Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

都市を、すべての道路がパズルのピースであり、すべてのドライバーがそれを解こうとするプレイヤーである、巨大で生きているパズルだと想像してみてください。道路が修理のために閉鎖されることは、パズルからピースを一つ引き抜くようなものです。突然、誰もが新しい居場所を見つけようと奔走しなければならず、全体の絵が変化してしまいます。これが交通工学の世界であり、人々がこれらの複雑なネットワーク内をどのように移動するかを理解することに捧げられた分野です。このパズルの中心にあるのは「平衡（エクリブリウム）」と呼ばれる概念です。これは単に、誰もが、経路を切り替えても目的地に早く着けないようなルートを見つけた状態であることを意味します。もしあなたが、GPSがルートを再設定している間に渋滞に巻き込まれ、結局新しい経路も同じように混んでいた経験があるなら、それはこのバランスが作用している瞬間を体験したのです。都市計画家にとっての大きな疑問は、小さなポットホール（路面の窪み）の修理が都市規模の交通の悪夢にならないように、どのように道路修理のスケジュールを組むかということです。従来、これを計算することは、新しい修理計画を検討するたびに巨大な数学の方程式を解こうとするようなものであり、そのプロセスがあまりに遅く重いため、計画家が最善の決定を下すことをしばしば妨げてきました。

2026年IISE年次カンファレンスで発表されたこの論文は、コンピュータに毎回ゼロから計算させるのではなく、答えを推測することを教えることで、この重い数学の問題に取り組んでいます。著者であるチャリサ・ナンデプ氏とそのチームは、ニュージャージー州ニューアークの実世界の交通ネットワーク、特にガーデンステート・パークウェイとして知られる混雑した回廊に焦点を当てました。彼らはまず、道路が閉鎖された場合に交通がどのように流れるかを正確に把握するために、非常に正確だが非常に低速なコンピュータ・シミュレーションを実行しました。これは「ゴールドスタンダード」または「グラウンドトゥルース（正解）」、つまり完璧な解答集のようなものです。彼らはこのデータを使用して、4種類の異なる人工知能（AI）モデルを訓練しました。つまり、人々がどこへ行きたいのか（起点・終点需要）を学習させ、重い計算を行うことなく、交通がどのように振る舞うかを瞬時に予測できるように教え込んだのです。

チームは、AIの4つの異なる「脳」をテストしました：標準的な多層ネットワーク（MLP）、パターン発見者（CNN）、ネットワーク構造のエキスパート（GNN）、そしてシステム内のすべての部分間の関係に注意を払うモデル（Attention-based NN）です。結果は明白でした。全体像に注意を払うモデルが勝利したのです。「Attention-based（アテンションベース）」ニューラルネットワークが主役となり、約98%の確率で交通パターンを正確に予測し（R²スコア0.9835）、最も混雑した道路でのミスが最小限でした。対照的に、他のモデル、特に標準的なモデルは、交通量が増えると大きく躓き、重要なリンクにおける誤差は1時間あたり1,000台近くまで跳ね上がりました。グラフベースのモデル（GNN）はまずまずの結果を出しましたが、アテンションベースのモデルが最も正確であり、全体的な誤差はわずか時速35.87台でした。

この論文は、道路修理のスケジューリングに関する問題全体を永遠に解決したと主張しているわけではありません。むしろ、これらの高速でデータ駆動型のAIモデルを使用することが、計画プロセスを加速させる有望な方法であることを示唆しています。遅くて重い計算を素早いAI予測に置き換えることで、都市の管理者たちは、かつてたった一つの修理スケジュールをテストするのにかかっていた時間内に、より多くの修理スケジュールをテストできる可能性があります。この研究は、ニューアーク地域において、このアプローチが十分に有用なツールとして機能することを示しており、建設中の道路であっても交通をスムーズに流し続けるための方法を提供しています。これは、一度に一つのスマートな予測を行うことで、私たちの都市の渋滞を緩和するための第一歩なのです。