自治体で活用できるAIおよびDX導入事例をご紹介します。自治体では、生成AIをチャットボットとして自治体独自の情報を活用する事例が多く報告されています。セキュリティの観点からAzureクラウド上で構築されている例が大半を占めています。
AIの導入の活用法は、業界ごとに異なり、採用されるシステムも多様です。この記事を通して 「導入アイデア・あなたに使えるサービス・導入のポイント」 の参考になれば幸いです。弊社ではAI導入の最初の窓口としてAI総合研究所を運営しています。導入のお悩みはご気軽に弊社にご相談ください。
【導入事例の概要】
京都大学と住友電工システムソリューションのグループは、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。
QTNNは、警視庁から提供された東京都内1098箇所の道路データを用いた実験で、1時間先の渋滞長を平均して誤差40m以下という高精度な予測を達成しました。
【導入の背景】
交通渋滞は、日々のストレスや経済的損失、温室効果ガス排出量の増加など、深刻な問題をもたらしています。この問題を解決すべく、いつ・どこで渋滞が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。
渋滞予測の実現により、先回りした経路誘導や信号制御などで交通の流れを円滑化し、渋滞発生を防止することが期待されています。
【元々の課題】
渋滞予測AIの実現は、渋滞の発生時間帯、場所、長さなどの変動が大きく、一度発生すると交通状況が急激に変化するため、困難な課題とされてきました。
また、実用化には予測の理由が明らかになるなど、AIの解釈性と信頼性の構築が必要でした。
既存の深層学習手法では、交通データの解析精度が不十分であることも問題視されていました。
【解決策】
QTNNは、交通工学の理論に基づき、ビッグデータを介して混雑の変化と道路網の関係を学習する機能を持ちます。
まず深層学習で交差点ごとの平均速度と交通量を予測し、次に交通流モデルを補正しつつ渋滞長を予測する2段階方式を採用することで、最先端の深層学習を使用しつつも交通工学の知見と合致する渋滞予測を実現しました。
【効果】
QTNNは、東京都内1098箇所の道路における1時間先の渋滞長予測実験で、平均して誤差40m以下という高精度な予測を達成しました。この結果は、現時点で最先端とされる深層学習手法よりも予測誤差を12.6%削減することに成功しています。
また、交通流モデルを用いるため、予測結果の一部の解釈も可能となりました。今後は実環境での本格的な運用に向けて、一部の道路で評価試験を実施し、本AI技術の信頼性検証を進める予定です。
渋滞予測実験の効果
【出典】
住友電工システムソリューション
