis hin zur Früherkennung von Infektionswellen durch Mobilitätsmuster. Industrieexperten begrüßen die Innovation als Meilenstein in der präventiven Stadtplanung. Die Fähigkeit, nicht nur zu zählen, sondern zu verstehen, wie Menschen sich bewegen, könnte zukünftig zu einer neuen Ära der urbanen Sicherheit führen. Die KAIST-Gruppe, bekannt für bahnbrechende Arbeiten in der Datenwissenschaft, hat mit diesem Ansatz eine Plattform geschaffen, die sich auch in Krisensituationen als entscheidend erweisen könnte.