| Project/Area Number |
21K14260
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 22050:Civil engineering plan and transportation engineering-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
Pang Yanbo 東京大学, 空間情報科学研究センター, 特任助教 (60870178)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2021: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
|---|
| Keywords | 人の流れ / エージェントシミュレーション / 深層学習 / 人間参加型機械学習 / 強化学習 / 対話型機械学習 |
|---|
| Outline of Research at the Start |
近年、数多く人流シミュレーションに関する研究が行われてきたが、行動モデルの訓練や結果の評価には、依然、高価かつ入手しにくい携帯電話データに依存し、 事前にデータが入手できない未曾有の場面に対して、高精度な人流を再現・予測できない問題が残っている。そこで、本研究では、シミュレーションモデルと人間の知能を組み合わせて、シミュレーションの再現性と信頼性を向上するために仕組みを提案 する。そこでは、人間の評価をエージェントモデルへフィードバックすることで、シミュレ ーション精度の向上を図る。 この成果は、これまで不可能だった状況の人流を再現することを可能とし、社会インフラデータの整備に貢献する。
|
| Outline of Annual Research Achievements |
本研究では、都市領域での人間の移動と日常活動の理解を深め、高精度な人流データの作成を目指しました。そのために、深層学習フレームワークとエージェントモデルを組み合わせ、人間の移動の再現性と信頼性を向上させるための新たなアプローチを提案しました。その実施内容は以下の2つであります。
1）目的地選択に焦点を当てた新しい深層学習フレームワークを提案し、全国規模の人間の移動を人口レベルで再構築しました。我々は、旅行者の人口統計、移動特性、旅行意図、場所の文脈情報を扱うための新たな埋め込みメカニズムを設計しました。その結果、訓練済みのモデルは、異なる訓練データを使用した複数の都市地域において、他のベースラインアプローチと比較して、人間の移動をより精緻に再現できることがわかりました。
2）都市内のグリッド上で有意義なOD情報を学習するためのグラフニューラルネットワーク手法を提案しました。我々は、いくつかのオープンソースデータセットから地域の多様な特性を収集し、それらをグリッド信号として使用しました。その結果、提案したモデルは、ODグラフからより正確な潜在的地形情報を抽出し、妥当なグリッド埋め込みを生成できることがわかりました。これらの表現は他の下流のタスクにも適用できます。
以上の成果により、本研究はスマートシティとデジタルツインの進展に対応し、都市の複雑なレイアウトや機能の違いを考慮に入れた人間の移動の高精度な予測と再現を可能にしました。これらの成果は、都市計画や交通システム設計における重要な基礎となります。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度の研究では、人口レベルでの全国規模の人間の移動を再現する新たな深層学習フレームワークを提案し、都市内のグリッド上での有意義なOD情報を学習する深層モデルを開発しました。これにより、人流予測の精度が向上しました。しかし、旅行者情報の取り扱いと都市間の違いを反映したモデル訓練には改良の余地があります。次年度はこれらの課題に取り組み、都市計画や交通システム設計に役立つより高精度な人流データの作成を目指します。
|
| Strategy for Future Research Activity |
既存の評価基準に人間の判断を加え、個人レベルの再現性と合理性を評価基準に融合する。また、シミュレーションと人間のフィードバックによる、回を重ねるごとにシミュレーションの結果を向上させ、非集計な携帯電話データを使う場合と同等の精度を達成することを目標とする。
最終的に、より高精度な人流データを生成し、それを都市計画や交通システム設計に活用することを目指します。そのために、実世界の都市計画や交通システム設計の課題に対して、我々のモデルがどの程度対応できるかを評価します。
|
Report
(2 results)
Research Products
(11 results)
