Upgrade to Pro — share decks privately, control downloads, hide ads and more …

ベータ版事業01_報告書

data_rikatsuyou
March 18, 2024
320

 ベータ版事業01_報告書

data_rikatsuyou

March 18, 2024
Tweet

Transcript

  1. 1.1 検証の背景 現在及び将来的な業務における、センサー等により 取得したデータ及びリアルタイムデータの活用方針について 検討するとともに、普及促進を支援 リアルタイムデータを活用することで高度化・効率化の可能性がある 業務の状況や、その手法について現況整理が必要 ◼ 東京都庁内の各業務におけるリアルタイムデータ活用状況・意向について確認が必要 ◼

    デジタルツイン構築に向けてはリアルタイムデータ活用による業務効率化が重要な要素 ◼ センサー・リアルタイムデータに関心があっても利用に向けてハードルがある場合がある 4 都事業におけるリアルタイムデータの活用可能性及び今後の方針を検討
  2. 5 1.1 検証の背景 本検証において期待する効果 庁内でのセンサー・リアル タイムデータ活用現況把握 各局要望を踏まえたセンサー・ リアルタイムデータ活用支援 の試行 デジタルツイン事業の

    各局支援・基盤拡充方針整理 センサー・リアルタイムデータの活用現況を把握する他 デジタルツイン事業での各局支援・基盤拡充方針を整理 庁内ですでにセンサー・リアルタイムデータ を活用している事例や、今後の要望に ついて現況を把握 アンケート、ヒアリング等を通して得た 各局の要望を踏まえてセンサー・リアルタ イムデータ活用支援を試行 調査及び試行を通して、センサー・リアル タイムデータの活用への展望や課題等を 把握し今後の事業展開に活用 イメージ画像:横須賀市プレスリリース ~車載型エッジ AI を活用し、道路や歩行者の状況を可視化 https://www.city.yokosuka.kanagawa.jp/4430/ nagekomi/documents/20210126kyoudou.pdf) , 2023年6月30日参照
  3. 6 1.2 検証の目的・概要 センサー・リアルタイムデータに関する基礎調査、 各局のニーズ調査及び事業支援試行の2点を実施 センサー・リアルタイムデータに関する基礎調査 各局のニーズ調査及び事業支援試行 ① 都市で活用されるセンサー・リアルタイム データの整理

    ② 業務シーンごとのセンサー・リアルタイム データの活用案の整理 ③ 各局を対象としたアンケート及びヒア リングの実施 ④ 建設局と連携したAIカメラ・ 民間プローブデータを活用し た交通量調査機械化検証 庁内でのセンサー・リアルタイムデータ 活用現況把握 各局要望を踏まえたセンサー・ リアルタイムデータ活用支援の試行 デジタルツイン実現プロジェクトとして、センサー・リアルタイムデータの活用方針について示唆を 得るほか、基盤拡充方針等プロジェクトが果たすべき役割について整理
  4. センサーによって、都市のどのようなデータが得られ、 実際の都市ではどのように活用されているか 行政財産等に設置して 活用するセンサーの種類 取得できるデータ 都市での活用シーン ※自治体等において実際に活用されている事例 セ ン サ

    ー 等 に よ る デ ー タ 取 得 水位センサー • 水面の高さ • 河川・水路等の水位状況から、災害状況の事前把握に活用 環境センサー • 気温・湿度・気圧等の気象データ • 照度・騒音・CO2濃度等 • 公園の維持管理に活用 振動センサー • 地面等の振動の大きさ・周期 • 斜面の微細な変化を検知し、土砂災害の予兆把握に活用 レーザーセンサー • 自動車・歩行者・障害物等の情報やその 距離等の3次元的情報 • 歩行者の飛び出しを検知し、交通安全に活用 • 3D-LiDARにより、人流を点群データで取得し、通過人数を把握 • ドローンレーザ、モービルマッピングシステムにより、点群データを取得し、山林等の危険箇 所を抽出 地中レーダ探索装置 • 地中の状態(道路上から電磁波を照射 し、その反射から把握) • 車両に取り付け、路面の地盤特性を評価 カメラ • カメラ画像 • オブジェクト数量のカウント結果(エッジ処 理の場合) • 交通利用者のカメラ映像を分析し、サービスのカスタマイズに活用 • 通行者の転倒・接触の検知や車両接近の検知等見守り・安全対策に活用 • 人流データを取得し、公園の混雑把握・対策等まちづくりに活用 • 公園の利用者数を取得し、公園の維持管理に活用 • 避難所入口の通過人数を取得・通知し、開設状況把握等に活用 ドライブレコーダー • 車輛走行中の映像データ • 走行中の路面映像を取得し、道路の劣化状況を分析 スマートメーター • 電力使用量 • 避難所の通電情報を取得し、避難所に関する状況把握に活用 GPSロガー • 位置情報 • レンタサイクルに取り付け、移動経路・訪問先を取得 都市のマネジメントに活用されるセンサーを整理 8 2.1 センサー・リアルタイムデータの整理
  5. 9 2.1 センサー・リアルタイムデータの整理 都市に設置される各種センサーの概要・活用シーンの整理 ◼ 各種センサーの概要と想定される活用シーンについて整理した。 水位センサー 概要 • 基準面からの水位の高さを計測する。

    • 水に直接触れた状態で水位を計測する接触式(圧 力式、静電容量式、フロート式等)と、水に触れずに 電波・超音波で水位を計測する非接触式がある。 想定される 活用シーン • 河川・ダム・湖沼・貯水池・溜池・砂防等に設置し、 氾濫等の大規模災害を事前に検知する。 環境センサー 概要 • 温度、湿度、気圧、照度、騒音など環境に関する情 報を定量的に数値化する。 • 半導体素子や金属の特性を利用して、対象物の状 態を電気信号に変換し、状態を数値化する(例:温 度によって抵抗値が変わる金属に電圧を掛け、流れ れた電流の変化から、温度を計測する) 想定される 活用シーン • 環境の快適さの計測、熱中症予防などの安全管理、 有害物質(PM2.5や有毒ガス等)のモニタリングに活 用する。 出所:AKASAKATEC「水位計の種類 原理や長所・短所・向いているケースを詳しく紹介」, https://www.akasakatec.com/blog/4703/, 2024年2月28日閲覧 東京エレクトロンデバイス, https://esg.teldevice.co.jp/iot/azure/column/column46.html, 2024年2月28日閲覧 DENSIN, https://www.densin.co.jp/product_iot/3486/, 2024年3月6日閲覧 Farmo, https://farmo.info/product_house/, 2024年3月6日閲覧 建設業労働災害防止協会, https://www.kensaibou.or.jp/safe_tech/ict/entry/003401.html, 2024年3月6日閲覧
  6. 10 2.1 センサー・リアルタイムデータの整理 都市に設置される各種センサーの概要・活用シーンの整理 ◼ 各種センサーの概要と想定される活用シーンについて整理した。 振動センサー 概要 • 物体の加速度・速度・変位を計測し、電圧・電流等

    の電気的な量に変換する。 • 接触式(力を受けた際に生じる電荷をもとに計測等)、 非接触式(振動物体にレーザーを照射、測定対象 物との静電容量を計測、等)がある。 想定される 活用シーン • 設備機器の故障・損傷の検知 • 製品試験・耐久試験での振動計測 • モビリティの快適性評価 • 土砂災害等の検知 レーザーセンサー 概要 • レーザーを放ち検知対象で反射させ、反射光を検知 し電気信号として出力する。 • LiDARはレーザーセンサーの一種であり、対象物まで の距離・位置・形状を正確に検知できる。 想定される 活用シーン • 人や動体の検知(防犯・見守り等への活用) (LiDAR) • 自動運転における車両の周囲の検知 • ロボット・搬送台車の環境認識、障害物検知 出所:国土交通省, https://www.mlit.go.jp/plateau/use-case/uc20-004/, 2024年3月6日閲覧 EPSON, https://www.epson.jp/prod/sensing_system/vibrationsensor/, 2024年3月6日閲覧 Metoree, https://metoree.com/categories/2051/, 2024年3月6日閲覧 日経クロステック, https://xtech.nikkei.com/atcl/nxt/column/18/00142/00577/, 2024年3月6日閲覧
  7. 11 2.1 センサー・リアルタイムデータの整理 都市に設置される各種センサーの概要・活用シーンの整理 ◼ 各種センサーの概要と想定される活用シーンについて整理した。 地中レーダ探索装置 概要 • 電波を地面や構造物に輻射面を向けて発射し、内

    部からの反射波を計測(周波数毎の時間、強度、 波形)することで埋設物の検知や内部構造物を計 測する。 想定される 活用シーン • 先行埋設物の検知 • コンクリート構造物における鉄筋位置の確認 • 構造物のメンテナンス、路面下空洞調査 • トンネル等のコンクリート内部の空洞調査 • 橋梁床板調査 カメラ 概要 • カメラは、可視光から物体の形状や色を認識する。 • カメラ自体にAIが搭載されている場合は、動体検出・ 異常行動検出・データ分析等をリアルタイムに実施可 能。 想定される 活用シーン • 道路交通状況のリアルタイム把握 • 人流検知・異常検知 出所:総務省, https://www.soumu.go.jp/main_content/000477175.pdf, 2024年3月6日閲覧 Rent, https://www.rent.co.jp/sanki/l-19/1905/chichu_tansaki/, 2024年3月6日閲覧 国土交通省, https://www.mlit.go.jp/toshi/tosiko/content/001475408.pdf, 2024年3月6日閲覧 MOBOTIX, https://businesssolution.konicaminolta.jp/business/products/mobotix/lineup/mobotix7/index.html#anc01, 2024年3月6日閲覧 加古川市, https://www.city.kakogawa.lg.jp/soshikikarasagasu/shiminbu/shiminseikatsuanshinka/ICT/mimamori.html, 2024年3月6日閲覧
  8. 12 2.1 センサー・リアルタイムデータの整理 都市に設置される各種センサーの概要・活用シーンの整理 ◼ 各種センサー、リアルタイムデータの概要と想定される活用シーンについて整理した。 ドライブレコーダー 概要 • カメラの一種であり、事故前後十数秒の時刻・位置・

    前方映像・車両の操作等を記録できるのが主目的。 • ドライブレコーダーの映像を活用した道路の路面状態 を把握する取組も進展。 想定される 活用シーン • 交通事故の検証、運転行動の確認 • 道路点検・管理業務の効率化 スマートメーター 概要 • 電気使用状況の見える化を可能にす る電力量計。 想定される 活用シーン • 電力データの活用。(災害時に電力供 給に支障のある箇所の特定、高齢者・ 在宅患者の見守り等) 出所: 三井住友海上, https://www.ms-ins.com/labo/higoro/article/090.html, 2024年3月6日閲覧 URAYOMI, https://urayomi.jp/article/154, 2024年3月6日閲覧 スマートでんきコム, https://www.smart-tech.co.jp/column/power-saving/smart-meter/, 2024年3月6日閲覧 THANKO, https://www.thanko.jp/view/item/000000002773, 2024年3月6日閲覧 GPSロガー 概要 • GPSにより位置情報を取得し、ロガー へ記録することで、移動記録を保管で きる。 • 機器への記録が伴うためリアルタイムの 送信は出来ないが、都度の通信を行 わないため安価で長時間使用できる。 想定される 活用シーン • 移動情報の取得・記録
  9. 自治体で活用事例が 報告されている リアルタイムデータの例 取得できるデータ 都市での活用事例 ※自治体等において実際に活用されている事例 リ ア ル タ

