予測するAI(4)：AIによる交通渋滞予測技術

STGNNの基礎からシステム実装まで

はじめに：都市交通における渋滞問題とAI予測の必要性

現代の都市環境において、交通渋滞は経済的損失、環境破壊、そして人々の精神的ストレスを増大させる極めて深刻な社会課題である。

従来の交通工学では、道路に設置された車両感知器やカメラなどの固定インフラから得られるデータ（断面交通量、占有率、平均速度など）を基に、統計的なマクロモデルを用いて交通流を分析してきた。しかし、これらのアプローチは、過去の傾向の延長線上にある規則的な渋滞（通勤ラッシュなど）の再現には一定の効果を発揮するものの、突発的な事故、急激な気象変化、周辺での大規模イベントの開催といった不規則な要因が複雑に絡み合う現代の都市交通をリアルタイムかつ高精度に予測することには限界があった。

この限界を打破し、複雑怪悪な交通ダイナミクスを解き明かす鍵として強力に台頭しているのが、人工知能（AI）、とりわけディープラーニング（深層学習）を活用した「交通渋滞予測AI」である。近年のIoT（モノのインターネット）技術の爆発的普及により、GPSを搭載したスマートフォンや車載カーナビ、タクシーやトラックの運行管理システムから、秒単位などの高頻度で「プローブデータ（位置・速度の時系列データ）」が大量に収集されるようになった。AIは、この膨大なビッグデータをインプットとして、時空間的な相関関係や非線形な変化パターンを自己学習し、数分～数時間先など、用途に応じた将来の交通状態を予測する能力を持つ。

本稿では、交通渋滞を予測するAIのコアとなる技術スタックを網羅的に解説する。どのようなデータが収集・前処理され、どのような最先端のAIモデルが適用され、それがどのように社会インフラへと実装されているのか。その全貌を技術的な視点から詳細に紐解く。

1. 渋滞予測AIを支えるデータ基盤と前処理技術

AIモデルの予測精度を決定づける最大の要因は、入力データの質と量、そしてそれらを適切に整形する前処理技術である。交通データは、時間と空間の両方に依存する「時空間データ（Spatio-Temporal Data）」であり、その構造は極めて複雑である。

1.1 収集されるマルチモーダルデータ

高精度な渋滞予測を可能にするため、現代のシステムは単一のデータ源に頼らず、複数の異なる性質を持つデータを統合する「マルチモーダルアプローチ」を採用している。

・プローブデータ（浮動車データ）

走行中の車両から発信される位置情報（緯度・経度）、速度、方位、タイムスタンプの連続データである。スマートフォンのナビアプリや、物流トラックのデジタルタコグラフから収集される。道路全体の「流れ」を網羅的に把握するための主軸となる。

・固定センサデータ（インフラデータ）

主要な幹線道路や高速道路に一定間隔で埋め込まれたループコイル式車両感知器や、超音波センサ、光学式カメラから得られるデータである。特定の地点を通過した「車両数（交通量）」や「道路占有率」を正確に測定できるため、プローブデータでは補いきれない交通密度の絶対値を補完する。

・道路ネットワークデータ（静的データ）

道路の形状、車線数、交差点の位置、信号のサイクルパターン、制限速度、車線規制情報などのGIS（地理情報システム）データである。交通流が物理的に受ける制約をモデルに制約条件として組み込むために不可欠である。

・外部環境データ（コンテキストデータ）

天気、降水量、気温、降雪の有無といった気象情報や、周辺スタジアム等でのイベント開催スケジュール、周辺施設のバーゲンセール情報、さらには曜日、祝日、連休の中日といったカレンダー情報である。これらは突発的あるいは周期的な需要変動を引き起こすトリガーとなる。

1.2 データの前処理とマップマッチング

収集された生データ（Raw Data）をそのままAIモデルに投入することはできない。特にプローブデータには、GPSの測定誤差（ビルの谷間での反射やマルチパス）が含まれており、車両が実際には走っていない建物の属性位置を指し示すことが多々ある。

この誤差を修正し、車両が「どの道路リンク（道路を区切った最小単位）を走っているか」を正確に特定する技術がマップマッチング（Map Matching）である。従来の隠れマルコフモデル（HMM）を用いた確率的アプローチに加え、最近では道路ネットワークのトポロジーを考慮したディープラーニングによる高速・高精度なマップマッチングアルゴリズムが実用化されている。

