技術要約：疎なカウントデータからの交通流のシミュレーションフリー推定

問題定義

本研究が取り組む中心的な課題は、固定センサー（例：誘導ループ、カメラ）から収集された、疎で集計された車両カウントから、時変的な交通流パターンおよびエッジレベルの軌跡を推定することである。この問題は本質的に劣決定（under-determined）であり、同じ集計カウントを再現できる軌跡構成が複数存在し得る。

既存のアプローチには、以下のような重大なトレードオフが存在する：

• シミュレーションベースの手法： シミュレーションされたカウントが観測値と一致するまで需要パラメータを反復的に調整することで、高い精度を実現する。しかし、これらは各反復においてフル・トラフィック・シミュレーションを実行する必要があり、計算コストが膨大になるため、都市規模のネットワークへのスケーラビリティを阻害する。
• オフライン／解析的手法： 高速ではあるが、強い仮定（例：自由流条件、事前定義された経路選択モデル）に依存したり、事前の起点・終点（OD）行列を必要としたり、あるいは解を制約するために高密度なセンサー配置や軌跡データ（例：GPSプローブ）に依存したりすることが多い。

本論文は、シミュレーションによるフィードバックや事前のOD行列なしに、疎なセンサーカウントのみから、正確で時変的な交通流を、都市規模のネットワークにスケール可能な計算コストで推定できるかという問いを投げかけている。

手法

提案手法は、リージョンレベルの割り当てとエッジレベルの割り当てという2つの明確な段階を経て交通流を再構築する、シミュレーションフリーの階層的フレームワークである。

1. リージョンレベルの割り当て（グローバル最適化）

調査エリアは空間的なリージョン（$R$）に分割される。エッジレベルで即座に最適化を行う代わりに、本手法は、リージョン間のルート（$\phi$）に車両フローを割り当てるためのグローバルな最適化問題を解く。

• 寄与行列 ($C$)： 寄与行列は、センサーのカバー範囲をエンコードする重み付き行列である。各エントリー $C(\phi, \rho)$ は、リージョン $\rho$ に存在するセンサーのうち、リージョンルート $\phi$ を通過するものの重み付き割合を表す。この重み付けにより、オプティマイザはセンサーによって直接観測可能なフロー構成へと誘導される。
• 最適化目的関数： 本手法は、予測されるリージョンカウント（$\hat{y}_t = C^\top x_t$）と観測されたカウント（$y_t$）との乖離を最小化する、非負のルートフロー（$x_t$）を見つけるための重み付き最小二乗問題を解く。目的関数 $L(x_t)$ は以下の2つの項を組み合わせる：
  • 重み付きリージョン損失 ($L_{reg}$)： リージョンごとの乖離に対してペナルティを課すが、高ボリュームのリージョンが勾配を支配しないよう、観測カウントの逆数で重み付けを行う。
  • 集計損失 ($L_{aggr}$)： 全予測交通量と全観測交通量の間の相対的な偏差に対してペナルティを課し、グローバルな整合性を確保する。
• ソルバー： この問題は、勾配クリッピングを伴うAdam勾配ベースのオプティマイザを用いて解かれる。非負制約はソフトプラス変換によって強制される。

2. エッジレベルの割り当て（軌跡の精緻化）

リージョンレベルのフローが決定されると、本手法は各リージョンルートを具体的なエッジレベルの軌跡へと精緻化する。

• ルート生成： 各リージョンルートに対して、リージョン内の代表的な「経由（via）」エッジを選択する。連続する経由エッジ間の最短経路を計算することで、候補となるエッジレベルのルートを形成する。
• スコアリングと選択： 候補ルートは、以下の2つの基準に基づいてスコア付けされる：
  1. ボリューム・カバレッジ： エッジルート上のセンサーによって捕捉されるリージョン交通量の割合。
  2. 時間的形状の類似性： ルートの要求プロファイルと、親となるリージョンルートの集計プロファイルとの間の類似性（$L_1$正規化内積を用いて測定）。
• サンプリング： ルートは複合スコアによってランク付けされ、ソフトマックス関数を介して確率分布に変換される。リージョンルートに割り当てられた車両は、この分布からサンプリングされることで、候補となるエッジルートに分配される。