    イ ム デ ー タ 携帯基地局データ • 同意を得たユーザーについて、個人が所持する携帯電話等 が基地局と交信した履歴をもとに取得。特定の個人を識別 しない形で、エリアでの滞在者数や移動者数等を把握。 • 手段別・車種別の移動量・滞在人数を推計し、公共 交通利用促進検討に活用 • イベント時における中心市街地の滞在人数を把握 • 各エリアでの滞在状況により、帰宅困難者・緊急物資 の予測を実施 スマートフォン GPSデータ • 同意を得たユーザーについて、個人が所持するスマートフォン 等のGPSで測位した緯度経度情報を取得。特定の特定の 個人を識別しない形で、エリアでの滞在者数や移動者数等 を把握。 • 通勤者の位置情報から移動ルート・移動量を把握、公 共交通利用促進検討に活用 ETC2.0 プローブデータ • 同意を得たユーザーについて、ETC2.0対応の車載器を搭 載した車の走行履歴、挙動履歴データを取得。特定の個 人を識別しない形で、区間毎の通過速度、急減速箇所等 を把握。 • 自動車の速度状況を取得し、渋滞状況を把握 • 被災箇所の代替ルートなど災害に強い交通網の検討 に寄与 各種リアルタイムデータにより、どのようなデータが得られ、 実際の都市でどのように活用されているか 13 都市のマネジメントに関連したリアルタイムデータを整理 2.1 センサー・リアルタイムデータの整理 出所:国土交通省, https://www.mlit.go.jp/common/001243364.pdf, 2024年3月6日閲覧 ITS 高速道路交通システム研究室, https://www.nilim.go.jp/lab/qcg/research/etc-2.0.html, 2024年3月6日閲覧
  10. 14 センサー、リアルタイムデータの都市における活用事例を整理 ◼ 各省庁が公開する事例集(※1)より、都市においてセンサーを活用した事例を抽出。 人流、交通、安全・安心、防災に関する分野で活用が見られた。 人流 • センサーデータ(LiDAR等)・カメラ映像を活用した通過人数の把握 交通 •

    モビリティに搭載された車載センサーにより、観光地でのバス・タクシーなどの車 両状況・混雑状況を把握 • 道路上に設置されたレーザーセンサーにより、歩行者の飛び出しを検知し安 全情報を提供 • レンタサイクル等にGPSロガーを設置し、自転車利用者の起終点・利用経 路・利用時間を把握 安全・ 安心 • センサー・ドライブレコーダーデータにより、路面変形の挙動を把握 • 温度・湿度・CO2等が検知できる環境センサーにより、公園維持管理や環 境啓発に活用 • AIカメラ・センサーを活用し、見守り・防犯に資する屋外情報の把握 防災 • 河川・農業用水・水路等にセンサー・カメラ等を設置し、水位情報を検知 • 振動センサーを設置し、増水・地鳴り等の災害の予兆を検知(※2) • 避難所のセンサーや電力使用量(スマートメーター)等から避難所の開設状 況・停電状況を判断 出所)国土交通省, https://www.mlit.go.jp/toshi/city_plan/content/001479261.pdf (2023/10/16閲覧) 内閣府,https://www8.cao.go.jp/cstp/stmain/pdf/r4_sc_besshi5_4.pdf (2023/10/16閲覧) 国土交通省, https://www.mlit.go.jp/scpf/projects/index.html (2023/10/16閲覧) ※1 省庁が公開する事例集:国土交通省「スマートシティ官民連携プラットフォーム」, 国土交通省「データを活用したまちづくり」, 内閣府「地域課題を解決するためのスマートシティサービス事例集」、総務省「地域IoT分野別モデル別 事例100選」。 ※2 「地域課題を解決するためのスマートシティサービス事例集」にて、既に実装されているソリューション例として記述があったが、どのエリアで実装されているものか当該資料に記載が無かったため、記述に近い内容である事業を調査し、静岡県浜松市の事例を本報告書で取りまとめた。 交通 人流 防災 安全・安心 2.2 センサー・リアルタイムデータの都市における活用事例
  11. 15 人流:センサーデータ(LiDAR等)・ カメラ映像を活用した通過人数の把握 ◼ 愛知県岡崎市では、2020年に3D-LiDARで取得した点群データや軌跡からなる人流データ をリアルタイムで取得。交通規制情報や駐車場の満空情報と組み合わせ、イベント主催者へ の情報共有等も実施し、大規模イベント時における混雑緩和に活用した。 実施エリア 愛知県岡崎市 実施時期

    2020年 設置した センサーと 取得データ ▪3D-LiDAR →人流データを取得。 ※人流データを可視化し たデジタルサイネージにも 別途カメラを設置しサイ ネージ閲覧者数を取得。 活用方法 交通規制情報・駐車場 の満空情報と合わせ、イ ベント実施時の混雑緩 和・群衆誘導に活用。 LiDAR・サイネージの設置状況 取得データのアウトプット 出所)国土交通省都市局、岡崎スマートコミュニティ推進協議会(2021)「実装にむけた先進的技術やデータを活用した スマートシティの実証調査(その8) 報告書」, https://www.mlit.go.jp/toshi/tosiko/content/001475427.pdf, 2023年11月10日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  12. 16 交通:モビリティに搭載された車載センサーにより、 観光地でのバス・タクシーなどの車両状況・混雑状況を把握 ◼ 北海道・ひがし北海道エリアでは、MaaSの一環として、乗降センサーを鉄道・バス・ハイヤーに 設置し、乗降状況を把握している。また、カメラを設置し走行時に乗客の感情情報を取得する ことで、移動サービスのカスタマイズや、新たな観光サービスの発掘につなげている。 実施エリア 北海道 ひがし北海道エリア

    実施時期 2019年 設置した センサーと 取得データ ▪車載乗降センサー →乗客の乗降データを取得。 ▪車内のカメラ、環境センサー →走行時の乗客の感情データ (年齢・性別・顔の向き・感情 等)、車両内の環境データ(温 度・湿度等)を取得。 活用方法 ▪移動サービスのカスタマイズや、 観光サービスの発掘の材料とし て活用。 実証展開エリア MaaSアプリと各種データの連携イメージ 交通モード別 設置機器と取得データ 出所)国土交通省, https://www.mlit.go.jp/scpf/projects/docs/smartcityproject_mlit(3)%2012_hokkaido.pdf, 2023年11月21日閲覧 国土交通省, https://www.mlit.go.jp/sogoseisaku/transport/content/001406502.pdf, 2023年11月21日閲覧 WILLER株式会社, https://wwwtb.mlit.go.jp/hokkaido/content/000184271.pdf, 2023年11月21日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  13. 17 交通:道路上に設置されたレーザーセンサーにより、 歩行者の飛び出しを検知し安全情報を提供 ◼ 大阪府池田市・伏尾台ニュータウンでのMaaS実証のなかで、エリア内のレーザーセンサーにより 飛び出しを検知し運転手への安全情報を提供する取組や、高齢者・児童がビーコンを所持し センサーで移動履歴を把握する取組が実施された。 バス停付近に設置されたセンサー 車内の受信機 実証スキーム(MaaS実証にセンサーを活用)

    実証展開エリア 実施エリア 大阪府池田市 (伏尾台ニュータウン) 実施時期 2020-2021年 設置した センサーと取 得データ ▪レーザーセンサー →路上における歩行者の飛び 出しを検知。 ▪ビーコン(高齢者等が所持) →サービス利用者が所持。 活用方法 ▪MaaSサービスにおける安全 性確保(飛び出し情報を車内 に提供し警告、バス停への到着 を運転手に通知)。 ▪ビーコンデータを活用し高齢 者・歩行者の安否確認サービス 実施。 出所)国土交通省, https://www.mlit.go.jp/scpf/projects/docs/smartcityproject_mlit(3)%2048_ikeda.pdf, 2023年11月21日閲覧 国土交通省, https://www.mlit.go.jp/sogoseisaku/transport/content/001410279.pdf, 2023年11月21日閲覧 公民連携最前線「第22回 大阪府池田市:住民同士の助け合いで高齢者の移動を支援するオールドニュータウン」 https://project.nikkeibp.co.jp/atclppp/PPP/052500076/040800032/?P=3, 2023年11月21日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  14. 18 交通:レンタサイクル等にGPSロガーを設置し、 自転車利用者の起終点・利用経路・利用時間を把握 ◼ 香川県高松市では、行政が運営するレンタサイクルのGPSロガーにより、外国人観光客の利 用経路や訪問先・行動範囲を取得。多言語対応施策の検討材料や、新たな観光資源の発 掘に活用している。 実施エリア 香川県高松市 実施時期

    2018年~2022年 設置した センサーと取 得データ ▪GPSロガー →GPSログデータをWi-Fiを使って 自動取得。 活用方法 ▪事前に利用者の承諾を得たうえ で収集した利用者の属性情報(国 籍、性別、年代、利用目的など)と マッチング。 ▪レンタサイクルを使用する外国人 観光客の訪問先を把握し、多言 語対応の検討材料に使用。 ▪レンタサイクルを使用する観光客 の訪問先を把握し、新たな観光資 源を発掘。 レンタサイクルのGPSロガー 出発地・目的地・ 移動経路・滞在時 間の可視化 ダッシュボード での可視化 出所:高松市 スマートシティ実現に向けた高松市の取組~データ利活用で未来のまちづくり~ ( https://www.city.takamatsu.kagawa.jp/kurashi/shinotorikumi/machidukuri/smartcity/indexfiles/jigyougaiyou20230922.pdf ), 2023年6月30日参照 NEC(https://jpn.nec.com/techrep/journal/g18/n01/180106.html), 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  15. 19 安全・安心:センサー・ドライブレコーダーのデータにより、 路面状況の挙動を把握 ◼ 千葉県柏市では、車両に取り付けた地中レーダ探査装置により路面の地盤特性を解析。合わせ て、ドライブレコーダーにより撮影された路面データをAIで解析することで、路面のひび割れを解析。 これらの結果の組み合わせにより、道路管理の維持管理の効率化方策を検証した。 ◼ 今後は下水道管理のデータも合わせることで、路面データの一元管理を展開を想定している。 実施エリア

