［技術解説］都市交通の未来を拓く：Google ResearchのMobility AI イニシアチブ

はじめに

　本稿では、Google Researchが発表した都市交通の課題解決を目指す新たな取り組み「Mobility AI」について、その技術的な側面を解説します。

　都市部における交通渋滞、環境問題、交通事故といった複雑化する課題に対し、AI、特に計測（Measurement）、シミュレーション（Simulation）、最適化（Optimization）の技術を駆使して、データ駆動型の政策立案、交通管理、そして都市交通システムの継続的な監視を支援するこのプログラムの全貌に迫ります。

引用元記事

• タイトル: Introducing Mobility AI: Advancing urban transportation
• 発行元: Google Research
• 発行日: 2025年4月23日
• URL: https://research.google/blog/introducing-mobility-ai-advancing-urban-transportation/

要点

　Mobility AIは、Google Researchが推進する、都市交通の課題解決に特化した研究プログラムです。AI技術を活用し、以下の3つの柱を軸に、交通機関、計画者、エンジニア、研究者、政策立案者などを支援することを目指しています。

1. 計測 (Measurement): リアルタイムおよび過去のデータから交通網や移動パターンを正確に把握し、変化の影響を追跡します。機械学習（ML）や統計的手法を用いて、渋滞、安全性、排出ガスなどを評価します。
2. シミュレーション (Simulation): 交通システムの高解像度なデジタルツインを構築し、現実世界での実施前に介入策（信号タイミング変更、インフラ計画、緊急対応計画など）のテストや影響予測を可能にします。
3. 最適化 (Optimization): 計測とシミュレーションから得られた知見に基づき、高度なアルゴリズムとAIを用いて、交通ネットワークに対する最も効果的な解決策（介入計画、経路戦略、信号制御など）を特定します。

詳細解説

　Mobility AIを支える3つの技術的柱、「計測」「シミュレーション」「最適化」について、さらに詳しく見ていきましょう。

1. 計測 (Measurement): 移動パターンの理解

　効果的な交通改善の第一歩は、現状を正確に把握することです。Mobility AIでは、多様なデータソースから情報を収集・分析し、交通ネットワークと移動の実態を理解します。

• 渋滞関数 (Congestion Functions):
  • 交通流の基本図（Fundamental Diagram）と同様に、車両密度の上昇がどのように渋滞を引き起こし、移動速度を低下させるかを数学的に記述します。
  • 基本図とは異なり、全車両ではなく一部の車両データ（フローティングカーデータなど）に基づいて構築されます。
  • GoogleはMLアプローチを用いて都市全体のモデルを作成し、データが限られた道路でも堅牢な推論を可能にしました。また、解析的な定式化を通じて、信号調整が交通流の分布や渋滞パターンにどう影響するかを明らかにしています。これは、従来のセンサーデータだけでは捉えきれなかったネットワーク全体の挙動をモデル化する試みとして重要です。
• 地理空間情報の基礎的理解 (Foundational Geospatial Understanding):
  • 地理空間データや移動パターンに対する自己教師あり学習のような技術を活用し、地域の特性と広範な空間的関係性の両方を捉える埋め込み表現（Embeddings）を学習する新しいフレームワークを開発しています。
  • これにより、データが乏しい地域や他のデータモダリティを補完する際に、移動パターンの理解が向上します。生成AIや基盤モデルを用いた地理空間推論に関するGoogle Research内の連携も、この能力を進化させる上で重要です。
• 駐車に関する洞察 (Parking Insights):
  • MLを用いた駐車困難予測の研究を発展させ、通勤者、ライドシェアドライバー、商用配送車、そして自動運転車の新たなニーズに対応するための駐車可能状況の管理に関するより良い洞察を提供することを目指します。都市の複雑性を理解する上で駐車問題は不可欠です。
• 出発地–目的地（OD）交通需要推定 (Origin–Destination Travel Demand Estimation):
  • OD交通需要（日々の通勤、商品の配送、買い物など、移動がどこで始まりどこで終わるか）は、移動を理解し最適化するための基本です。
  • 観測された交通パターンを正確に再現するようにOD行列（地点間の移動量を定量化するテーブル）を較正（Calibration）します。これにより、交通ネットワークの計画や最適化に不可欠な、空間的に完全な理解を提供します。この較正プロセスには、観測データ（交通量、速度など）とモデル出力の差を最小化する最適化問題が含まれることが多く、AI技術の活用が期待されます。
• パフォーマンス指標: 安全性、排出ガス、渋滞の影響 (Performance Metrics: Safety, Emissions and Congestion Impact):
  • 安全性: 事故データだけでなく、事故との相関が高いとされる急ブレーキイベント（Hard Braking Events, HBEs）を活用し、高リスク地点の特定や将来の衝突リスク予測を行います。これにより、事後対応型から予防型の安全対策へのシフトを支援します。
  • 環境影響: 米国再生可能エネルギー研究所（NREL）と共同開発したAIモデルで、車両のエネルギー消費量（ガソリン、ディーゼル、ハイブリッド、電気）を予測します。これはGoogleマップの燃料効率の良い経路案内に活用され、排出ガス削減に貢献しています。
  • 渋滞影響: 集約され匿名化されたGoogleマップの交通トレンドデータを用いて、交通介入策が渋滞に与える影響を評価します。
• 影響評価 (Impact Evaluation):
  • 交通政策の変更評価では、ランダム化比較試験が困難な場合が多いです。そのため、介入がなかった場合にどうなっていたかを推定する必要があります。
  • 類似した移動パターンを持つ都市や地域を「対照群（Control Group）」として見つけ出す合成コントロール法（Synthetic Controls）などの高度な統計的手法を用います。ニューヨーク市の渋滞課金制度の分析事例は、この手法の有効性を示しています。

