理論に基づく深層学習による全国道路網における解釈可能な長期交通モデリング
arXiv cs.LG / 2026/3/30
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、解釈可能性、転移可能性、予測精度のバランスを目指した、長期の高速道路交通量予測のための理論に基づく深層学習フレームワーク「DeepDemand」を提案する。
- DeepDemandは旅行需要理論の要素を埋め込み、競合する2ソースのダイクストラ（Dijkstra）手法によってローカルなOD（起終点）領域を抽出し、ODペアのスクリーニングを行った上で、OD相互作用のモデリングと旅行時間の抑制（deterrence）を扱う微分可能なアーキテクチャを適用する。
- 5,088本の高速道路セグメントにわたる、英国の戦略道路網の観測データ（2017〜2024年）の8年間で評価し、ランダム交差検証においてR2 = 0.718、MAEは7,406台という強い結果を達成した。
- 空間交差検証でも性能が維持され（R2 = 0.665）、学習領域を越えた地理的な転移可能性が示唆される。
- 解釈可能性の分析では、安定した非線形の旅行時間抑制効果が確認され、主要な雇用拠点や交通ハブと整合する重要な社会経済的要因とOD相互作用構造が特定された。