    千葉県柏市 実施時期 2020年~2021年 設置した センサーと取 得データ ▪地中レーダ探索装置 →探知データより電磁波速 度を算出し、地盤特性を評 価。 ▪ドライブレコーダー →走行中の路面映像を取 得。AIでひび割れを自動抽 出。 活用方法 ▪実証実験では、道路の予 防保全に関する情報として、 補修優先度評価等に活用 可能性があると評価。 地中レーダ探索装置 ドライブレコーダーによる データ取得・解析のフロー 地中レーダ探索装置と ドライブレコーダーによる 路面状況解析結果 出所)国土交通省, https://www.mlit.go.jp/toshi/tosiko/content/001475505.pdf, 2023年11月21日閲覧 国土交通省, https://www.mlit.go.jp/toshi/tosiko/content/001475408.pdf, 2023年11月21日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  16. 20 安全・安心:温度・湿度・CO2等が検知できる環境センサー により、公園維持管理や環境啓発に活用 ◼ 京都・けいはんな記念公園では、温度・湿度等を把握する環境センサー、転倒等のトラブ ルや人流を検知する防犯カメラを活用した、公園の維持管理・環境啓発を推進。 ◼ また、環境データ、サイネージ利用データ等はオープンデータとして公表されている。 実施エリア 京都

    けいはんな地区 実施時期 2019年~ 設置した センサーと取 得データ ▪環境センサー →温度・湿度・気圧等の環 境データを取得。 ▪防犯カメラ →転倒・接触等のトラブル データや、公園利用者数・人 流データを取得。 活用方法 ▪公園の維持管理に活用。 ▪デジタルサイネージにて可 視化し、環境啓発に使用。 ※サイネージに人流解析カメ ラを設置し、サイネージ利用 者の属性データを取得。 けいはんな記念公園における 各種センサー設置状況 スマート街灯や環境データ等を統合 プラットフォームで一元管理 京都ビッグデータ活用プラットフォーム上に オープンデータとして掲載 出所)(一社)京都スマートシティ推進協議会, https://smart-kyoto.or.jp/smart_parks/, 2023年11月21日閲覧 精華町, https://www.town.seika.kyoto.jp/material/files/group/18/o310222-11-4.pdf, 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  17. 21 安全・安心:AIカメラ・センサーを活用し、 見守り・防犯に資する屋外情報の把握 ◼ 兵庫県加古川市では通学路や学校周辺を中心に見守りカメラを設置。市内には1,000 台以上のカメラが既に設置されている。これらに加え、2022年度より異常音検知、車両 接近検知、人流測定機能を搭載した「高度化見守りカメラ」を新たに設置している。 実施エリア 兵庫県加古川市 実施時期

    2018年~ (高度化カメラ:2022年~) 設置した センサーと取 得データ ▪見守りカメラ →画像データ・音声データ。 「高度化見守りカメラ」では、AIに より異常音検知・車両接近検 知・人流測定を行う。 活用方法 ▪見守りカメラでは、子どもの安 全確保に活用。ビーコンタグ検知 器を内蔵させ、子どもや高齢者 の見守りサービスに活用。 ▪高度化見守りカメラは、犯罪・ 交通事故の未然防止、人流 データ分析によるまちづくりに活用。 市内の見守りカメラ設置箇所 通常の見守りカメラ(左)と高度化見守りカメラ(右) 高度化見守りカメラにおけるデータ取得・活用の流れ 出所)加古川市役所, https://www.city.kakogawa.lg.jp/soshikikarasagasu/shiminbu/shimin seikatsuanshinka/ICT/mimamori.html, 2023年11月10日閲覧 KAKO,https://www.city.kakogawa.lg.jp/material/files/group/7/R01_ 09.pdf, 2023年11月10日閲覧 加古川市役所, https://www.city.kakogawa.lg.jp/material/files/group/7/point.pdf, 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  18. 22 防災:河川・農業用水・水路等にセンサー・カメラ等を設置し、 水位情報を検知 ◼ 静岡県藤枝市では、河川の氾濫や水害に備え、市内の河川に水位センサーを設置。河 川の水位データ可視化により、自治体職員の工数削減に繋げているほか、気象庁のデー タと組み合わせることで、AI水位予測システムを構築し、氾濫危険性の検知や、防災業 務への活用等に繋げている。 実施エリア 静岡県藤枝市

    実施時期 2020年~ 設置した センサーと取 得データ ▪水位計センサー →河川の水位を取得。 活用方法 ▪河川の水位データを可 視化することにより、職員 の現場出勤減少に寄与。 ▪水位データと気象庁の 気象予報データを組み合 わせ、AI水位予測システ ムを構築。状況の事前把 握により、避難情報発信 を効果的に実施。 水位計センサー 藤枝市 水位・ 雨量観測 システムで状 況を可視化 AIにより水位 予測を実施 出所)国土交通省, https://www.mlit.go.jp/toshi/tosiko/content/001475515.pdf, 2023年11月22日閲覧 イートラスト, https://www.mlit.go.jp/toshi/tosiko/content/001475515.pdf, 2023年11月22日閲覧 藤枝市, https://fujieda.e-monitor.jp/fujieda/, 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  19. 23 防災:振動センサーを設置し、 増水・地鳴り等の災害の予兆を検知 実施エリア 静岡県浜松市 実施時期 2021年~2022年 設置した センサーと 取得データ

    ▪MMS・ドローンレーザ →3D点群データを取得 ▪IoT振動センサー、 GPS計測器 →斜面の変化を検知。 活用方法 ▪3D点群データにより、 山林等危険箇所を抽出。 ▪振動センサー設置によ り斜面の変化を検知し、 災害の予兆発見に繋がる ドローン写真計測による3D点群データの取得 振動センサー(左)・GPS計測器(右) 危険箇所の可視化 振動センサー設置の様子 センサー検知とGIS 可視化の流れ 出所)浜松市, https://www.mlit.go.jp/scpf/archives/docs/event_seminar_221021_hamamatsu.pdf, 2023年11月21日閲覧 浜松市, https://www.ori-project.hdsc.city/%E3%83%88%E3%83%83%E3%83%97%E3%83%9A%E3%83%BC%E3%82%B8, 2023年11月21日閲覧 浜松市公式note, https://hamamatsu-city.note.jp/n/n1ef9662b55fd, 2023年11月22日閲覧 ◼ 静岡県浜松市では、MMS(モービルマッピングシステム)やドローンレーザによって3D点群データを 取得し、危険箇所を抽出。 ◼ 抽出した箇所に振動センサー・GPS計測機を設置し、地鳴りの原因である振動など斜面の微細 な変化を検知、大雨等に伴う土砂災害の災害の予兆として、クラウドGIS上にて可視化する取 組を実施。 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  20. 24 防災:避難所のセンサーや電力使用量(スマートメーター)等から 避難所の開設状況・停電状況を判断 ◼ 香川県高松市では、水位・潮位センサーを設置しリアルタイム情報を取得し、地図で表示。土砂 災害危険区域等の地図情報等と組み合わせ、減災対策を実行。 ◼ 合わせて、避難所30箇所に、センサーやスマートメーターを設置し、電力使用量から避難所の開 設状況をリアルタイムに把握。これらを防災ダッシュボードで一元的に管理し、広域かつ迅速に情 報を共有する仕組を構築。

    実施エリア 香川県高松市 実施時期 2017年~ 設置した センサーと 取得データ ▪水位・潮位センサー →河川・水路の水位デー タを取得。 ▪スマートメーター →通電情報を取得。 活用方法 ▪河川の氾濫や高潮等 に対する減災に向けた対 応を実施。 ▪避難所の通電情報か ら避難所開設に関連する 状況判断に活用。 制御ボックス・水位センサーを河川に設置 防災ダッシュボードによる一元化 出所:高松市(https://www.city.takamatsu.kagawa.jp/kurashi/shinotorikumi/machidukuri/smartcity/index.files/jigyougaiyou20230922.pdf), 2023年11月22日閲覧 内閣府, https://www.cas.go.jp/jp/seisaku/digitaldenen/menubook/2022_summer/0124.html, 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  21. 25 防災:避難所のセンサーや電力使用量(スマートメーター)等から 避難所の開設状況・停電状況を判断 ◼ 熊本県御船町では、避難所の入口にセンサーとしてカメラを設置し、通過人数をカウント。 LPWA通信(Low Power Wide Area通信)を活用し、災害対策本部に自動的に 通知。これにより、避難所の開設状況や避難者数、必要物資数をリアルタイムに確認で

    きるシステムを構築。 実施エリア 熊本県御船町 実施時期 2016年以降 設置した センサーと取 得データ ▪避難所カメラ →入口にセンサーとして 設置し、通過人数を取 得。 活用方法 ▪避難所での開設状 況・避難者数・必要物資 数をリアルタイムに確認す る。 避難所カメラによる人数カウントのシステム 避難所に設置されるカメラ 出所:APPLIC( https://www.applic.or.jp/pdf/future_23/02/11.pdf), 2023年11月22日閲覧 総務省( https://www.soumu.go.jp/main_sosiki/joho_tsusin/top/local_support/ict/jirei/2020_005.html), 2023年11月22日閲覧 パナソニックコネクト(https://connect.panasonic.com/jp-ja/case-studies/mifune), 2023年11月22日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 センサー
  22. 26 交通・環境(リアルタイムデータ):基地局データで手段別交通動態を把握、 CO2排出量の推計・削減ポテンシャルを把握 ◼ ソフトバンク・川崎市・東海大学は、携帯基地局データや、既存の各種統計調査・川崎 市バスODデータを活用し、交通手段別・車種別の移動量推計を実施。合わせて、公共 交通への転換が可能な移動を抽出し、CO2排出量の削減ポテンシャルを推計。 実施エリア 神奈川県川崎市 実施時期

    2021年 活用した リアルタイム データ 基地局ビッグデータ 活用方法 ・交通手段別・車種別の 移動量を推計。 ・CO2排出量の削減ポテ ンシャルを推計。 出所:国土交通省( https://www.mlit.go.jp/sogoseisaku/soukou/content/001616293.pdf), 2023年12月20日閲覧 2.2 センサー・リアルタイムデータの都市における活用事例 自動車利用の状況を可視化 交通量を踏まえ、エリア別の二酸化炭素排出量・削減量を推計 購入リアル タイムデータ
  23. 27 交通(リアルタイムデータ):マイカー通勤の状況をGPSデータで可視化、 連動するアプリでアンケートを実施し、公共交通利用促進策に活用 ◼ 滋賀県日野町では、マイカー通勤による渋滞の解決を図るべく、スマートフォンGPS(Agoop社) の位置情報データを活用して、マイカー通勤者の移動ルート・移動量を道路単位で把握。 ◼ また、Agoop社のアプリのアンケート機能と位置情報測位機能を活用し、マイカー通勤者の意識 調査・通勤シャトル実験バスの利用判定・インセンティブ付与等に関する情報を取得。 ◼

    マイカー通勤を振り替えるための公共交通のルート・ダイヤ策定に活用。 実施エリア 滋賀県日野町 実施時期 2021年 活用した リアルタイム データ 位置情報データ (スマートフォンGPS) 活用方法 ・マイカー通勤者の移動 ルート・移動量を把握。 ・通勤シャトル実験バスの 利用を判定。 ※合わせてアンケート実施 出所:国土交通省( https://www.mlit.go.jp/sogoseisaku/soukou/content/001489838.pdf ), 2023年12月20日閲覧 工場集積エリアへの マイカー通勤の状況を可視化 連動するアプリで 経済的インセンティブに関するアンケート実施 実証実験バス利用有無が位置情報で判定可能 2.2 センサー・リアルタイムデータの都市における活用事例 購入リアル タイムデータ
  24. 28 交通(リアルタイムデータ) :基地局データで滞在人数を取得、 ETC2.0データで交通渋滞状況を把握し、回遊促進策を検討 ◼ 岡崎スマートコミュニティ推進協議会(愛知県岡崎市)では、イベント時における中心市街 地の滞在人数を基地局データで、自動車の速度状況をETC2.0プローブデータでそれぞ れ取得し、交通渋滞対策・回遊促進策の検討に活用した。 実施エリア 愛知県岡崎市

