スマホ由来の移動データは交通量推定にどう役立つか――歩行者・自転車の22研究を検討

背景と課題

歩行者や自転車が道路の各地点をどれだけ通るかを知るには、現地での計測が重要だ。しかし、人や機器による計測は場所と期間が限られ、道路網全体の交通量を把握しにくい。そこで注目されるのが、利用者のスマートフォンなどを通じて集まる「クラウドソース型モバイルデータ」である。運動記録アプリの走行記録や自転車シェアの利用記録などは、広い時空間の移動を捉えられる可能性がある。ただし、利用者の記録は全歩行者・全自転車利用者の通行回数そのものではない。本論文は、こうしたデータを交通量推定に使った既存研究を体系的に整理したレビューであり、著者らが新たな地点の交通量を推計した研究ではない。

研究の方法

このレビューの入力単位は既存の研究論文である。著者らは、対象交通手段を示す「pedestrian」「bicyclist」「bike」、需要や交通量を示す語、推定・予測を示す語の三群を設定し、Web of Science、Google Scholar、Academic Search Premier、PubMedで題名・要旨・キーワードを検索した。検索は2023年３月31日より前に実施された。モバイルデータの名称を検索語に入れず、検索後の選別でその利用を確認した。まず英語で公表され、データを用いて歩行者または自転車の交通量を推定する研究などを選び、172件を得た。次に題名・要旨・序論を確認し、重複、主題との不一致、クラウドソース型モバイルデータを使っていない研究を除いて実証研究19件を残した。さらに参考文献から３件を加え、実証研究22件と、研究の位置づけを示す関連レビュー10件を整理した。

各実証研究から抽出したのは、対象地域・交通手段、データ源、現地の計測値、分析単位、推定法、モバイルデータ由来の変数とその性能などである。比較の中心となる「直接需要モデル」は、地点で観測した交通量を目的変数とし、アプリなどに記録された通行回数を説明変数として使う推定法を指す。分析単位には道路区間、交差点、計測地点があり、対象の時間単位も年平均１日、日、時間など研究によって異なる。論文の概念式は、交通量をモバイルデータ、建造環境、社会人口属性、交通施設、時刻、天候などの関数として表す。つまり、これらの条件と観測交通量との関係を各研究が統計モデルや機械学習で推定し、交通量の予測に使う、という意味である。係数は統計モデル内での変数と交通量の関係を、機械学習の相対的重要度はモデル内での変数の寄与を読む手掛かりになる。ただし、関数の形や係数の求め方、学習時の更新規則を、このレビューが共通手順として定めたわけではない。著者らの出力は交通量の新たな一括推計値ではなく、各研究が報告した変数の関係、モデルの適合度や誤差を照合した知見である。

この研究の新しさ

従来のレビューが交通量推定の手法全般や自転車データの用途を広く扱っていたのに対し、本論文はモバイルデータを用いる交通量推定に絞り、データ源だけでなく、モデル内での使われ方と性能の報告まで追った。整理された主なデータ源は、自転車シェア、運動記録アプリ、アプリの位置情報サービス、携帯電話の通信記録の４種類である。後二者の元データには通常、交通手段の情報がなく、歩行や自転車の移動を識別する処理が必要になる。自転車シェアでも発着地点しか分からない記録を道路区間へ割り当てる際には誤差が入り得る。データが広く得られることと、区間交通量を直接数えられることを区別した整理である。

従来研究との違い

対象の実証研究22件のうち、自転車を扱ったものは20件、歩行者は２件だった。直接需要モデルを用いた19件は、いずれも自転車交通量を推定している。モバイルデータの中では、道路区間別の通行回数を提供する運動記録アプリStravaの利用が目立った。これに対し、歩行者を扱う研究では、位置情報サービスや携帯電話の通信記録から歩行者の活動を取り出し、設定した区域に集計する方法が用いられた。

複数の研究は、モバイルデータ由来の変数を含むモデルと含まないモデルを比較した。例えばレビューに掲載されたSandersらの研究では、Stravaの変数を加えると、モデルの適合を示す決定係数が0.57から0.62になった。一方、Kothuriらの研究では、StravaとStreetLightのデータが既にあるモデルに自転車シェアのデータを加えても、性能改善はほとんど見られなかった。データ源を増やせば必ず精度が上がる、という結果ではない。

結果と評価

統計モデルでは、モバイルデータ由来の通行回数と現地で観測した自転車交通量との間に、有意な正の関係を報告した例が多い。機械学習でも、そうした変数の相対的重要度が高い例がある。ただし、地域別モデルで有意な関係が見つからない場合や、有意性を報告していない研究もあった。これらはモデル内の関連や推定への寄与を示す結果であり、アプリの利用が交通量を増やしたという因果関係を示すものではない。対象地域、地点、時間単位、目的変数、評価指標は研究ごとに異なる。ある研究の決定係数や誤差を、そのまま別の地域で期待できる精度として読むことはできない。

限界・注意点

著者らが挙げる研究上の不足は、歩行者の推定例や異なるデータ源を比較した研究が少ないこと、変数の効果を評価するための情報が多くの論文で十分に報告されていないことだ。運動記録アプリはランナーや自転車利用者に偏り、携帯電話の通信記録は位置の精度が低い。事業者が提供する推定値には算出方法が公開されないものもある。加えて、このレビューの検索は英語の研究、設定した検索語、2023年３月31日より前の検索結果を対象としている。【編集上の検証事項】現地計測の代わりに採用する前には、対象地域・時期での偏りと推定誤差を別途確認する必要がある。