2. シミュレーション (Simulation): デジタルツインによる予測

　シミュレーションは、交通システムの高解像度なデジタルツイン（仮想的なレプリカ）を構築する技術です。これにより、計画者やエンジニアは、現実世界での実装前に様々な「What-if」シナリオをテストできます。

• スケーラビリティと精度:
  • 従来、特定の高速道路や幹線道路など局所的なエリアに限定されがちだった交通シミュレーションを、数千の道路セグメントを持つ大都市圏ネットワーク全体に拡張することを目指します。
  • 過去の課題は、特定の状況のダイナミクスに合わせてシミュレーションパラメータを調整する較正（Calibration）が、まばらに利用可能な交通センサーデータに依存していたことでした。
  • Google Researchは、集約され匿名化された速度、交通量、経路移動時間などのより包括的なデータを物理情報に基づいた交通モデル（Physics-Informed Traffic Models）に組み込むことで、シミュレーションを較正する手法を開発し、この限界を克服しました。これにより、多様な渋滞パターンを観察・再現する能力が向上しました。
• 効率と不確実性:
  • 詳細なシミュレーション較正の計算負荷を認識し、スケーリングと精度の向上と並行して効率改善にも積極的に取り組んでいます。
  • デジタルツインは将来の介入策の影響を推定するために使われるため、シミュレーション入力（需要、供給など）の不確実性が出力にどう影響するかを理解することが重要です。この入力の不確実性を定量化するアルゴリズムも開発しており、都市がデジタルツインを用いて頑健なWhat-if分析を実行できるよう支援します。

3. 最適化 (Optimization): 効果的な解決策の特定

　計測とシミュレーションから得られた知見を活用し、高度なアルゴリズムとAIを適用して、交通ネットワークに対する最も効果的な解決策を特定します。

• 介入計画 (Intervention Design):
  • 特定の課題に対するデータ駆動型の計画を作成します。例えば、シアトル交通局（Seattle DOT）とのイベント後の交通誘導に関する協力や、ミルバレー市の詳細な避難計画（緊急対応シナリオにおけるネットワーク修正の特定）などが挙げられます。
  • 工事区域周辺の交通流最適化や貨物輸送管理にも応用可能です。
• 経路戦略 (Routing Strategies):
  • ネットワーク全体の効率を改善し、社会的コストを削減する経路探索アプローチを開発します。単一車両の最短時間だけでなく、システム全体の最適化を目指す点が特徴です。
• 交通信号制御 (Traffic Signal Control):
  • 遅延と排出ガスを削減するために信号タイミングを最適化します（例: Project Green Light）。リアルタイムの交通状況に適応する適応型信号制御などが含まれます。

まとめ

　Mobility AIは、Google Researchが長年培ってきたマッピング、経路探索、交通予測の技術と、最新のAI研究を結集させた、都市交通の未来を形作るための重要な一歩です。計測、シミュレーション、最適化という3つの柱を通じて、交通渋滞の緩和、公共交通機関へのアクセス向上、そしてより良い経路案内、マッピング、モデリングによる地域社会の幸福増進に必要な技術を提供することを目指しています。　

　Googleは、このMobility AIの研究成果を実用的なアプリケーションに展開するために、交通機関、計画者、研究者、モビリティプロバイダーとの連携が不可欠であると考えています。本稿で解説した技術は、AIエンジニアにとっても非常に興味深く、貢献できる領域が多く存在するでしょう。都市が直面する複雑な交通課題の解決に向けた、AI技術のさらなる発展と応用が期待されます。