• PDF版本[PDF：662KB]

东日本高速公路股份有限公司（以下称NEXCO东日本）和Grid有限公司（以下称Grid）利用AI来开发技术，使交通拥堵预测员可以在几个月前进行交通拥堵预测。成功了。

Grid是一家技术风险公司，拥有日本领先的AI技术之一，其AI开发平台“ ReNom”可以响应Grid开发和提供的各种问题。^*并且，使用NEXCO东日本的拥堵预测技术，我们开发了相当于交通预测器的预测模型。通过将该预测模型与交通拥堵期间的交通拥堵结果进行比较，我们能够确定一定的准确性，并为实际应用奠定了基础。

1 AI流量拥塞预测

拥堵预测员可以提前进行交通拥堵预测，例如交通拥堵时期和拥堵日历，该拥堵预测员以前负责NEXCO东日本的拥堵预测工作，叠加过去的拥堵记录并安排一周中的几天，道路状况以及周围区域的变化。在考虑了事件的情况后决定并预测了事件。

使用AI的交通拥堵预测模型学习可能对交通拥堵发生有重大影响的过去因素数据，并预测在将来的日期和时间是否会发生交通拥堵。

本次开发以关関越自動車道为对象，从以下[1]~[2]的2004~2018年的14年左右的大量数据进行学习。学习时，将NEXCO东日本的交通拥堵预测技术与网格模型工程技术相结合，创建教师数据。
[1] 每5分钟从一个叫做交通计数器的设备获取的速度和交通量数据
[2] 每年的日历模式（星期几安排，假期安排等）

• AI开发平台可让您根据任务自由构建高级算法，例如深度学习；对于简单任务，即使您不是专家，也可以使用GUI界面开发模型而无需编写程序。

[参考]流量预测器的常规流量预测

交通拥堵预测员执行的交通拥堵预测大致分为以下任务[1]至[4]。

• [1]与过去的交通拥堵结果重叠（3年）
• [2]审查过去的交通拥堵结果
• [3]增加最新的流量趋势
• [4]纠正工作（结合相邻交通拥堵，考虑对连接路线的影响）

2 AI预测交通拥堵的准确性

比较AI和流量预测器在今年関越自動車道的交通拥堵期间（GW，Obon）的实际交通拥堵预测，该漏失率是^*，错过率^*两者均为约20％，并且已经证实可以以与交通拥堵预测器的预测几乎相同的精度进行预测。

• 监督率：“监督次数（虽然预测到不会发生拥塞，但实际上已经预测到拥塞的次数）” /“实际拥塞的数量”
  遗失率：“遗漏事件数（预计发生交通拥堵但实际上没有发生的次数）” /“预测的交通拥堵总数”

另外，在比较关関越自動車道今年年底和新年假期的交通拥堵预测时，将AI的交通预测和交通预测器的交通预测进行了比较，大约80％的趋势相同。

<< 预报例[1] >> 关関越道上行线 1月2日（周三）AI预报与预报员预报的比较

<< 预报例[2] >> 关関越道上行线 1月3日（星期四）AI预报和预报员预报的比较

3使用AI进行交通拥堵预测的未来发展

• 这次开发的技术可以应用到目标関越道以外的其他地方，将来，我们将研究東北道等其他路线，并以目标路线放大为目标。
• 此时，交通拥堵预测器很难根据道路状况和收费系统的变化做出预测，因此在交通拥堵预测操作中，我们将使用交通预测器来辅助进行监督等预测。
• 如果将来通过AI进一步提高交通拥堵预测的准确性，并与传统的预测系统进行合作，交通拥堵预测器将执行很多工作，例如[1]叠加工作和[4]校正工作。预计将被缩短，交通拥堵预测工作将减少一半。
• 将来，我们将研究诸如天气信息和事故发生状态之类的新学习数据的可能性，并旨在进一步提高准确性。