    実施時期 2021年 活用した リアルタイム データ 携帯電話基地局データ ETC2.0プローブデータ 活用方法 ・中心市街地の滞在状況 を取得 ・自動車の速度状況から 渋滞状況を取得 出所:国土交通省( https://www.mlit.go.jp/sogoseisaku/soukou/content/001489839.pdf), 2023年12月20日閲覧 ETC2.0データによる速度状況の計測 基地局データによる中心市街地の滞在状況 2.2 センサー・リアルタイムデータの都市における活用事例 購入リアル タイムデータ
  25. 29 (参考)防災(リアルタイムデータ) :ETC2.0で被災箇所の代替ルート検討 基地局データで帰宅困難者数推計等の実施 ◼ ETC2.0の活用により、被災箇所の代替ルートなど、災害に強い交通網の検討に寄与できる。 ◼ 携帯電話の位置情報データによる人口統計で、帰宅困難者や緊急物資の予測が可能となり、 地域防災計画の策定支援に寄与できる。 出所:国土交通省(

    https://www.mlit.go.jp/road/ir/ir-council/keizai_senryaku/pdf11/01.pdf), 2023年12月20日閲覧 国土交通省(https://www.mlit.go.jp/sogoseisaku/soukou/content/001612990.pdf), 2023年12月20日閲覧 NTTドコモ(https://www.docomo.ne.jp/binary/pdf/info/notice/page/130906_00.pdf), 2023年12月20日閲覧 通れるマップ ETC2.0による迂回ルートの検討 モバイル空間統計を活用した 埼玉県各市での帰宅困難者数推計(2013年資料) 2.2 センサー・リアルタイムデータの都市における活用事例 購入リアル タイムデータ
  26. 庁内のリアルタイムデータ活用状況及び活用意向を確認 各種センサー・リアルタイムデータを活用した現在の実施業務や、 将来のリアルタイムデータ活用ニーズ等を、庁内アンケート・ヒアリングにて聴取 ◼ 現在の活用業務について7局より、将来の活用ニーズについて5局より回答あり アンケート結果を踏まえ把握した内容 31 センサー・リアルタイムデータを活用している業務 【防災】 •

    波高計等の情報をGISのシステムにリンク • 登山道の利用者をアプリ利用者の属性と合わせて把握 【まちづくり】 • 繁華街に滞留した人々の総量を推定 • スマートメータの設置・データ活用 • 配水管の水圧を測定し、重要施設の給水確保に備える 【モビリティ】 • 公共交通に関する運行情報・乗降客数のオープンデータ化 【環境・エネルギー】 • 下水道管内の水位データをリアルタイムで観測 等 ◼ 庁内各局・各分野で一定の活用がなされている旨や、 取得されているデータ種別を把握 他方、各局事業で設置するセンサーは取得目的・分野・ カバー範囲が限定されている場合が多く、広域・汎用的 なデータの庁内共有・活用については今後の課題 ◼ 今後の活用展望については、人等の移動データを取得す るセンサー、施設管理高度化の為の扉開閉センサー等に ついて要望あり ◼ ヒアリングでは活用意向の他、広域でのセンサーの維持・ 活用における費用対効果面の課題も確認。 広域のデータ取得については、民間等で取得・市販され ているリアルタイムデータ等の活用とも比較が必要 3.東京都各局のリアルタイムデータ活用ニーズ
  27. 34 4.1. 交通量調査機械化可能性の検証の目的 目的 ◼ センサー利用について各局の要望を踏まえた検証を試行する。今回は、交通量調査の機 械化可能性についてAIカメラ活用、プローブデータ活用の2つの観点から確認する。 ◼ 現実空間で取得したリアルタイムな交通状況(交通量等)について、今後の庁内における横 断的利用の可能性を検討する。

    実証の概要 ◼ 建設局と連携し、AIカメラで車や歩行者等の交通量を取得、調査員による人手観測と比 較し精度を検証、将来的な代替可能性について検討する。 ◼ 交通量や道路規格の異なる調査箇所を設定し、スマホプローブデータを用いて交通量や 交通状況を取得、人手観測と比較し精度を検証するとともに、スマホプローブデータによる 捕捉率や正解値への推計方法を比較検討する。 ◼ リアルタイムデータ化可能なデータについては、リアルタイム化実現後の活用可能性を考察 する。
  28. 35 ①AIカメラ設置箇所の選定 ◼ 道路交通センサス調査実施箇所から5箇所 ① これまでの道路交通センサス調査実績箇所において調査を実施する。(都内454箇所) ② 自動車交通量が調査箇所全体の平均以上であり、歩行者・自転車の計測実績がある地点を選定する。 (自動車・歩行者・自転車の計測を実施している道路交通センサスの結果と比較できること、 一定の交通量があり結果の比較・考察がしやすい道路であることを考慮する。)

    ③ より多くの車両等を撮影・捕捉するために、歩道橋がある地点を選定する。 ④ ①~③を満たすものから、車線数・実施エリアのバリエーションがある形で5箇所を選定する。 ◼ 一般交通量調査実施箇所から1箇所 • 道路交通センサスで対象となる主要幹線道路・幹線道路レベルの路線とは別に、補助幹線レベルの路線を 1箇所選定し、一般の交通量調査(交通計画策定や説明資料の素材としての交通量把握、工事による 交通量の前後比較など)での適用可能性についても検証する。 • 合わせて、道路交通センサスで対象とする他5箇所についてはAIカメラは歩道橋に設置するが、歩道橋に設 置しない観測を1箇所実施することで、捕捉精度・実現性についても検証する。 4.2. 検証実施方法
  29. 36 ①AIカメラ設置箇所の選定 道路交通センサス調査実施箇所 4.2. 検証実施方法 No 路 線 名 称

    地 点 名 称 車線 所管する建設事務所 判断(再委託先も含め確認済) 1 一般国道14号 江戸川区東小岩3 片道1 第五建設事務所 〇 2 一般国道122号 北区神谷3丁目16-4 片道3 第四建設事務所 ×:片側が交差点のため車両の動きが複雑 3 主要地方道東京所沢線(都道4号) 杉並区阿佐谷南3-12 片道2 第四建設事務所 〇 4 主要地方道東京所沢線(都道4号) 杉並区善福寺4-1-3 片道2 第四建設事務所 〇 5 主要地方道東京所沢線(都道4号) 西東京市東伏見4-10-3 片道3 北多摩南部建設事務所 〇 6 主要地方道千代田練馬田無線(都道8号) 千代田区飯田橋1-10-2 片道3 第一建設事務所 △:周囲に高層建築多い 7 主要地方道千代田練馬田無線(都道8号) 新宿区水道町3-2 片道2 第三建設事務所 △:片側に首都高の高架橋がありGPS精度低下 8 主要地方道新宿両国線(都道302号) 千代田区東神田2-10-13 片道3 第一建設事務所 〇 9 主要地方道環状8号線(都道311号) 大田区蒲田5-49 片道2 第二建設事務所 〇 10 主要地方道御徒町小岩線(都道315号) 江戸川区平井6 片道2 第五建設事務所 〇 11 主要地方道日本橋芝浦大森線(都道316号) 中央区銀座8-14-14 片道4/2 第一建設事務所 ×:片側が交差点のため車両の動きが複雑 12 主要地方道環状7号線(都道318号) 世田谷区若林5-32 片道2 第二建設事務所 〇 13 主要地方道環状7号線(都道318号) 杉並区和田3-17 片道3 第四建設事務所 〇 14 主要地方道環状7号線(都道318号) 中野区丸山2-7-13 片道3 第三建設事務所 〇 15 主要地方道環状7号線(都道318号) 板橋区清水町4 片道2 第四建設事務所 〇 16 主要地方道環状7号線(都道318号) 葛飾区奥戸6-1-4 片道2 第五建設事務所 〇 17 主要地方道環状3号線(都道319号) 新宿区霞ヶ丘町14 片道3 第三建設事務所 〇 18 特例都道古川橋二子玉川線(都道416号) 港区南麻布4-13-1 片道3 第一建設事務所 ×:片側が交差点のため車両の動きが複雑 19 特例都道新富晴海線(都道473号) 中央区明石町1 片道3 第一建設事務所 〇 ◼ 19箇所(都道及び国道の都管理箇所)を候補とし、沿道環境を踏まえ絞りこみを実施。 懸念箇所(交差点形状が異形である等)がある地点は避け、路線を分けて、5箇所を選定した。 :調査実施箇所
  30. 37 ①AIカメラ設置箇所の選定 一般交通量調査実施箇所 候補① 4.2. 検証実施方法 分類 目的 場所 取得内容

    交通量の 現況把握 交通管理者協議に向け、交通量 調査を実施し、現況把握及び将 来交通量を推計するため基礎資 料を作成 東京都文京区本駒込二丁目地内から同区 本駒込六丁目地内まで 自動車交通量(車種別4区分:乗用車・小型貨 物車・バス・普通貨物車) 二輪車交通量 歩行者・自転車交通量 渋滞長 信号現示 東京都西多摩郡日の出町大久野 地内から青梅市東青梅四丁目地 内までにおける交通量調査及び走 行時間等の調査を実施することに より、現況交通実態を把握すること を目的 東京都西多摩郡日の出町大久野地内から 青梅市東青梅四丁目地内まで 一般都道 大久野青梅線(第238号) 外10路線 自動車交通量(車種別4区分:乗用車・小型貨 物車・バス・普通貨物車) 二輪車交通量 歩行者・自転車交通量 旅行速度 :調査実施箇所 ※東京都入札情報サービス 発注予定表から作成 ◼ 令和5年度11月以降に都が発注した一般交通量調査実施箇所を整理し、このうち1箇所「東京都練馬区谷原一丁目地内 から西東京市北町六丁目地内まで」を候補とした。
  31. 38 ①AIカメラ設置箇所の選定 一般交通量調査実施箇所 候補② 4.2. 検証実施方法 分類 目的 場所 取得内容

    交通量の 現況把握 都内における道路交通情勢の 把握及び各種交通対策検討 時の基礎資料 全182箇所 自動車交通量(車種別4区分:乗用車・小型 貨物車・バス・普通貨物車) 二輪車交通量 自転車交通量 臨海副都心(台場地区)に おける交通計画検討のため 東京都港区台場一丁目地内から同区台場二丁 目地内まで 自動車交通量(車種別5区分:乗用車・小型 貨物車・タクシー・バス・普通貨物車) 二輪車交通量 :調査実施箇所 ※東京都入札情報サービス 発注予定表から作成
  32. 39 ①AIカメラ設置箇所の選定 一般交通量調査実施箇所 候補③ 4.2. 検証実施方法 分類 目的 場所 取得内容

