Multi-Scale Unsupervised Change Point Detection in Long-Term Urban Traffic Time Series: A Kernel-Based Framework Applied to Rotterdam

技術要約：長期的な都市交通時系列におけるマルチスケール無監督変化点検出

問題提起
都市の道路ネットワークは膨大な長期交通データを生み出しているが、その時空間的なポテンシャルは十分に活用されていない。既存の分析手法には、主に以下の2つの限界がある。

1. 過度な集約： ネットワーク全体の挙動に焦点を当てた研究は、データを長期間またはネットワーク全体で集約することが多く、その結果、空間的な粒度が失われ、局所的かつ予期せぬ変化を見逃してしまう。
2. イベント駆動型のバイアス： 事後的な研究の多くは、特定のインフラプロジェクトなどの既知のイベントに基づいて前後比較を行うため、予期せぬ構造的変化や、微細な行動の再編を検出することができない。
3. 体系的なフレームワークの欠如： COVID-19パンデミックのような主要な事象については広く研究されているが、事前の仮定なしに、グローバルな混乱から局所的な再編まで、ネットワーク全体のあらゆる構造的変化を体系的に検出し、日付を特定できる単一の手法は存在しない。

手法
著者らは、ループ検知器およびプローブ車両データに適用可能な、汎用的で無監督の2段階フレームワークを提案している。このワークフローは、ノイズや季節性を除去し、真の構造的シフトを分離するように設計された、階層的かつトップダウン型の構成となっている。

• 第1段階：パフォーマンス指標の生成
  本フレームワークは、補完的な2つのスケールで日次時系列を算出する。

  • マクロスケール（ネットワーク全体）： 指標は、グローバルなネットワーク状態を特徴付けるためにデータを集約する。これらには、流速・交通量関係の区分線形モデルから導出される、自由流速度 ($V_f$)、最大交通量 ($Q_{max}$)、臨界密度 ($K_c$)、および曲率指標 ($\Delta_s$) といった *MFD（基本図）に着想を得たパラメータが含まれる。また、需要および混雑指標として、正規化総走行距離 ($TTL_{norm}$)、ピーク時間（朝夕のピーク時間幅 $D^{AM}_{peak}, D^{PM}_{peak}$）、ピーク強度比 ($\eta$)、および速度の空間的不均一性 ($\sigma_v$) も含まれる。
  • ミクロスケール（局所）： 指標は個々の道路セグメントに対して算出される。重要な点は、生の値を追跡するのではなく、ネットワーク分布内における各検知器の「ランク（順位）」（例：四分位数への所属）を追跡することである。これにより、ネットワーク全体の需要シフトと、あるセグメントの相対的な重要性の変化を区別することができる。指標には、極値交通状態 ($v_{10}^{peak}, q_{90}$)、自由流速度のパーセンタイル、およびループ固有の四分位数所属 ($Q_{l,t}$) が含まれる。
  • 前処理： ハンプルフィルタ（Hampel filter）を適用して、構造的変化を維持しつつ、非物理的な外れ値（センサーエラー）を除去する。

• 第2段階：階層的変化点検出 (CPD)
  カーネルベースのCPDアルゴリズム（RBFカーネルを用いたKernelCPD）が、4段階の逐次的なワークフローに従って適用される。初期段階で検出された変化点は、同一のイベントを重複して検出することを防ぐため、後続のステップにおいて固定された境界として課される。

  1. 結合マクロ： すべてのマクロ指標を同時解析し、主要なネットワーク全体の混乱を検出する。
  2. 個別マクロ： 各マクロ指標に対して単変量解析を行い、結合解析によって隠蔽された次元固有のシフトを検出する。
  3. 結合ミクロ： （高次元の四分位数シリーズを除いた）ミクロな分布指標を同時解析し、広範な空間的再編を検出する。
  4. 個別ミクロ： 各ループの四分位数所属シリーズに対して単変量解析を行い、特定の道路セグメントにおける精密かつ局所的な変化を特定する。

