1時間先の渋滞長を高精度で予測　京大と住友電工システムがAI開発

住友電工システムソリューションと京都大学大学院情報学研究科の竹内孝助教および鹿島 久嗣教授は2023年8月７日、これから起きる渋滞の場所と長さを予測する新たな時空間AI技術「QTNN」（Queueing-Theory-based Neural Network）を開発したと発表した。

QTNNは交通工学の知見に基づいて、混雑の変化と道路網の関係を学習する機能を有する。警視庁から提供されたデータを用いた東京都内1098箇所の道路における「1時間先の渋滞長を予測する実験」では、平均して誤差40m以下という高精度な予測を達成。現時点で最先端とされる深層学習手法よりも予測誤差を 12.6%も削減することに成功した。

交通渋滞は日本国内に年間約10兆円の損失をもたらし、温室効果ガス排出量にも影響を及ぼす深刻な問題だ。交通渋滞を予測できれば、先回りした経路誘導や信号制御などにより交通の流れが円滑化され、渋滞発生の防止に繋がるが、発生時間帯、発生場所、長さなどの変動が大きく、一度発生すると交通の状況が急激に変化するため、その有無や長さを正確に予測するAIの実現は困難とされてきた。

QTNN は、警視庁が取り組む AI とビッグデータを活用した交通管制システムの高度化プロジェクトにおいて検討されており、今後は、実環境での本格的な運用に向けて一部の道路において評価試験を実施し、信頼性の検証を進める予定だ。

QTNNのイメージ