    交通量の 現況把握 放射第7号線の整備による周辺 道路の交通量の変化を把握するた め、開放前における交通量調査を 行う 東京都練馬区谷原一丁目地内から西東京市北町六丁 目地内まで 自動車交通量(車種別4区分:乗用車・小型貨物車・ バス・普通貨物車) 二輪車交通量 歩行者・自転車交通量 渋滞長 旅行速度 信号現示 立川3・2・4、福生3・4・4及 び福生3・4・10の道路整備事業 を行うにあたり、 自動車交通量調査及び歩行者・ 自転車交通量調査等を行い、その 結果を取りまとめる 東京都 武蔵村山市地内外1市 立川3・2・4新青 梅街道線外6路線 自動車交通量(車種別4区分:乗用車・小型貨物車・ バス・普通貨物車) 二輪車交通量 歩行者・自転車交通量 信号現示 放射第35号線及の道路整備に伴 う交通量調査を行い、周辺道路の 交通量の変化を把握することを目 的 東京都 練馬区地内及び板橋区地内並びに埼玉県和 光市地内 自動車交通量(車種別4区分:乗用車・小型貨物車・ バス・普通貨物車) 二輪車交通量 歩行者・自転車交通量 旅行速度 :調査実施箇所 ※東京都入札情報サービス 発注予定表から作成
  33. 40 ①AIカメラ設置箇所の選定 ◼ 道路交通センサス実施箇所から5箇所、一般交通量実施箇所から1箇所選定し、以下の6 箇所で検証を実施した。 4.2. 検証実施方法 No 路線名称 地点名称

    車線 管理者 1 一般国道14号 江戸川区東小岩3 片側1 第五建設事務所 2 主要地方道東京所沢線(都道4号) 杉並区阿佐谷南3-12 片側2 第三建設事務所 3 主要地方道新宿両国線(都道302号) 千代田区東神田2-10-13 片側3 第一建設事務所 4 主要地方道環状8号線(都道311号) 大田区蒲田5-49 片側2 第二建設事務所 5 主要地方道御徒町小岩線(都道315号) 江戸川区平井6 片側2 第五建設事務所 道路交通センサス実施箇所 No 路線名称 地点名称 車線 管理者 6 東京都練馬区谷原一丁目地内から西東京 市北町六丁目地内まで 練馬区大泉町6-29-20 片側2 第四建設事務所 一般交通量実施箇所
  34. 47 ②道路管理者・交通管理者との調整・許可申請 道路使用許可申請 ◼ 検証実施にあたり、所管警察署に対し、道路使用許可申請を実施した。 4.2. 検証実施方法 No 路線名称 地点名称

    道路使用許可申請先 1 一般国道14号 江戸川区東小岩3 小岩警察署 Tel:03-3671-0110 2 主要地方道東京所沢線 (都道4号) 杉並区阿佐谷南3-12 杉並警察署 Tel:03-3314-0110 3 主要地方道新宿両国線 (都道302号) 千代田区東神田2-10-13 万世橋警察署 Tel:03-3257-0110 4 主要地方道環状8号線 (都道311号) 大田区蒲田5-49 蒲田警察署 Tel:03-3731-0110 5 主要地方道御徒町小岩線 (都道315号) 江戸川区平井6 小松川警察署 Tel:03-3674-0110 6 東京都練馬区谷原一丁目地内から西 東京市北町六丁目地内まで 練馬区大泉町6 石神井警察署 Tel:03-3904-0110
  35. 48 ③実施日時 ◼ 道路交通センサスと同様、月曜日・金曜日を避けた平日として、12/12(火)・12/19(火)に 3箇所ずつ実施する予定とした。(荒天・天災等に備え、26日(火)を予備日とした) ◼ 実施時間は、いずれも10時-20時の10時間とした。 4.2. 検証実施方法 No

    路線名称 地点名称 管理者 計測実施日 (予備) 計測実施時間 カメラ設置の 方法 機器設置・撤去 1 一般国道14号 江戸川区東小岩3 第五建設事務所 12/12(火) (12/26(火)) 10時-20時 (10時間) 歩道橋 設置:12(火)7時 撤去:12(火)20時 2 主要地方道東京所沢線 (都道4号) 杉並区阿佐谷南3-12 第三建設事務所 12/19(火) (12/26(火)) 設置:19(火)9時 撤去:19(火)20時 3 主要地方道新宿両国線 (都道302号) 千代田区東神田2-10-13 第一建設事務所 12/19(火) (12/26(火)) 設置:19(火)7時 撤去:19(火)20時 4 主要地方道環状8号線 (都道311号) 大田区蒲田5-49 第二建設事務所 12/19(火) (12/26(火)) 設置:19(火)9時 撤去:19(火)23時 5 主要地方道御徒町小岩線 (都道315号) 江戸川区平井6 第五建設事務所 12/12(火) (12/26(火)) 設置:12(火)9時 撤去:12(火)20時 6 東京都練馬区谷原一丁目 地内から西東京市北町六丁 目地内まで 練馬区大泉町6-29-20 第四建設事務所 12/12(火) (12/19・ 26(火)) 高所撮影 専用機材 設置:12(火)9時 撤去:12(火)23時
  36. ④安全管理・当日の実施状況 安全管理計画 4.2. 検証実施方法 49 ◼ 以下の安全管理計画のもと、当日の検証を実施した。 ①現場監視 • 歩道橋上や歩道における機器設置時には歩行者等への誘導を実施し、接触事故がないよう細心に

    注意を図る。 • 歩道橋上で機器を設置する際には、道路上への飛来落下を防止するために、機器設置前にワイ ヤーロックを緊結する。 • 機器設置及び計測期間中は、監督員が各計測箇所付近に待機し巡視する。また、また、ビュー ポール設置の⑥練馬区については、監督員のほか、機器監視員を常時2名配置する。 • 監督員は、機器の固定状況や歩行者への影響がないことを確認する。 なお、歩道橋での計測実施箇所については、歩道橋上に常駐することでの幅員圧迫を避けるため、 付近に待機の上、定期的(30分間隔等)な巡視実施により、機器の固定状況や歩行者への影響 が無いか確認する。また、ビューポール設置の⑥練馬区については、機器監視員が機器近くに常駐し、 安全性を確認する。 • 計測終了後は計測場所を整理整頓し、計測前の状況に戻す。
  37. ④安全管理・当日の実施状況 安全管理計画 4.2. 検証実施方法 50 ◼ 以下の安全管理計画のもと、当日の検証を実施した。 ②発注者への 報告 •

    作業開始前、作業期間中、作業終了後にメールにて状況を報告する。 ③緊急時対応 • 人身事故発生時には緊急処置を速やかに行うと共に関係機関に連絡し事故の二次災害防止に努 める。 • 設備事故発生時には,関係機関に連絡し,所轄箇所の指揮下に入って事故復旧に努めると共に 二次災害防止に努める。 • 万が一トラブルが発生した際は、対応方法及び再発防止対策の立案について協議し、対応を図る ものとする。
  38. ④安全管理・当日の実施状況 主な想定される事象(リスク)とその対策 4.2. 検証実施方法 51 ◼ 以下のような事象を想定し、また十分な対策を施した上で検証を実施した。 主な想定される事象(リスク) 対策内容 カメラ設置作業中、または設置期間中に、歩行者

    等への接触事故が発生するのではないか。 歩道橋上や歩道における機器設置時には歩行者等への誘導を実施しており、接触事 故がないよう細心に注意を図る。 また、歩行者がいる欄干 / 歩道等へのはみ出しが無いように設置対応する。 カメラ設置作業中、または設置期間中に、風やい たずら等による落下事故が発生するのではないか。 カメラは設置開始時から設置終了時まで歩道橋や照明柱にワイヤーロックで固定された 状態であり、落下は発生しない。 カメラ設置期間中に、いたずらなどにより、カメラの 持ち去りが発生するのではないか。 カメラは設置開始時から設置終了時まで歩道橋や照明柱にワイヤーロックで固定された 状態であり、持ち去りは発生しない。 万一カメラに落下や異常等があった場合、「緊急 処置」「関係機関に連絡」は速やかに可能か。 計測箇所それぞれに監督員を機器設置ー計測機関において常時配置し、緊急処置に 対応できるようにする。
  39. ④安全管理・当日の実施状況 安全管理計画 4.2. 検証実施方法 52 ◼ 以下の安全管理計画のもと、当日の検証を実施した。 ①現場監視 • 歩道橋上や歩道における機器設置時には歩行者等への誘導を実施し、接触事故がないよう細心に

    注意を図る。 • 歩道橋上で機器を設置する際には、道路上への飛来落下を防止するために、機器設置前にワイ ヤーロックを緊結する。 • 機器設置及び計測期間中は、監督員が各計測箇所付近に待機し巡視する。また、また、ビュー ポール設置の⑥練馬区については、監督員のほか、機器監視員を常時2名配置する。 • 監督員は、機器の固定状況や歩行者への影響がないことを確認する。 なお、歩道橋での計測実施箇所については、歩道橋上に常駐することでの幅員圧迫を避けるため、 付近に待機の上、定期的(30分間隔等)な巡視実施により、機器の固定状況や歩行者への影響 が無いか確認する。また、ビューポール設置の⑥練馬区については、機器監視員が機器近くに常駐し、 安全性を確認する。 • 計測終了後は計測場所を整理整頓し、計測前の状況に戻す。
  40. ④安全管理・当日の実施状況 安全管理計画 4.2. 検証実施方法 53 ◼ 以下の安全管理計画のもと、当日の検証を実施した。 ②発注者への 報告 •

    作業開始前、作業期間中、作業終了後にメールにて状況を報告する。 ③緊急時対応 • 人身事故発生時には緊急処置を速やかに行うと共に関係機関に連絡し事故の二次災害防止に努 める。 • 設備事故発生時には,関係機関に連絡し,所轄箇所の指揮下に入って事故復旧に努めると共に 二次災害防止に努める。 • 万が一トラブルが発生した際は、対応方法及び再発防止対策の立案について協議し、対応を図る ものとする。
  41. ④安全管理・当日の実施状況 主な想定される事象(リスク)とその対策 4.2. 検証実施方法 54 ◼ 以下のような事象を想定し、また十分な対策を施した上で検証を実施した。 主な想定される事象(リスク) 対策内容 カメラ設置作業中、または設置期間中に、歩行者

    等への接触事故が発生するのではないか。 歩道橋上や歩道における機器設置時には歩行者等への誘導を実施しており、接触事 故がないよう細心に注意を図る。 また、歩行者がいる欄干 / 歩道等へのはみ出しが無いように設置対応する。 カメラ設置作業中、または設置期間中に、風やい たずら等による落下事故が発生するのではないか。 カメラは設置開始時から設置終了時まで歩道橋や照明柱にワイヤーロックで固定された 状態であり、落下は発生しない。 カメラ設置期間中に、いたずらなどにより、カメラの 持ち去りが発生するのではないか。 カメラは設置開始時から設置終了時まで歩道橋や照明柱にワイヤーロックで固定された 状態であり、持ち去りは発生しない。 万一カメラに落下や異常等があった場合、「緊急 処置」「関係機関に連絡」は速やかに可能か。 計測箇所それぞれに監督員を機器設置ー計測機関において常時配置し、緊急処置に 対応できるようにする。
  42. 55 交通量調査・結果概要① 4.3. 検証結果 No 地点名称 実施日 当日天 候 自動車(数字は時間帯別の捕捉率)

