• PDF版本[PDF：662KB]

東日本高速道路株式會社（以下稱NEXCO東日本）和Grid有限公司（以下稱Grid）利用AI來開發技術，使交通擁堵預測員可以在幾個月前進行交通擁堵預測。成功了。

Grid是一家技術風險公司，擁有日本領先的AI技術之一，其AI開發平台“ ReNom”可以響應Grid開發和提供的各種問題。^*並且，使用NEXCO東日本的擁堵預測技術，我們開發了相當於交通預測器的預測模型。通過將該預測模型與交通擁堵期間的交通擁堵結果進行比較，我們能夠確定一定的準確性，並為實際應用奠定了基礎。

1 AI流量擁塞預測

交通擁堵預測員已經提前在NEXCO東日本負責交通擁堵預測工作，將過去的交通擁堵結果，日安排，路況變化和周圍環境進行了疊加，例如提前數月進行了交通擁堵預測和交通擁堵日曆等交通擁堵預測。在考慮了事件的情況後決定並預測了事件。

使用AI的擁塞預測模型將學習可能嚴重影響擁塞發生的過去因素數據，並預測在將來的日期和時間是否會發生擁塞。

本次開發以關関越自動車道為對象，從以下[1]~[2]的2004~2018年的14年左右的大量數據進行學習。學習時，通過將NEXCO東日本的交通擁堵預測技術與網格模型工程技術相結合，創建教師數據。
[1] 每5分鐘從一個叫做交通計數器的設備獲取的速度和交通量數據
[2] 每年的日曆模式（星期幾安排，假期安排等）

• AI開發平台可讓您根據任務自由構建高級算法，例如深度學習；對於簡單任務，即使您不是專家，也可以使用GUI界面開發模型而無需編寫程序。

[參考]流量預測器的常規流量預測

交通擁堵預測員執行的交通擁堵預測大致分為以下任務[1]至[4]。

• [1]與過去的交通擁堵結果重疊（3年）
• [2]審查過去的交通擁堵結果
• [3]增加最新的流量趨勢
• [4]糾正工作（結合相鄰交通擁堵，考慮對連接路線的影響）

2 AI預測交通擁堵的準確性

比較AI和流量預測器在今年関越自動車道的交通擁堵期間（GW，Obon）的實際交通擁堵預測，該漏失率是^*，錯過率^*兩者均為約20％，並且已經證實可以以與交通擁堵預測器的預測幾乎相同的精度進行預測。

• 監督率：“監督次數（雖然預測不會發生擁塞，但實際上已預測出擁塞的次數）” /“實際擁塞的數量”
  遺漏率：“遺漏事件數（預計發生交通擁堵但實際上沒有發生的次數）” /“預測的交通擁堵總數”

另外，在比較關関越自動車道今年年底和新年假期的交通擁堵預測時，將AI的交通預測和交通預測器的交通預測進行了比較，大約80％的趨勢相同。

<< 預報例[1] >> 關関越道上行線 1月2日（週三）AI預報與預報員預報的比較

<< 預報例[2] >> 關関越道上行線 1月3日（星期四）AI預報和預報員預報的比較

3使用AI進行交通擁堵預測的未來發展

• 這次開發的技術可以應用到目標関越道以外的其他地方，將來，我們將研究東北道等其他路線，並以目標路線放大為目標。
• 此時，交通擁堵預測器很難根據道路狀況和收費系統的變化做出預測，因此在交通擁堵預測操作中，我們將使用交通預測器來輔助進行監督等預測。
• 如果將來通過AI進一步提高交通擁堵預測的準確性，並與傳統的預測系統進行合作，交通擁堵預測器將執行很多工作，例如[1]疊加工作和[4]校正工作。預計將被縮短，交通擁堵預測工作將減少一半。
• 將來，我們將研究諸如天氣信息和事故發生狀態之類的新學習數據的可能性，並旨在進一步提高準確性。