  インパクト・スコアリング： 検出された各変化点には、セグメンテーションのコスト関数における相対的な減少率として定義される客観的なインパクト・スコアが割り当てられ、これにより異なるスケール間でのイベント強度の比較が可能となる。

主な貢献

1. 汎用的な無監督フレームワーク： 本論文は、データの分布に関する事前知識や事前に特定されたイベントを必要とせず、利用可能なセンサーデータを持つあらゆるネットワークで動作可能な手法を導入している。
2. マルチスケール統合： マクロ的な集約とミクロ的なランクベースの解析を組み合わせることで、グローバルな構造的断絶と、ネットワーク全体の平均化では見落とされる微細で局所的な再編の両方を捉えることができる。
3. 階層的検出戦略： トップダウン型（結合 $\to$ 個別、マクロ $\to$ ミクロ）のアプローチにより、支配的なイベントが最初に特定され、それによってアルゴリズムが安定した期間内のより微細で微妙な遷移に対して感度を高めることができる。
4. 客観的な影響の定量化： 正規化されたインパクト・スコアの使用により、イベントの規模による事象のランク付けを体系的に行うことができる。

結果：ロッテルダム・ケーススタディ (2016–2023)
本フレームワークは、ロッテルダムの7年間のループ検知器データに適用された。

• マクロ的知見： 本フレームワークは、主要なネットワーク全体の混乱、特に2020年3月13日のCOVID-19ロックダウンの開始を特定することに成功した（インパクト：11.08%）。また、Coolsingel通りの再開（2021年4月）と一致する自由流速度 ($V_f$) の変化や、Maastunnelの開通（2019年6月〜7月）に関連する交通容量 ($Q_{max}$) の変化といった、次元固有のシフトも検出した。
• ミクロ的知見： 本フレームワークは、グローバルな集約では不可視であった事象を特定した。例えば、2022年1月下旬から2月にかけてのブレークポイントのクラスターは、個別ミクロレベルでのみ検出された。これは、オランダの在宅勤務義務解除に伴うオフィスワーカーの急激な復帰に起因するものである。この事象は、ネットワーク全体の信号を誘発することのない空間的不均一性（需要の不均衡な再分配）を示していた。
• ローカライゼーション： ループレベルの四分位数解析により、特定のイベントの影響を受けるセグメントの精密なマッピングが可能となった。例えば、Westzeedijkループは、Maastunnelの工事後、より高い速度四分位数へと持続的なシフトを示しており、ネットワークに対する相対的なレジリエンス（回復力）の向上を示唆している。
• 負の結果： 本フレームワークは、特定のイベント（例：2023年のRoseknoopジャンクションの改修）に対する信号の「不在」も特定しており、これにより手法の感度閾数の特性把握に寄意している。

意義と主張
本論文は、本フレームワークが都市の実務家に対し、以下のための体系的なツールを提供すると主張している。

• 交通データの監査： 変化した挙動の記録を、日付とインパクト・スコアと共に自動的に生成する。
• 介入効果の評価： 特定の日付と相関する構造的断絶を特定することで、過去の介入の効果を評価し、将来の因果推論研究のための従属変数として機能させる。
• 安定期間の特定： さらなるモデリングに適した、安定したネットワーク挙動の期間を区切る。

著者らは、本フレームワークは変化の検出と日付特定には成功しているものの、因果関係を確立するものではないことを強調している。正式な因果推論には、影響を受けたネットワークを反事実（カウンターファクチュアル）と比較する別途のステップが必要である。さらに、本手法は変化の「大きさ」を定量化するが、追加の解釈なしには、その変化の「性質」（例：増加か減少か）を本質的に特徴付けるものではない。結論として、提案された手法は、既存のループ検知器アーカイブの持つ時間的深度と空間的粒度を完全に活用することで、都市交通分析における長年の課題に対処するものであるとしている。