    歩行者・自転車(数字は時間帯別の捕捉率) 1 江戸川区 東小岩3 12/12 (火) 曇のち雨 • 小型車:92-101%の捕捉で安定 • 大型車:50-125%と捕捉に誤差あり • 自動二輪:31-178%と捕捉に誤差あり • 歩行者:殆どの時間帯で過大に捕捉 (120%以上が多く見られ、最大383%) • 自転車:殆どの時間帯で過小に捕捉 (80%未満多く見られ、最小13%) 2 杉並区 阿佐谷南 3-12 12/19 (火) 曇 • 小型車:89-98%の捕捉で安定 • 大型車:過大に捕捉(120%以上が多く見られ、最大203%) • 自動二輪:過大に捕捉(120%以上が多く見られ、最大178%) • 歩行者:殆どの時間帯で過大に捕捉 (120%以上が多く見られ、最大203%) • 自転車:殆どの時間帯で過小に捕捉 (80%未満多く見られ、最小31%) 3 千代田区 東神田 2-10-13 12/19 (火) 曇 • 小型車:88-100%の捕捉で安定 • 大型車:殆どの時間帯で過大に捕捉(120%以上が多く見られ、最大180%) • 自動二輪:殆どの時間帯で過大に捕捉(120%以上が多く見られ、最大176%) • 歩行者:91%-126%の捕捉 • 自転車:44-333%で捕捉誤差あり 4 大田区 蒲田5-49 12/19 (火) 曇 • 小型車:93-100%の捕捉で安定 • 大型車:過小捕捉する方向(最小63%)と過大捕捉する方向(最大130%)あり • 自動二輪:殆どの時間帯で過大に捕捉(120%以上が多く見られ、最大186%) • 歩行者:殆どの時間帯で過大に捕捉 (120%以上が多く見られ、最大359%) • 自転車:0-94%と過小に捕捉 5 江戸川区 平井6 12/12 (火) 曇のち雨 • 小型車:92-103%の捕捉で安定 • 大型車:75-143%と捕捉に誤差あり • 自動二輪:44-134%と捕捉に誤差あり • 歩行者:殆どの時間帯で過大に捕捉 (120%以上が多く見られ、最大660%) • 自転車:0-144%と捕捉誤差あり 6 練馬区 大泉町6 ※ビューポール 12/19 (火) 雲 • 小型車:97-105%の捕捉も、一部時間帯で110%以上捕捉(最大122%) • 大型車:過小捕捉する方向(最小40%)と過大捕捉する方向(最大126%)あり • 自動二輪:過大に捕捉(120%以上が多く見られ、最大233%) • 歩行者:殆どの時間帯で過大に捕捉 (120%以上が多く見られ、最大383%) • 自転車:殆どの時間帯で過小に捕捉 (80%未満多く見られ、最小0%) ◼ 小型車は概ね捕捉率が90%台で安定している傾向。大型車・自動二輪は捕捉誤差が大きい。 ◼ 歩行者は全体的に過大に捕捉している傾向、自動二輪・自転車は全体的に過小に捕捉している傾向がある。
  43. 56 交通量調査・結果概要② 4.3. 検証結果 ◼ 車種を問わない自動車の総量は誤差が±5%程度で安定していた。 ◼ 他方、ビューポール(No.6)の夜間計測のみ10%程度のずれが生じた時間帯があり、歩道橋のない場所での実施におけ る課題を確認。 実施方法

    1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 97.7% 98.0% 11 -12 95.7% 96.5% 12 -13 97.9% 94.9% 13 -14 98.1% 94.3% 14 -15 96.6% 95.3% 15 -16 99.1% 93.9% 16 -17 98.1% 92.0% 17 -18 99.0% 96.0% 18 -19 99.0% 92.5% 19 -20 99.7% 99.5% 98.2% 95.3% 捕捉率 方向 合計 実施方法 1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 95.9% 92.3% 11 -12 96.5% 93.3% 12 -13 96.2% 93.9% 13 -14 97.6% 95.4% 14 -15 97.0% 93.5% 15 -16 96.1% 93.4% 16 -17 95.4% 96.0% 17 -18 95.7% 96.7% 18 -19 96.2% 98.0% 19 -20 98.1% 97.7% 96.4% 95.1% 捕捉率 方向 合計 実施方法 1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 96.2% 95.6% 11 -12 97.3% 94.6% 12 -13 97.8% 96.0% 13 -14 99.2% 95.0% 14 -15 98.1% 95.3% 15 -16 97.1% 93.8% 16 -17 97.7% 96.2% 17 -18 100.8% 97.7% 18 -19 98.8% 97.4% 19 -20 100.0% 98.1% 98.3% 95.8% 捕捉率 方向 合計 実施方法 1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 95.7% 99.8% 11 -12 95.0% 99.4% 12 -13 94.7% 97.9% 13 -14 95.3% 98.6% 14 -15 95.8% 99.6% 15 -16 96.5% 99.4% 16 -17 94.1% 99.3% 17 -18 97.0% 98.5% 18 -19 96.3% 99.4% 19 -20 96.9% 99.1% 95.7% 99.1% 捕捉率 方向 合計 実施方法 1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 99.3% 97.1% 11 -12 100.1% 99.1% 12 -13 100.1% 100.3% 13 -14 100.1% 99.9% 14 -15 98.5% 99.6% 15 -16 99.5% 99.0% 16 -17 98.2% 99.3% 17 -18 99.1% 99.5% 18 -19 98.7% 98.4% 19 -20 99.3% 99.1% 99.3% 99.1% 捕捉率 方向 合計 実施方法 1 2 種別 自動車(大 型・小型合 算) 自動車(大 型・小型合 算) 10 -11 101.2% 100.6% 11 -12 101.6% 100.3% 12 -13 100.0% 100.7% 13 -14 98.8% 100.7% 14 -15 100.5% 101.2% 15 -16 99.6% 100.5% 16 -17 105.1% 101.0% 17 -18 110.6% 100.8% 18 -19 108.9% 99.8% 19 -20 108.3% 100.3% 103.2% 100.6% 捕捉率 方向 合計 No.1 江戸川区東小岩3 No.2 杉並区阿佐谷南3-12 No.3 千代田区東神田2-10-13 No.4 大田区蒲田5-49 No.5 江戸川区平井6 No.6 練馬区大泉町6-29-20
  44. 57 交通量調査・結果 No.1 江戸川区東小岩3 (自動車交通量) • カメラ+AI解析での計測について、小型車は92-101%の捕捉で安定している。 • 大型車・自動二輪は捕捉誤差がある。 4.3.

    検証結果 調査場所 江戸川区東小岩3 調査実施日 2023/12/12 10-20時 ※日没16:29 当日天候 曇りのち雨(19:30-) 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 229 34 10 267 32 13 228 29 6 258 35 9 99.6% 85.3% 60.0% 96.6% 109.4% 69.2% 11 -12 262 19 14 261 24 8 256 13 5 246 29 4 97.7% 68.4% 35.7% 94.3% 120.8% 50.0% 12 -13 215 22 12 262 12 13 214 18 7 245 15 4 99.5% 81.8% 58.3% 93.5% 125.0% 30.8% 13 -14 245 24 18 224 21 18 241 23 8 211 20 12 98.4% 95.8% 44.4% 94.2% 95.2% 66.7% 14 -15 303 19 18 227 31 15 299 12 16 219 27 15 98.7% 63.2% 88.9% 96.5% 87.1% 100.0% 15 -16 302 26 17 241 20 17 303 22 13 227 18 15 100.3% 84.6% 76.5% 94.2% 90.0% 88.2% 16 -17 349 23 23 249 15 13 352 13 18 229 14 17 100.9% 56.5% 78.3% 92.0% 93.3% 130.8% 17 -18 380 14 45 268 9 18 380 10 56 257 9 32 100.0% 71.4% 124.4% 95.9% 100.0% 177.8% 18 -19 391 11 41 222 6 25 389 9 45 204 7 26 99.5% 81.8% 109.8% 91.9% 116.7% 104.0% 19 -20 280 6 36 184 5 6 282 3 27 183 5 3 100.7% 50.0% 75.0% 99.5% 100.0% 50.0% 2,956 198 234 2,405 175 146 2,944 152 201 2,279 179 137 99.6% 76.8% 85.9% 94.8% 102.3% 93.8% 合計 捕捉率 1 2 方向 1 カメラ+AI解析 2 1 2 人手計測 ©GeoTechnologies Inc. 許諾番号:PL1702 ア イ 1 ウ 2 エ
  45. 58 交通量調査・結果 No.1 江戸川区東小岩3 (歩行者交通量) ◼ カメラ+AI解析での計測について、歩行者はほぼ全ての方向・時間帯で人手計 測よりも過大に捕捉している。(120%以上の時間帯が多く、最大383%) ◼ 自転車はほぼ全ての方向・時間帯で人手計測よりも過小に捕捉している。

    (80%未満の時間帯が多く、最小13%) 4.3. 検証結果 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 10 23 7 5 13 21 12 7 10 -11 14 21 6 4 13 19 12 5 10 -11 140.0% 91.3% 85.7% 80.0% 100.0% 90.5% 100.0% 71.4% 11 -12 5 21 3 6 8 20 5 14 11 -12 10 19 3 6 7 19 5 14 11 -12 200.0% 90.5% 100.0% 100.0% 87.5% 95.0% 100.0% 100.0% 12 -13 9 23 6 3 7 25 9 11 12 -13 9 22 6 3 10 21 10 8 12 -13 100.0% 95.7% 100.0% 100.0% 142.9% 84.0% 111.1% 72.7% 13 -14 14 26 14 8 12 39 8 8 13 -14 17 24 14 5 14 34 8 7 13 -14 121.4% 92.3% 100.0% 62.5% 116.7% 87.2% 100.0% 87.5% 14 -15 12 24 11 12 15 41 26 18 14 -15 16 22 14 9 18 32 28 9 14 -15 133.3% 91.7% 127.3% 75.0% 120.0% 78.0% 107.7% 50.0% 15 -16 13 42 19 16 19 46 39 10 15 -16 16 35 19 13 21 39 39 10 15 -16 123.1% 83.3% 100.0% 81.3% 110.5% 84.8% 100.0% 100.0% 16 -17 16 37 16 17 11 38 12 25 16 -17 28 27 20 15 19 18 19 17 16 -17 175.0% 73.0% 125.0% 88.2% 172.7% 47.4% 158.3% 68.0% 17 -18 19 51 8 10 10 41 22 24 17 -18 35 16 17 4 29 13 38 3 17 -18 184.2% 31.4% 212.5% 40.0% 290.0% 31.7% 172.7% 12.5% 18 -19 18 33 10 8 11 29 24 21 18 -19 27 10 12 7 20 8 35 6 18 -19 150.0% 30.3% 120.0% 87.5% 181.8% 27.6% 145.8% 28.6% 19 -20 6 19 9 5 12 10 17 19 19 -20 23 6 13 3 15 8 25 6 19 -20 383.3% 31.6% 144.4% 60.0% 125.0% 80.0% 147.1% 31.6% 122 299 103 90 118 310 174 157 195 202 124 69 166 211 219 85 159.8% 67.6% 120.4% 76.7% 140.7% 68.1% 125.9% 54.1% 合計 ア イ ウ エ 捕捉率 ウ エ 方向 合計 合計 ウ エ 人手計測 カメラ+AI解析 ア イ 方向 ア イ 方向 調査場所 江戸川区東小岩3 調査実施日 2023/12/12 10-20時 ※日没16:29 当日天候 曇りのち雨(19:30-) ©GeoTechnologies Inc. 許諾番号:PL1702 ア イ 1 ウ 2 エ
  46. 59 交通量調査・結果 No.2 杉並区阿佐谷南3-12(自動車交通量) • カメラ+AI解析での計測について、小型車は89-98%の捕捉で安定。 • 大型車・自動二輪は、過大に捕捉している。 調査場所 杉並区阿佐谷南3-

