교토대학의 다케우치 타카시 조교, 가시마 쿠츠미 교수, 스미토모 전공 시스템 솔루션 주식회사의 그룹은 앞으로 일어나는 정체의 장소와 길이를 예측하는 시공간 AI 기술 「QTNN」(Queueing-Theory-based Neural Network)을 개발 했다.
교통 정체가 언제·어디서 발생하는지를 예측할 수 있으면, 앞선 경로 유도나 신호 제어 등에 의해 교통의 흐름이 원활화되어, 정체 발생을 방지할 수 있을 것으로 기대된다.그러나 AI에 의한 정확한 예측은 교통 정체의 발생 시간대, 발생 장소, 길이 등의 변동의 크기나 급격한 상황의 변화를 고려하면 실현이 곤란한 과제로 여겨져 왔다.
본 연구에서는 교통 빅 데이터에 기초한 심층 학습과 수년간의 현장 경험을 바탕으로 교통 공학의 지식과의 융합에 의해 이 과제의 해결에 임했다.개발한 시공간 AI「QTNN」의 가장 큰 특징은, 과거부터 현재까지의 교통량, 평균 속도, 교통 체장의 빅데이터를 통해, 혼잡의 변화와 도로망의 관계를, 교통 공학의 이론에 근거해 학습하는 점이다.이에 따라, 우선 다수의 도로의 혼잡 상황과 도로망의 데이터로부터, 심층 학습에 의해 향후의 교차점마다의 교통량과 평균 속도를 예측한다.다음으로, 이들 예측치를 바탕으로 교통량, 평균 속도, 교통 체장의 관계성을 나타내는 교통 공학의 교통 흐름 모델을 보정하면서 교통 체장을 예측한다.이러한 2단계 방식의 예측에 의해, 최첨단의 심층 학습을 사용한 후 교통 공학의 지견과도 합치하는 정체 예측을 실현했다.
QTNN을 이용한 도쿄도내 1098개소의 도로에 있어서의 「1시간 앞의 정체장을 2개월간 예측하는 실험」에서는 평균적으로 정체장의 오차 40m 이하라는 고정밀도의 예측을 달성했다.다른 최신 AI보다 예측 오차를 12.6% 삭감하는 결과라고 한다.
또한, QTNN에서는 교통량, 평균 속도, 교통 체류 길이의 관계성을 기술하는 교통 흐름 모델을 이용한다는 특징에서 "차량의 유입 대수가 증가하여 교통 체류 길이가 늘어난다"나 "주위에서 일정한 교통량 가 존재하기 때문에 평균 속도가 저하된 채 정체가 계속된다” 등 AI의 예측 결과의 일부를 해석할 수 있게 되어 있다.
향후는, 본격 운용을 향해, 실환경에서의 평가 시험을 실시하는 등, 본 AI 기술의 신뢰성의 검증을 한층 더 진행하고 있다.