また、データが欠損している場合の処理も重要である。特定の時間帯に特定の道路を走るプローブカーが1台もいなかった場合、そのリンクの速度データは空（Null）となる。この空間的・時間的な欠損を埋めるため、近隣リンクの状況や過去の同時期のデータからテンソル分解（Tensor Decomposition）や時系列インパイル手法を用いて、高精度に欠損値を補完（Imputation）する処理が行われる。

2. 交通データの特性：時空間依存性の理解

交通渋滞を予測するAIのモデリングにおいて、最も重要な概念が「時空間依存性（Spatio-Temporal Dependency）」である。交通の流れは、時間的にも空間的にも孤立して存在することはない。

2.1 時間的依存性（Temporal Dependency）

ある道路の現在の速度は、直前の時間帯の速度に強く影響される（近接性）。また、毎朝8時の通勤ラッシュのように、24時間前、あるいは1週間前の同じ時間帯のデータとも強い相関を持つ（周期性）。さらに、盆暮れ正月やゴールデンウィークといった長期的なトレンドも存在する。AIモデルは、これら「短期・中期・長期」の異なる時間スケールのパターンを同時に学習しなければならない。

2.2 空間的依存性（Spatial Dependency）

ある交差点で渋滞が発生すると、その影響は上流（後ろの道路）へと伝播していく。逆に、下流のボトルネック（車線減少や事故）が解消されれば、上流の渋滞も緩和される。このように、道路ネットワーク上での物理的な接続関係に沿って、データは相互に影響を与え合っている。重要なのは、地理的な直線距離（ユークリッド距離）が近くても、道路が繋がっていなければ影響はないという点である。交通AIにおいては、道路の接続関係（トポロジー）を正確に表現する非ユークリッド空間のモデリングが求められる。

3. 渋滞予測AIのアルゴリズムとモデルの変遷

交通予測のアルゴリズムは、統計モデルから機械学習、そして現在の深層学習へと劇的な進化を遂げてきた。それぞれの技術的特徴と、なぜ深層学習が必要とされるのかを解説する。

[伝統的統計モデル] (ARIMA / カルマンフィルタ)
│ (時間的な変化を統計的にモデル化、非線形・複雑な空間依存性への対応に限界)
▼
[古典的機械学習] (SVR / ランダムフォレスト / XGBoost)
│ (非線形な関係を扱える一方、特徴量設計や空間関係の表現に工夫が必要)
▼
[深層学習（時系列）] (RNN / LSTM / GRU)
│ (過去の観測から複雑な時間的依存関係を学習)
▼
[深層学習（時空間）] (STGCN / ASTGCN)
│ (グラフによる空間トポロジー × CNN/RNN等による時間変化を統合)
▼
[発展型STGNN] (Adaptive / Dynamic GNN・Attention・Hybridモデル)
│ (道路間の関係を固定せず、状況に応じた動的な時空間依存性を学習)
▼
[Transformer・基盤モデルとの融合]
(Spatio-Temporal Transformer / Foundation Modelなど)
│ (長期依存性・多様なデータ・都市間の汎化を目指す)
▼
[次世代の交通予測AI]
(マルチモーダル化・ゼロショット予測・予測と制御の統合)

現在の交通予測研究では、STGNNが主要なアプローチの一つとして確立されている一方、固定的なグラフ構造を動的に適応させるAdaptive / Dynamic GNNや、長期的な時空間依存性を捉えるTransformerとの融合、さらに都市やデータセットをまたいだ汎化を目指す基盤モデルへと研究領域が広がっている。

3.1 伝統的統計モデルと機械学習モデル

初期の自動渋滞予測では、ARIMA（自己回帰移動平均）モデルや、状態空間モデルであるカルマンフィルタが多用された。これらは計算コストが低く、数学的な解釈性が高いというメリットがあるが、交通流のような高度に非線形な動的システムを捉えることは困難であった。

その後、2010年代に入ると、SVR（サポートベクター回帰）やランダムフォレスト、XGBoostやLightGBMといった勾配ブースティング木などの機械学習モデルが導入された。これらは多数の外部変数（天気、イベント有無など）を特徴量として取り込むことができ、予測精度は大幅に向上した。しかし、これらのモデルは「どの道路のデータをどう組み合わせるか」という特徴量エンジニアリング（Feature Engineering）を人間が手作業で行う必要があり、都市全体の数万〜数十万の道路リンクに対してスケールさせることが極めて困難であった。

3.2 深層学習による時間依存性の獲得：RNNとLSTM

特徴量を人間の手から解放したのが、ディープラーニングの登場である。初期には、時系列データの処理に長けたRNN（再帰型ニューラルネットワーク）や、その改良型であるLSTM（長短期記憶ニューラルネットワーク）、GRU（ゲート付き回帰ユニット）が適用された。

