交通擁堵不僅給人帶來壓力，而且每年給日本造成了約10萬億日元的有效能損失，同時還會影響溫室氣體的排放量。京都大學研究生院資訊學研究科的竹内孝助教、鹿島久嗣教授和住友電工系統解決方案公司組成的研究團隊開發出了一種可預測即將發生的交通擁堵的位置和長度的新型空間時間AI技術 QTNN（Queueing－Theory－based Neural Network，基於佇列理論的神經網路）。在東京都内的道路上進行的「預測一小時後交通擁堵長度的實驗」中，實施了平均誤差小於 40米的高精度預測。相關研究成果發表在機器學習和深度學習國際會議「第29屆國際知識發現與資料挖掘大會」（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）上。
QTNN模式圖。根據過去和當前的擁堵長度、平均速度和交通流量量，利用深度學習（STGNN）預測未來的平均速度和交通流量量。以這些預測資料爲基礎，修正交通流量模式的同時（QT層），還能預測未來的擁堵長度（供圖：京都大學）
如果能夠預測未來會發生的交通擁堵，就有望透過預測路綫引導和交通信號控制等手段，使車流更加順暢，從而防止交通擁堵的發生。然而，由於交通擁堵在時間段、地點和擁堵長度等方面的變化很大，而且一旦發生交通擁堵，交通狀況就會瞬息萬變，因此要實施準確預測交通擁堵是否發生和擁堵長度的AI一直是一項困難的課題。此外，交通擁堵預測AI的實際應用還需要建立AI的可解釋性和可靠性，例如明確交通擁堵的終極因數。
爲此，研究團隊結合多年經驗所積累的交通工程知識、深度學習和交通大資料的融合，多年來一直在開發具有高精度和可解釋性的新型空間時間AI技術。
本次研究所開發的新型空間時間AI技術QTNN基於交通工程理論，能夠透過大資料學習擁堵的變化與路徑的關係。QTNN首先根據多條道路的擁堵資料和路徑資料中，利用深度學習預測每個路口的平均車速和車流量。其次，在修正交通工程中所使用的交通流量模式的同時來預測交通擁堵長度。透過這種分兩個階段式的預測，實施了利用最先進的深度學習來預測交通擁堵，實施了能與交通工程學的研究結果保持一致。
在使用警視廳提供的資料，在東京都1098處道路上進行的「2個月時間内預測一小時後的交通擁堵長度的實驗」中，QTNN能準確預測出可能發生嚴重交通擁堵的地點，和不發生交通擁堵的地點，實施了平均誤差小於40米的高精度的預測。與目前最先進的深度學習方法相比，這一結果將預測誤差降低了12.6%。此外，由於QTNN使用了體現交通流量量、平均速度和擁堵長度之間關係的交通流量模式，從而使「從早上6點左右開始，進入道路的車輛數量會急劇增加，擁堵長度也會大半徑增加」，「當擁堵達到高峯時，交通流量量和平均速度都會下降。然而，由於周邊道路存在一定的車流量，這種擁堵狀況將持續到上午10點左右」這樣的預測結果也變得部分可解釋。
QTNN目前已被警視廳利用AI和大資料的交通管制系統的高度化專案中的探討物件，今後，爲了能夠在真實環境中正式投入使用，正計劃在一些道路上開展評估測試，以驗證該技術的可靠性。此外，此項研究還旨在靈活利用信號控制、道路施工、事故發生等相關資訊，來預測交通擁堵的長度，實施作爲城市基礎的空間時間AI技術。
竹内助教表示：「在全球激烈的AI研究競爭中，將日本所擅長的精細資料測量技術和對領域的深入瞭解與最先進的空間時間AI技術相結合，能成爲我們領先於世界的一大優勢。我們希望這項研究能夠爲交通擁堵問題提供新的解決方案，併爲城市的永續發展做出重大貢獻。我們今後還將繼續操作追求高可靠性以及安全的AI技術的可能性。」
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
雜誌：Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '23).
論文：QTNet: Theory-based Queue Length Prediction for Urban Traffic
DOI：10.1145/3580305.3599890
