交通拥堵不仅给人带来压力，而且每年给日本造成了约10万亿日元的损失，同时还会影响温室气体的排放量。京都大学研究生院信息学研究科的竹内孝助教、鹿岛久嗣教授和住友电工系统解决方案公司组成的研究团队开发出了一种可预测即将发生的交通拥堵的位置和长度的新型时空AI技术 QTNN（Queueing－Theory－based Neural Network，基于队列理论的神经网络）。在东京都内的道路上进行的“预测一小时后交通拥堵长度的实验”中，实现了平均误差小于 40米的高精度预测。相关研究成果发表在机器学习和深度学习国际会议“第29届国际知识发现与数据挖掘大会”（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）上。
QTNN模式图。根据过去和当前的拥堵长度、平均速度和交通流量，利用深度学习（STGNN）预测未来的平均速度和交通流量。以这些预测数据为基础，修正交通流模型的同时（QT层），还能预测未来的拥堵长度（供图：京都大学）
如果能够预测未来会发生的交通拥堵，就有望通过预测路线引导和交通信号控制等手段，使车流更加顺畅，从而防止交通拥堵的发生。然而，由于交通拥堵在时间段、地点和拥堵长度等方面的变化很大，而且一旦发生交通拥堵，交通状况就会瞬息万变，因此要实现准确预测交通拥堵是否发生和拥堵长度的AI一直是一项困难的课题。此外，交通拥堵预测AI的实际应用还需要建立AI的可解释性和可靠性，例如明确交通拥堵的原因。
为此，研究团队结合多年经验所积累的交通工程知识、深度学习和交通大数据的融合，多年来一直在开发具有高精度和可解释性的新型时空AI技术。
本次研究所开发的新型时空AI技术QTNN基于交通工程理论，能够通过大数据学习拥堵的变化与路径的关系。QTNN首先根据多条道路的拥堵数据和路径数据中，利用深度学习预测每个路口的平均车速和车流量。其次，在修正交通工程中所使用的交通流模型的同时来预测交通拥堵长度。通过这种分两个阶段式的预测，实现了利用最先进的深度学习来预测交通拥堵，实现了能与交通工程学的研究结果保持一致。
在使用警视厅提供的数据，在东京都1098处道路上进行的“2个月时间内预测一小时后的交通拥堵长度的实验”中，QTNN能准确预测出可能发生严重交通拥堵的地点，和不发生交通拥堵的地点，实现了平均误差小于40米的高精度的预测。与目前最先进的深度学习方法相比，这一结果将预测误差降低了12.6%。此外，由于QTNN使用了体现交通流量、平均速度和拥堵长度之间关系的交通流模型，从而使“从早上6点左右开始，进入道路的车辆数量会急剧增加，拥堵长度也会大幅度增加”，“当拥堵达到高峰时，交通流量和平均速度都会下降。然而，由于周边道路存在一定的车流量，这种拥堵状况将持续到上午10点左右”这样的预测结果也变得部分可解释。
QTNN目前已被警视厅利用AI和大数据的交通管制系统的高度化项目中的探讨对象，今后，为了能够在真实环境中正式投入使用，正计划在一些道路上开展评估测试，以验证该技术的可靠性。此外，此项研究还旨在灵活利用信号控制、道路施工、事故发生等相关信息，来预测交通拥堵的长度，实现作为城市基础的时空AI技术。
竹内助教表示：“在全球激烈的AI研究竞争中，将日本所擅长的精细数据测量技术和对领域的深入了解与最先进的时空AI技术相结合，能成为我们领先于世界的一大优势。我们希望这项研究能够为交通拥堵问题提供新的解决方案，并为城市的可持续发展做出重大贡献。我们今后还将继续追求高可靠性以及安全的AI技术的可能性。”
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
杂志：Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '23).
论文：QTNet: Theory-based Queue Length Prediction for Urban Traffic
DOI：10.1145/3580305.3599890