LSTMは、内部に「セル状態」と呼ばれる記憶メカニズムと、情報の重みを制御する3つのゲート（入力、忘却、出力）を持つことで、長期依存（数時間前の渋滞が今に与える影響など）に伴う勾配消失を緩和する設計となっている。これにより、単一の観測点における未来の速度予測の精度は飛躍的に高まった。

3.3 空間依存性の獲得：CNNからGCNへ

しかし、LSTM単体では「隣の道路から渋滞が伸びてくる」という空間的な伝播を表現することが難しかった。そこで、道路網を格子状（グリッド）の画像に見立て、画像認識で圧倒的な実績を持つCNN（畳み込みニューラルネットワーク）を適用する試みがなされた。

CNNは、近隣のセルの特徴量をカーネル（フィルタ）によって収束させ、空間的な特徴を抽出する。しかし、実際の道路ネットワークは綺麗な格子状ではない。斜めに交差する道路、高架道路と一般道の並走、複雑な五差路などを2次元の画像として無理やりマッピングすると、物理的に接続されていない道路同士のデータが混ざり合い、ノイズとなってしまう問題が生じた。

この課題を根本から解決したのが、GCN（グラフ畳み込みネットワーク：Graph Convolutional Network）の登場である。

4. 最先端アプローチ：時空間グラフニューラルネットワーク（STGNN）

現在、交通予測研究における主要なアプローチの一つとなっているのが、時空間グラフニューラルネットワーク（Spatio-Temporal Graph Neural Network: STGNN）である。

4.1 グラフ表現による道路ネットワークの数理モデル化

GCNでは、道路ネットワークを数学的な「グラフ G = (V, E)」として定義する。

・ノード（頂点：V）: 道路のリンク（区間）または交差点を表す。各ノードは、過去の速度、交通量などの時系列特徴量ベクトルを持っている。

・エッジ（辺：E）: 道路同士の接続関係を表す。

・隣接行列（Adjacency Matrix：A）: N × N（Nはノード数）の行列であり、ノード同士が接続されている場合は 1、そうでない場合は 0 を格納する。さらに進化させたモデルでは、道路の長さや車線数に応じた重み付け（Weighted Adjacency Matrix）や、交通の進行方向を考慮した有向グラフが用いられる。

GCNのコアとなる数式（スペクトル領域でのグラフ畳み込みの一次近似）は以下のように表現される。

$$H^{(l+1)} = \sigma \left( \tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)} \right)$$

ここで、$\tilde{A} = A + I_N$ は自己ループを加えた隣接行列、D̃ はその次数行列、$H^{(l)}$ は第 l 層のノードの特徴量マップ、$W^{(l)}$ は学習対象のパラメータ行列、σ は活性化関数（ReLUなど）である。この演算により、各道路の情報は、接続されている隣接道路の情報と「トポロジーに基づき正しく畳み込まれ」、空間的な特徴量がスマートに抽出される。

4.2 代表的なアーキテクチャ：STGCNとASTGCN

時空間グラフニューラルネットワークは、空間特徴を抽出する「GCNブロック」と、時間特徴を抽出する「時系列ブロック（RNN、LSTM、または1D-CNN）」を交互に、あるいは並列に組み合わせる構造を持つ。

STGCN (Spatio-Temporal Graph Convolutional Networks)

STGCNは、時間方向の処理にRNN系アルゴリズムを使わず、あえて1次元の時間畳み込み（Temporal CNN）を採用したモデルである。RNNはデータを時系列順に1ステップずつ処理するため並列計算ができないが、CNNベースの時間畳み込みであればGPUを用いた高度な並列処理が可能となり、都市規模の巨大なグラフ構造であっても極めて高速にトレーニングおよび推論を行うことができる。構造としては、「Spatio-Temporal Convolutional Block（時間畳み込み＋グラフ畳み込み＋時間畳み込み）」を複数レイヤー積層する形をとる。

ASTGCN (Attention Based Spatial-Temporal Graph Convolutional Networks)

STGCNをさらに進化させたのが、アテンション（注目）メカニズムを組み込んだASTGCNである。交通状況は動的に変化するため、道路同士の空間的な影響力（隣接行列）は常に一定ではない。例えば、あるリンクで事故が起きると、普段はあまり影響のない迂回路への空間的依存度が突発的に高まる。

