『渋滞情報マップby NAVITIME』いつもよりも混んでいる？空いている？渋滞ピークを避けられる「AI渋滞予報」を提供開始

2023/04/27 20:00
株式会社ナビタイムジャパン[PR TIMES]

※このページは、自動車関連企業等より配信されたパブリシティリリース記事をそのまま転載しております。掲載内容に関するお問い合わせ等につきましては、直接リリース配信元までお願いいたします。

～AIを活用し、従来よりも精度の高い渋滞予測を実現。渋滞ピークを避け、快適な移動をサポート～

株式会社ナビタイムジャパン（代表取締役社長：大西啓介、本社：東京都港区）は、リアルタイムの道路交通情報に特化したアプリ『渋滞情報マップby NAVITIME』にて、2023年4月21日（金）より、高速道路上でよく道路混雑が発生する全国100区間の朝7時から23時までの渋滞を予測し、各区間がいつもよりも混んでいるかをグラフや地図上で表示する「AI渋滞予報」を提供開始いたします。

「きょうの渋滞予報」画面にて、地図上に、混雑が発生しやすい区間の渋滞予報を、アイコンで表示するので、天気予報のように一目でその日に予想される渋滞具合がわかります。「渋滞予報グラフ」では、1時間ごとの渋滞度合いをグラフで表示し、普段に比べてどこかどのくらい混むのか、を直感的にわかるようにしています。本機能は、プレミアムコース会員の方がお使いになれます。

ナビタイムジャパンでは従来から、交通渋滞を移動の課題ととらえ、ユーザーが渋滞を事前に回避できるよう、渋滞予測の精度向上や地図表示・経路探索への反映に取り組んでまいりました。

現在提供している「渋滞マップ（高速）」や「一般道マップ」上の渋滞予測情報は、渋滞長10㎞のように絶対値を元にした情報のため、例えば同じ10kmの渋滞でも、いつもより渋滞している場合としていない場合とでは、出発するかの意思決定が異なってくるのでは、と考えました。そこで、出発前に天気予報のように渋滞予報を確認し、混まないルートや渋滞ピークを避けた時間帯を選んで移動することができるよう、今日の渋滞がその道路の「いつもの渋滞」と比較してどうなのか、を感覚的に把握できる機能を開発いたしました。

ドライバーの感覚に沿った区間の単位や時間のスパンで渋滞予報を把握できるようにするため、今回提供する「AI渋滞予報」では、これまでのように高速道路上のIC間の単位ではなく、「東名高速道路（上り）伊勢原JCT～横浜町田IC間」のようによく渋滞する区間を1つの単位として、1日分の渋滞予報を表示します。

長い区間かつ1日単位の渋滞予測は、現状提供しているIC間の短期的な予測や「渋滞カレンダー」のような何日・何か月先までの長期予測を組み合わせるだけでは、高精度な予測が難しいため、AIを利用することで、より高精度で・より先の時間までの渋滞予測が可能となりました。

全国の道路交通渋滞で年間に発生する渋滞損失は、約12兆円にも上り、環境問題や経済効率の低下等を引き起こしていると言われています※。精度の高い渋滞予測や渋滞予報を提供し、ドライバーが渋滞を避けられるようにすることで、ドライバー自身の安全で快適な運転をサポートするとともに、それが移動の分散につながり、交通集中が少なくなることで、社会課題の解決にも貢献できればと思っております。

※国土交通省「効果的な渋滞対策の推進」より。https://www.mlit.go.jp/road/ir/ir-perform/h18/07.pdf

機能詳細

・渋滞ヒートマップと主要渋滞区間の「混雑度マーカー」表示

地図上で、主要渋滞区間100区間にピンク・黄色・水色の3段階の「混雑度マーカー」を表示し、渋滞予報の概要を確認できます。「混雑度マーカー」をタップすると「渋滞予報グラフ」と「渋滞ピン」が表示されます。

現在時刻の渋滞状況を可視化したヒートマップと併せて確認することで、地図で表示したエリアの現在と未来の渋滞状況から、空いているエリアや道を選ぶのに便利です。

・渋滞予報グラフ

主要渋滞区間の「いつもの渋滞」グラフと、「今日の渋滞予報」グラフを重ねて表示し、どの時間帯が、いつもよりもどのくらい混みそうか、を表示します。

・渋滞ピン

主要渋滞区間の場所と渋滞予報の概要を表示します。その区間で予測される、その日の最大の渋滞長と時間帯が一目でわかります。

AIを活用した渋滞予測の精度について

前日0時から当日6時までの渋滞長から今後の推移を予測することで、平日・休日の連続的な推移も考慮しています。VICSから配信される渋滞長データを、年末年始・お盆のほか、GWなどの行楽シーズンも含めた約2年分学習させ、AIモデルを自社開発しました。

開発にあたっては、これまで長年培ってきた渋滞予測や道路交通情報などの知見を生かして、複数のニューラルネットワークモデルや機械学習モデルから、渋滞予測の特徴にあったモデルを独自に選定し、その組み合わせ方やパラメータチューニングによって、該当区間の前日の推移だけではなく、他の区間の相互関係も考慮して予測結果を判定しています。これにより、従来の渋滞予測技術を使った場合に比べて、精度が約35％向上しました。