    12 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 808 110 68 650 77 43 767 113 88 581 90 62 94.9% 102.7% 129.4% 89.4% 116.9% 144.2% 11 -12 764 114 62 719 57 45 722 125 88 653 71 69 94.5% 109.6% 141.9% 90.8% 124.6% 153.3% 12 -13 742 79 69 662 54 57 693 97 92 588 84 82 93.4% 122.8% 133.3% 88.8% 155.6% 143.9% 13 -14 742 55 62 731 66 55 704 74 80 682 78 74 94.9% 134.5% 129.0% 93.3% 118.2% 134.5% 14 -15 729 70 55 758 43 51 689 86 73 686 63 74 94.5% 122.9% 132.7% 90.5% 146.5% 145.1% 15 -16 718 51 61 797 42 80 669 70 72 738 46 97 93.2% 137.3% 118.0% 92.6% 109.5% 121.3% 16 -17 808 33 58 872 30 80 735 67 94 818 48 142 91.0% 203.0% 162.1% 93.8% 160.0% 177.5% 17 -18 700 28 71 942 36 105 655 42 104 901 45 160 93.6% 150.0% 146.5% 95.6% 125.0% 152.4% 18 -19 681 21 82 914 23 114 650 25 97 890 28 171 95.4% 119.0% 118.3% 97.4% 121.7% 150.0% 19 -20 505 19 67 682 28 90 482 32 75 665 29 151 95.4% 168.4% 111.9% 97.5% 103.6% 167.8% 7,197 580 655 7,727 456 720 6,766 731 863 7,202 582 1,082 94.0% 126.0% 131.8% 93.2% 127.6% 150.3% 2 合計 人手計測 カメラ+AI解析 捕捉率 方向 1 2 1 2 1 4.3. 検証結果 イ 1 エ 2 ア ウ ©GeoTechnologies Inc. 許諾番号:PL1702
  47. 60 交通量調査・結果 No.2 杉並区阿佐谷南3-12 (歩行者交通量) ◼ カメラ+AI解析での計測について、歩行者はほぼ全ての方向・時間帯で人手計測 よりも過大に捕捉しており、特に夕~夜間で150~200%程度捕捉している時間 帯も見られる。 ◼

    自転車は全ての方向・時間帯で人手計測よりも過小に捕捉している。 調査場所 杉並区阿佐谷南3- 12 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 35 79 25 45 58 108 61 68 10 -11 42 65 28 40 68 93 60 53 10 -11 120.0% 82.3% 112.0% 88.9% 117.2% 86.1% 98.4% 77.9% 11 -12 37 83 23 50 49 110 50 56 11 -12 58 50 32 41 76 88 59 43 11 -12 156.8% 60.2% 139.1% 82.0% 155.1% 80.0% 118.0% 76.8% 12 -13 48 84 50 62 50 139 72 95 12 -13 62 66 55 55 74 109 88 72 12 -13 129.2% 78.6% 110.0% 88.7% 148.0% 78.4% 122.2% 75.8% 13 -14 49 85 32 54 64 114 64 95 13 -14 61 69 49 49 94 93 82 71 13 -14 124.5% 81.2% 153.1% 90.7% 146.9% 81.6% 128.1% 74.7% 14 -15 52 94 33 57 72 114 69 75 14 -15 62 75 35 48 96 93 77 50 14 -15 119.2% 79.8% 106.1% 84.2% 133.3% 81.6% 111.6% 66.7% 15 -16 37 77 62 53 74 114 54 80 15 -16 49 62 70 43 91 103 61 59 15 -16 132.4% 80.5% 112.9% 81.1% 123.0% 90.4% 113.0% 73.8% 16 -17 47 101 39 56 85 132 60 85 16 -17 59 69 45 26 131 66 80 51 16 -17 125.5% 68.3% 115.4% 46.4% 154.1% 50.0% 133.3% 60.0% 17 -18 36 94 46 86 82 139 58 86 17 -18 56 59 56 29 152 45 118 34 17 -18 155.6% 62.8% 121.7% 33.7% 185.4% 32.4% 203.4% 39.5% 18 -19 35 60 51 53 86 137 73 57 18 -19 44 39 52 21 162 48 114 25 18 -19 125.7% 65.0% 102.0% 39.6% 188.4% 35.0% 156.2% 43.9% 19 -20 34 45 27 28 75 108 69 67 19 -20 48 31 38 13 119 34 107 30 19 -20 141.2% 68.9% 140.7% 46.4% 158.7% 31.5% 155.1% 44.8% 410 802 388 544 695 1,215 630 764 541 585 460 365 1,063 772 846 488 132.0% 72.9% 118.6% 67.1% 152.9% 63.5% 134.3% 63.9% 合計 合計 合計 イ ウ エ 方向 人手計測 カメラ+AI解析 捕捉率 方向 ア イ ウ エ 方向 ア ウ エ ア イ 4.3. 検証結果 イ 1 エ 2 ア ウ ©GeoTechnologies Inc. 許諾番号:PL1702
  48. 61 交通量調査・結果 No.3 千代田区東神田2-10-13 (自動車交通量) ◼ カメラ+AI解析での計測について、小型車は概ね90%程度の捕捉率であった。 大型車・自動二輪については全体的に過大に捕捉されている傾向。 調査場所 千代田区東神田2-

    10-13 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 896 152 51 1,223 107 55 852 156 55 1,111 161 83 95.1% 102.6% 107.8% 90.8% 150.5% 150.9% 11 -12 1,097 136 40 1,073 81 57 1,060 140 55 946 146 72 96.6% 102.9% 137.5% 88.2% 180.2% 126.3% 12 -13 1,047 108 49 1,006 66 59 1,045 85 65 922 107 74 99.8% 78.7% 132.7% 91.7% 162.1% 125.4% 13 -14 1,043 103 52 1,085 64 75 1,006 131 64 987 105 94 96.5% 127.2% 123.1% 91.0% 164.1% 125.3% 14 -15 1,048 101 53 1,109 64 76 1,017 110 63 1,030 88 91 97.0% 108.9% 118.9% 92.9% 137.5% 119.7% 15 -16 1,105 86 55 1,242 57 60 1,058 98 63 1,132 86 73 95.7% 114.0% 114.5% 91.1% 150.9% 121.7% 16 -17 1,174 69 73 1,154 44 72 1,136 78 97 1,090 62 84 96.8% 113.0% 132.9% 94.5% 140.9% 116.7% 17 -18 1,235 45 89 1,145 46 91 1,238 52 127 1,121 43 112 100.2% 115.6% 142.7% 97.9% 93.5% 123.1% 18 -19 1,315 38 80 846 42 65 1,291 46 141 826 39 76 98.2% 121.1% 176.3% 97.6% 92.9% 116.9% 19 -20 1,070 36 82 637 41 62 1,070 36 127 628 37 59 100.0% 100.0% 154.9% 98.6% 90.2% 95.2% 11,030 874 624 10,520 612 672 10,773 932 857 9,793 874 818 97.7% 106.6% 137.3% 93.1% 142.8% 121.7% 2 合計 人手計測 カメラ+AI解析 捕捉率 方向 1 2 1 2 1 4.3. 検証結果 ア 1 イ ©GeoTechnologies Inc. 許諾番号:PL1702
  49. 62 交通量調査・結果 No.3 千代田区東神田2-10-13 (歩行者交通量) ◼ カメラ+AI解析での計測について、歩行者については、朝~昼にかけて方面 イ・方面エ(カメラから遠ざかる方向)で捕捉率が90%台であるが、それ以外 の時間帯については、概ね100~110%台(最大126%)となっている。 ◼

    自転車については、捕捉率誤差があり、過大・過小の幅も大きい。 調査場所 千代田区東神田2- 10-13 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 42 28 54 17 43 70 37 10 10 -11 52 33 49 17 47 64 44 5 10 -11 123.8% 117.9% 90.7% 100.0% 109.3% 91.4% 118.9% 50.0% 11 -12 57 30 73 14 33 38 48 20 11 -12 65 34 72 14 40 35 51 12 11 -12 114.0% 113.3% 98.6% 100.0% 121.2% 92.1% 106.3% 60.0% 12 -13 193 26 177 15 152 65 126 10 12 -13 217 27 173 20 145 57 125 8 12 -13 112.4% 103.8% 97.7% 133.3% 95.4% 87.7% 99.2% 80.0% 13 -14 90 32 107 16 62 53 48 19 13 -14 98 35 104 19 64 47 47 12 13 -14 108.9% 109.4% 97.2% 118.8% 103.2% 88.7% 97.9% 63.2% 14 -15 71 45 69 18 43 42 44 12 14 -15 73 45 72 14 47 35 41 12 14 -15 102.8% 100.0% 104.3% 77.8% 109.3% 83.3% 93.2% 100.0% 15 -16 71 43 50 14 42 34 46 21 15 -16 80 45 59 13 42 32 49 15 15 -16 112.7% 104.7% 118.0% 92.9% 100.0% 94.1% 106.5% 71.4% 16 -17 49 58 51 11 34 58 71 23 16 -17 59 49 55 9 36 51 76 22 16 -17 120.4% 84.5% 107.8% 81.8% 105.9% 87.9% 107.0% 95.7% 17 -18 130 49 78 10 27 46 65 32 17 -18 133 23 84 7 34 33 66 30 17 -18 102.3% 46.9% 107.7% 70.0% 125.9% 71.7% 101.5% 93.8% 18 -19 152 82 69 6 40 45 120 34 18 -19 169 36 67 3 40 36 119 34 18 -19 111.2% 43.9% 97.1% 50.0% 100.0% 80.0% 99.2% 100.0% 19 -20 111 75 43 15 31 34 90 23 19 -20 124 45 47 12 33 31 86 29 19 -20 111.7% 60.0% 109.3% 80.0% 106.5% 91.2% 95.6% 126.1% 966 468 771 136 507 485 695 204 1,070 372 782 128 528 421 704 179 110.8% 79.5% 101.4% 94.1% 104.1% 86.8% 101.3% 87.7% 合計 合計 合計 イ ウ エ 方向 人手計測 カメラ+AI解析 捕捉率 方向 ア イ ウ エ 方向 ア ウ エ ア イ 4.3. 検証結果 ア 1 イ ©GeoTechnologies Inc. 許諾番号:PL1702
  50. 63 交通量調査・結果 No.4 大田区蒲田5-49 (自動車交通量) ◼ カメラ+AI解析での計測について、小型車は概ね90%後半の捕捉率で安定して いる。大型車については下丸子方面(方面1・カメラに向かってくる方向)の午前~ 夕方は過小捕捉、それ以外の方面・時間帯については110~130%台で全体 的に過大捕捉である。自動二輪については、110~120%台で捕捉している。