ASTGCNは、空間アテンションマトリクスと時間アテンションマトリクスを動的に計算する。

・空間アテンション: 道路ネットワーク内のすべてのノード間で、現時点で「どの道路とどの道路が強く影響し合っているか」の相関の強さをリアルタイムに計算し、グラフ畳み込みの重みを動的に変更する。

・時間アテンション: 過去のどの時間帯（10分前なのか、昨日の同じ時間なのか、1週間前なのか）のデータが、現在の予測に最も重要であるかを動的に捕捉する。

これにより、突発的な事故や特殊なイベント時にも、固定的なグラフ構造にとらわれない柔軟で極めて精緻な渋滞予測が可能となった。

5. 実社会における実装システムとアーキテクチャ

研究室で開発されたAIモデルを、24時間365日稼働する実社会のインフラシステムへと昇華させるには、高度に洗練されたシステムアーキテクチャが必要となる。

5.1 クラウド・エッジハイブリッド協調システム

数万台の車両から秒単位で送られてくるストリーミングデータを処理するため、近代的なシステムはクラウドとエッジ（エッジコンピューティング）を組み合わせたハイブリッド構成をとる。

[移動車両 / スマートフォン / エッジカメラ]
        │ (生GPS、ローカル特徴量の抽出・軽量化)
        ▼ (MQTT / Kafka ストリーミング通信)
[データインジェクション層] (Apache Kafka / Flink)
        │ (リアルタイムクリーニング、マップマッチング)
        ▼
[分散データ蓄積層] (Time-Series DB / データレイク)
        │
┌─┴───────────────────┐
▼ (リアルタイム推論)              ▼ (バッチ学習)
[推論パイプライン] (TensorRT / ONNX)      [学習パイプライン] (PyTorch / Kubeflow)
│                                 │
│ (5分毎に未来の渋滞状況を予測)    │ (週1回、モデルの重みを更新)
└─┬───────────────────┘
        ▼
[アプリケーション層 / API] (カーナビ、都市交通管制センター、自動運転フリート)

1. データインジェクション層

車両やセンサから送出される膨大なメッセージをロスなく受け止めるため、Apache KafkaやAWS Kinesisなどの分散メッセージキューイングシステムが配置される。

2. ストリーム処理層

Apache FlinkやApache Spark Streamingを用いて、流入するデータに対してリアルタイムでマップマッチング、ノイズ除去、空間的な集計（5分ウィンドウでの平均速度計算など）を実行する。

3. 推論パイプライン

前処理された最新の時空間テンソルが、デプロイされたSTGNNモデルに投入される。推論の高速化のため、モデルはONNX形式に変換された上で、NVIDIAのTensorRTなどを用いて最適化され、GPUサーバー上でミリ秒単位で処理される。予測結果は、周辺の車両やナビゲーションシステムへAPIを介して即座に配信される。

4. バッチ学習パイプライン

蓄積された過去データを用いて、週に1回、あるいは月に1回といったサイクルでAIモデルの再学習（リトレーニング）を行う。季節の移り変わりや、新しい道路の開通といった長期的な構造変化（コンセプトドリフト）に対応するためである。

6. 渋滞予測AIがもたらすスマートシティの未来応用

AIによる高精度な渋滞予測は、単に「カーナビの到着予想時刻が正確になる」というレベルに留まらず、都市全体のあり方を変革するスマートシティのコアコンポーネントとなる。

6.1 動的経路誘導（Dynamic Route Guidance）と信号制御の最適化

従来のナビゲーションは、現時点での渋滞を避ける経路（リアクティブな制御）を案内する。しかし、全車両が同じ迂回路を選択すると、今度はその迂回路で新たな渋滞（二次渋滞）が発生する。

予測AIを組み込んだシステムは、各車両がその道路に「到達する未来の時点」での渋滞を予測し、複数の車両に対して最適な経路を分散して提示する（プロアクティブな制御）。

さらに、都市の交通信号機（シグナルコントロール）との連携も進んでいる。予測AIが15分後に特定の交差点で渋滞が激化すると予測した場合、その交差点を管轄する信号制御AI（深層強化学習などを用いる）が、あらかじめその方向の青信号の時間を長く設定し、渋滞の発生そのものを未然に防ぐ「能動的交通マネジメント」が実現しつつある。

6.2 物流・モビリティサービスの運用効率化（MaaS）

オンデマンド配車サービス（Uber、Grabなど）や、自動運転タクシーのフリート管理において、渋滞予測は利益率を直結させる生命線である。AIが「どのエリアで、何分後に渋滞が発生し、移動効率が落ちるか」を予測することで、車両の適切な再配置（リバランシング）や、需要予測と組み合わせたダイナミックプライシング（動的料金制）を最適化できる。物流業界においても、配送ルートの最適化により、配達遅延の大幅な削減とドライバーの労働時間短縮に寄与している。