主な貢献

1. シミュレーションフリーのフレームワーク： 本手法は、トラフィックシミュレータからのフィードバックを必要とせず、生のセンサーデータから直接交通モデルを推定するため、反復的なシミュレーションによる計算のボトルネックを排除する。
2. 事前のOD行列が不要： 最先端の多くの手法とは異なり、事前のOD行列やGPS軌跡データを必要とせず、道路ネットワークグラフ上の妥当なルートに基づいてフローを推論する。
3. 階層的分解： キャリブレーション問題をまず空間的な集計へと抽象化することで、本手法は構成上、リージョンレベルの整合性を確保しつつ、最適化のランドスケープを単純化する。
4. スケーラビリティと効率性： 問題の次元数はネットワークリンク数ではなく、リージョンルートの数に依存し、完全に微分可能な目的関数により効率的な勾配ベースのオプティマイザの使用が可能となる。

実験結果

本手法は、369個のセンサー（2024年3月1日）を用いた実際の交通データを用いてブリュッセル道路ネットワークで評価され、合成シナリオに対して検証された。

• ベースラインとの性能比較：
  • 提案手法： 平均絶対誤差（MAE）44.16、RMSE 51.80を達成。
  • シミュレーションベースのベースライン： MAE 67.02、RMSE 80.18を達成。
  • RouteSampler (SUMOツール)： MAE 192.45、RMSE 237.24を達成。
• 計算コスト：
  • 提案手法は、24時間のリージョンレベルの割り当てを評価するのに約23秒を要した。
  • シミュレーションベースのベースラインは、収束までに平均69分を要した。
  • 提案手法は、シミュレーションベースのベースラインよりも約180倍高速である。
• 交通プロファイルの再構築： 本手法は、日次の交通プロファイル（ピーク構造を含む）およびグローバルな遷移行列の構造を正常に再現した。問題の劣決定性により、高密度な中心地区において一部のエッジレベルの誤差が生じたものの、リージョンレベルの適合は堅牢であった。
• 合成検証： 真の正解（Ground Truth）が既知である合成シナリオにおいて、本手法はグローバルなルーティング構造と遷移確率を高精度で回収したが、センサーが疎なリージョンにおいては、流出（outflows）の多様性が不足する場合があった。

意義と主張

本論文は、計算リソースが限られている場合やリアルタイムの更新が必要な場合に、提案手法が実用的な都市交通キャリブレーションの解決策を提供すると主張している。階層的なリージョン構造を通じて動作することで、本手法はキャリブレーション問題をより単純な近似へと抽象化しながら、リージョンの整合性を確保する。

著者らは、本手法は一意の「真の」モデルではなく、妥当かつリージョンとして一貫した交通モデルを回収するものであることを強調しており、逆問題に内在する劣決定性を認めている。その意義は、事前の需要行列や高密度な軌跡データに依存することなく、都市規模のネットワークにおける計算効率の高い代替手段を提供することにある。

認められた限界

論文では、以下の3つの限界を明示的に述べている：

1. 劣決定性： 追加のデータ（例：プローブ軌跡）がない限り、複数のフロー構成がデータと矛盾しないため、本手法は妥当な解を回収するが、必ずしも真の解を得るとは限らない。
2. 経路選択のヒューリスティック： エッジレベルの精緻化は最短経路のヒューリスティックに依存しており、これは混雑時における現実的な経路選択を捉えきれない可能性がある。
3. 反復回数への感度： 過度な最適化反復はオーバーフィッティング（過学習）を招き、フローがセンサーでカバーされているルートに集中してしまい、観測されていないコリドー（回廊）の精度を低下させる可能性がある。