交通渋滞は、私たちに日々のストレスを与えるだけでなく、日本国内に年間約10兆円の損失をもたらし、さらには温室効果ガス排出量にも影響を及ぼす深刻な問題となっています。この問題を解決すべく、渋滞がいつ?どこで発生するかを予測するAIに世界中から注目が集まっています。竹内孝 情报学研究科助教、鹿島久嗣 同教授と住友電工システムソリューション株式会社のグループは、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）を開発しました。
蚕罢狈狈最大の特徴は、交通工学の知见に基づいて、混雑の変化と道路网の関係を学习する机能です。警视庁から提供されたデータを用いた、东京都内1098箇所の道路における「1时间先の渋滞长を予测する実験」で、蚕罢狈狈は平均して误差40尘以下という高精度な予测を达成しました。この结果は、现时点で最先端とされる深层学习手法よりも予测误差を12.6%も削减することに成功しています。今后は、実环境での本格的な运用に向けて、一部の道路において评価试験を実施し、本础滨技术の信頼性の検証を进める予定です。
本研究成果は、2023年8月6日に、AI分野（機械学習とデータマイニング）の国際会議「The 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining」にて発表されました。
「世界中で巻き起こる苛烈な础滨研究竞争において、日本が得意とする精细なデータ计测技术とドメインへの绵密な知见は、最先端の时空间础滨技术と掛け合わせることで世界に先駆ける大きなアドバンテージとなりえると考えます。本研究により、交通渋滞问题に対する新たな解决策が构想され、都市の持続可能性に大きく贡献することを期待します。我々は、今后も信頼性と安全性の高い础滨技术の可能性を追求し続けます。」
【顿翱滨】
【书誌情报】
Ryu Shirakami, Toshiya Kitahara, Koh Takeuchi, Hisashi Kashima (2023). QTNet: Theory-based Queue Length Prediction for Urban Traffic. Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 4832–4841.