7. 現在の技術的課題と今後の展望

ディープラーニングと時空間グラフネットワークの融合により、渋滞予測AIは実用レベルに達しているが、未だ解決すべき高度な技術的課題も残されている。

7.1 異質データの統合とゼロショット学習

道路ネットワークは都市ごとに大きく異なる。東京のデータで学習させた高精度なSTGNNモデルを、道路構造や運転文化が全く異なるニューヨークや東南アジアの都市にそのまま持って行っても、全く使い物にならない。各都市でゼロから大量のデータを集めて学習し直すには莫大なコストがかかる。

この課題に対し、メタ学習（Meta-Learning）や転移学習（Transfer Learning）を駆使し、少量のデータ、あるいは未知の都市であっても一定の予測精度を発揮するゼロショット交通予測（Zero-Shot Traffic Prediction）の研究が活発化している。

7.2 大規模言語モデル（LLM）との融合

2020年代半ばからのトレンドとして、大規模言語モデル（LLM）やマルチモーダル基礎モデルを交通予測に組み込む試みが始まっている。従来のSTGNNは数値データ（速度、交通量）の処理に特化しているが、「なぜその渋滞が起きているのか」という人間社会の文脈を理解することはできない。

「台風10号が接近しており、今夜予定されていた野外コンサートが中止になった。公共交通機関が計画運休を発表している」というニューステキストやSNSの投稿を、LLMを介して交通AIの埋め込み表現（Embedding）へと変換し、STGNNの入力に動的に結合するといった、人間の行動変容を伴う超突発的な交通流の激変を予見する「コンテキスト対応型交通AI」の研究・開発が進められている。

8. 結論

交通渋滞予測AIは、従来の経験則や単純な統計処理の域を完全に脱し、交通ネットワークの構造を数理的に表現するSTGNNという強力な手法を手に入れた。それは、スマートシティの頭脳として、エネルギー効率の最大化、移動時間の極小化、そして環境負荷の低減を同時に達成するための不可欠な社会インフラとなっている。

今後は、エッジAIの進化によるリアルタイム性の更なる向上、そして大言語モデル（LLM）をはじめとするマルチモーダルAIとの融合により、都市の「呼吸」とも言える交通の流れを、より深く、より広範な文脈から理解・予測できるようになる研究が進められている。AIが導き出す未来の交通予測が、私たちの生活の質を向上させ、持続可能な都市社会を実現するための確固たる礎となる日は、もうすぐそこまで来ている。

参考文献・関連リファレンス

本稿で解説したアルゴリズムや技術スタックの理論的背景、および実装詳細については、以下の主要論文およびオープンソースプロジェクトを参照されたい。

1. 基礎理論・モデル論文

• STGCN（時空間グラフ畳み込みネットワーク）の原著論文

交通予測において初めて純粋な畳み込み構造（GCN + Temporal CNN）を採用し、高速かつ高精度な予測を可能にしたマイルストーンとなる研究である。詳細はIJCAI のサイトで確認できる。 2026年の最新論文はこちらで閲覧可能。

• ASTGCN（アテンション付き時空間グラフ畳み込みネットワーク）の原著論文

時空間の動的な相関関係を捉えるためにアテンションメカニズムを導入したモデルである。詳細はAAAIのサイトで閲覧可能である。 

2. オープンソース実装（GitHub）

• STGCN 公式実装リポジトリ

IJCAI 2018に採択されたSTGCNのオープンソースコードである。グラフ構造の時系列データから特徴抽出を行う実装は GitHubのVeritasYin/STGCN_IJCAI-18リポジトリ で公開されている。 

• ASTGCN PyTorch版実装リポジトリ

AAAI 2019で発表されたASTGCNのPyTorchによる実装コードと、米国カリフォルニア州の交通データ（PeMS04/PeMS08）を用いたデータ処理手順は GitHubのguoshnBJTU/ASTGCN-2019-pytorchリポジトリ から入手できる。

3. サーベイ・レビュー論文

• AIを用いた交通予測技術の包括的レビュー

伝統的な機械学習から、CNN、RNN、LSTM、最新の深層学習アプローチまで、交通量予測に用いられるAI技術の変遷を包括的にまとめた学術論文である。詳細は ResearchGateのTraffic Flow Prediction Comprehensive Review を参照されたい。