Project/Area Number |
23K24955
|
Project/Area Number (Other) |
22H03700 (2022-2023)
|
Research Category |
Grant-in-Aid for Scientific Research (B)
|
Allocation Type | Multi-year Fund (2024) Single-year Grants (2022-2023) |
Section | 一般 |
Review Section |
Basic Section 62020:Web informatics and service informatics-related
|
Research Institution | Kyoto Sangyo University |
Principal Investigator |
河合 由起子 京都産業大学, 情報理工学部, 教授 (90399543)
|
Co-Investigator(Kenkyū-buntansha) |
下條 真司 青森大学, ソフトウェア情報学部, 教授 (00187478)
義久 智樹 滋賀大学, データサイエンス学系, 教授 (00402743)
佐々木 勇和 大阪大学, 大学院情報科学研究科, 助教 (40745147)
中島 伸介 京都産業大学, 情報理工学部, 教授 (90399535)
|
Project Period (FY) |
2022-04-01 – 2026-03-31
|
Project Status |
Granted (Fiscal Year 2024)
|
Budget Amount *help |
¥17,290,000 (Direct Cost: ¥13,300,000、Indirect Cost: ¥3,990,000)
Fiscal Year 2025: ¥5,720,000 (Direct Cost: ¥4,400,000、Indirect Cost: ¥1,320,000)
Fiscal Year 2024: ¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2023: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2022: ¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
|
Keywords | 移動支援 / MaaS / 状況分析・予測 / 可視化 / Webアプリ開発 / 地理情報分析 |
Outline of Research at the Start |
MaaSにおける最寄り駅から目的地迄の移動区間となるラストマイルでは、天候や路面状態等に大きく影響される歩行者や車椅子、自転車の安全性・快適性の確保は重要な課題である。しかし、ラストマイル区間は収益性の問題から公共交通が普及しておらず、交通事業者は歩行者らの移動サービスまではカバーが難しい。そこで、本研究では、事業者がカバー困難なラストマイル移動において、走・歩行時の環境とユーザ状況をモニタリング・分析することで、状況に応じた安全かつ快適な移動情報を提供できる移動情報利活用基盤を構築する。これにより、MaaSの最上位レベルである「政策の統合」にむけた行政と市民の連携によるモデルを実践する。
|
Outline of Annual Research Achievements |
本研究では、移動中のユーザ状況を把握し、状況分析につながる安全性と快適性の高い移動情報を可視化する移動情報利活用基盤を実装することで、データ共有の貢献と移動支援の共生を明らかにする。具体的な研究項目を以下の3項目に大別し、複数の研究者で分担して効率的に研究を進める。最終的に移動支援情報利活用基盤が研究課題解決につながることを確認し、本研究を完遂する。 研究項目1)移動情報モニタリング基盤の構築:移動中のソーシャルデータ自動生成のための移動情報モニタリング機構 研究項目2)分析精度と利便性を高めるMaaSマップの提供:学習モデル生成とMaaSマップ生成 研究項目3)社会実装による受容性の検証:ラストマイル移動支援にむけた移動情報利活用基盤の社会実装 本年度は、初年度に開発した移動情報モニタリングから、研究項目2の分析精度と利便性を高めるMaaSマップの提供を実現した。ユーザの携帯端末毎にソーシャルデータを管理する学習環境を構築した。オープンデータ(GSV、OSM、Tweet)はWebから取得し、それらソーシャルデ ータとオープンデータのFeatureを用いて、移動方法と移動範囲、経路ごとの安全性と快適性を学習した。学習モデル生成は、各ユーザの移動 履歴と学習精度に基づき他のユーザとのモデル統合と学習のタイミングを決定して、分析精度の低い地点を経路に加えることで、分析精度を向上する。各ユーザの移動特性(移動手段、移動範囲、時間帯、表情)と環境情報(路面の凹凸、輝度)に基づいた学習モデルを生成し、分析精度を検証した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究では、移動中のユーザ状況を把握し、状況分析につながる安全性と快適性の高い移動情報を可視化する移動情報利活用基盤を実装することで、データ共有の貢献と移動支援の共生を明らかにする。現在までに研究計画していた、研究項目2の分析精度と利便性を高めるMaaSマップの提供の実現ができた。その結果、ユーザ特性の抽出結果によるMaaSマップの改善が必要なことが明らかとなった。この改善による実装は次年度に取り組む予定である。
|
Strategy for Future Research Activity |
研究項目2)で明らかとなったMaaSマップ提供の改善に取り組むとともに、当初の研究計画である、研究項目3)社会実装による受容性の検証として、ラストマイル移動支援にむけた移動情報利活用基盤を構築し、検証する。
|