    調査場所 大田区蒲田5-49 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 759 225 51 833 176 39 758 184 93 778 229 43 99.9% 81.8% 182.4% 93.4% 130.1% 110.3% 11 -12 761 186 41 830 171 63 762 138 58 798 197 62 100.1% 74.2% 141.5% 96.1% 115.2% 98.4% 12 -13 723 177 56 787 172 57 724 128 70 776 163 65 100.1% 72.3% 125.0% 98.6% 94.8% 114.0% 13 -14 781 147 41 817 200 60 782 102 64 794 209 74 100.1% 69.4% 156.1% 97.2% 104.5% 123.3% 14 -15 922 171 61 847 148 59 897 150 92 816 175 67 97.3% 87.7% 150.8% 96.3% 118.2% 113.6% 15 -16 974 142 69 810 125 50 969 108 103 774 155 59 99.5% 76.1% 149.3% 95.6% 124.0% 118.0% 16 -17 951 103 102 859 139 80 927 65 174 835 156 89 97.5% 63.1% 170.6% 97.2% 112.2% 111.3% 17 -18 1,028 56 136 807 107 94 982 69 253 780 120 102 95.5% 123.2% 186.0% 96.7% 112.1% 108.5% 18 -19 980 70 126 723 55 86 941 70 225 716 57 98 96.0% 100.0% 178.6% 99.0% 103.6% 114.0% 19 -20 792 56 104 576 88 85 761 61 171 566 92 95 96.1% 108.9% 164.4% 98.3% 104.5% 111.8% 8,671 1,333 787 7,889 1,381 673 8,503 1,075 1,303 7,633 1,553 754 98.1% 80.6% 165.6% 96.8% 112.5% 112.0% 2 合計 人手計測 カメラ+AI解析 捕捉率 方向 1 2 1 2 1 4.3. 検証結果 ©GeoTechnologies Inc. 許諾番号:PL1702 ア 1 2
  51. 64 交通量調査・結果 No.4 大田区蒲田5-49 (歩行者交通量) ◼ カメラ+AI解析での計測について、歩行者は全体的に過大取得であり、方面 ア・イでは200~300%程度過大に捕捉している時間帯も見られた。逆に自 転車については、全体的に過小捕捉で、50%未満の時間帯も多い。 調査場所

    大田区蒲田5-49 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 97 150 59 101 36 13 54 26 10 -11 205 115 124 60 45 10 65 12 10 -11 211.3% 76.7% 210.2% 59.4% 125.0% 76.9% 120.4% 46.2% 11 -12 98 113 62 117 66 20 69 25 11 -12 195 96 171 56 76 12 85 8 11 -12 199.0% 85.0% 275.8% 47.9% 115.2% 60.0% 123.2% 32.0% 12 -13 96 140 120 122 99 12 111 31 12 -13 240 84 243 41 110 5 141 9 12 -13 250.0% 60.0% 202.5% 33.6% 111.1% 41.7% 127.0% 29.0% 13 -14 84 121 68 134 47 36 55 30 13 -14 161 98 171 58 70 11 79 10 13 -14 191.7% 81.0% 251.5% 43.3% 148.9% 30.6% 143.6% 33.3% 14 -15 73 144 84 144 56 23 59 27 14 -15 133 136 161 92 73 9 70 15 14 -15 182.2% 94.4% 191.7% 63.9% 130.4% 39.1% 118.6% 55.6% 15 -16 74 157 72 153 57 15 60 33 15 -16 153 132 153 81 66 6 88 8 15 -16 206.8% 84.1% 212.5% 52.9% 115.8% 40.0% 146.7% 24.2% 16 -17 98 175 62 189 63 40 71 36 16 -17 220 84 184 80 86 10 107 11 16 -17 224.5% 48.0% 296.8% 42.3% 136.5% 25.0% 150.7% 30.6% 17 -18 166 278 81 243 73 38 89 22 17 -18 398 35 291 47 78 1 76 1 17 -18 239.8% 12.6% 359.3% 19.3% 106.8% 2.6% 85.4% 4.5% 18 -19 167 204 92 186 93 38 107 34 18 -19 312 27 279 39 91 4 101 4 18 -19 186.8% 13.2% 303.3% 21.0% 97.8% 10.5% 94.4% 11.8% 19 -20 134 133 76 156 78 31 74 15 19 -20 220 24 212 30 89 1 73 0 19 -20 164.2% 18.0% 278.9% 19.2% 114.1% 3.2% 98.6% 0.0% 1,087 1,615 776 1,545 668 266 749 279 2,237 831 1,989 584 784 69 885 78 205.8% 51.5% 256.3% 37.8% 117.4% 25.9% 118.2% 28.0% 合計 合計 合計 イ ウ エ 方向 人手計測 カメラ+AI解析 捕捉率 方向 ア イ ウ エ 方向 ア ウ エ ア イ 4.3. 検証結果 ©GeoTechnologies Inc. 許諾番号:PL1702 ア 1 2
  52. 65 交通量調査・結果 No.5 江戸川区平井6 (自動車交通量) ◼ カメラ+AI解析での計測について、小型車は概ね捕捉率が90%台後半と安定して いる。大型車は75-143%と捕捉率に誤差があり、自動二輪は朝~夕方にかけて 過大捕捉傾向、夕方~夜にかけて過小捕捉傾向である。 調査場所

    江戸川区平井6 調査実施日 2023/12/12 10-20時 ※日没16:29 当日天候 曇りのち雨(19:30-) 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 823 92 45 797 106 42 822 87 47 737 140 44 99.9% 94.6% 104.4% 92.5% 132.1% 104.8% 11 -12 919 80 61 861 105 44 910 90 70 809 148 56 99.0% 112.5% 114.8% 94.0% 141.0% 127.3% 12 -13 896 107 52 891 91 44 924 80 61 855 130 45 103.1% 74.8% 117.3% 96.0% 142.9% 102.3% 13 -14 1,011 90 57 935 118 51 1,001 101 62 896 156 56 99.0% 112.2% 108.8% 95.8% 132.2% 109.8% 14 -15 975 91 70 1,029 130 70 962 88 78 986 168 76 98.7% 96.7% 111.4% 95.8% 129.2% 108.6% 15 -16 990 68 68 1,132 130 70 979 74 70 1,083 166 82 98.9% 108.8% 102.9% 95.7% 127.7% 117.1% 16 -17 962 67 68 1,122 96 90 948 62 54 1,079 130 121 98.5% 92.5% 79.4% 96.2% 135.4% 134.4% 17 -18 953 54 98 1,266 60 120 937 61 65 1,243 76 117 98.3% 113.0% 66.3% 98.2% 126.7% 97.5% 18 -19 806 35 85 1,165 56 109 789 41 43 1,151 50 111 97.9% 117.1% 50.6% 98.8% 89.3% 101.8% 19 -20 645 25 71 939 36 100 631 34 31 931 35 88 97.8% 136.0% 43.7% 99.1% 97.2% 88.0% 8,980 709 675 10,137 928 740 8,903 718 581 9,770 1,199 796 99.1% 101.3% 86.1% 96.4% 129.2% 107.6% 2 合計 人手計測 カメラ+AI解析 捕捉率 方向 1 2 1 2 1 4.3. 検証結果 イ ア 1 2 ウ ©GeoTechnologies Inc. 許諾番号:PL1702
  53. 66 交通量調査・結果 No.5 江戸川区平井6 (歩行者交通量) 調査場所 江戸川区平井6 調査実施日 2023/12/12 10-20時

    ※日没16:29 当日天候 曇りのち雨(19:30-) ◼ カメラ+AI解析での計測について、歩行者は全体的に過大に取得している一方、自 転車は全体的に過小に取得している。(ただし、当該箇所については、全時間帯で 歩行者・自転車交通量が少ない点に留意) 4.3. 検証結果 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 3 18 4 4 6 13 6 7 10 -11 6 15 8 2 11 5 6 8 10 -11 200.0% 83.3% 200.0% 50.0% 183.3% 38.5% 100.0% 114.3% 11 -12 8 33 5 6 10 19 8 7 11 -12 22 21 9 6 16 9 9 4 11 -12 275.0% 63.6% 180.0% 100.0% 160.0% 47.4% 112.5% 57.1% 12 -13 7 39 4 8 6 17 12 7 12 -13 16 20 8 3 13 6 15 3 12 -13 228.6% 51.3% 200.0% 37.5% 216.7% 35.3% 125.0% 42.9% 13 -14 7 34 6 17 5 25 4 9 13 -14 18 18 16 7 15 12 7 7 13 -14 257.1% 52.9% 266.7% 41.2% 300.0% 48.0% 175.0% 77.8% 14 -15 8 42 5 18 6 39 5 9 14 -15 14 23 18 7 13 13 5 7 14 -15 175.0% 54.8% 360.0% 38.9% 216.7% 33.3% 100.0% 77.8% 15 -16 8 31 12 17 13 34 14 12 15 -16 21 21 21 11 21 15 16 11 15 -16 262.5% 67.7% 175.0% 64.7% 161.5% 44.1% 114.3% 91.7% 16 -17 15 39 13 16 15 38 5 11 16 -17 20 13 17 5 29 6 7 9 16 -17 133.3% 33.3% 130.8% 31.3% 193.3% 15.8% 140.0% 81.8% 17 -18 3 43 12 27 11 52 5 8 17 -18 13 0 11 2 33 2 10 0 17 -18 433.3% 0.0% 91.7% 7.4% 300.0% 3.8% 200.0% 0.0% 18 -19 12 47 22 20 23 42 10 8 18 -19 21 4 23 2 31 0 18 1 18 -19 175.0% 8.5% 104.5% 10.0% 134.8% 0.0% 180.0% 12.5% 19 -20 4 19 9 14 15 36 6 2 19 -20 6 0 4 0 21 0 7 0 19 -20 150.0% 0.0% 44.4% 0.0% 140.0% 0.0% 116.7% 0.0% 75 345 92 147 110 315 75 80 157 135 135 45 203 68 100 50 209.3% 39.1% 146.7% 30.6% 184.5% 21.6% 133.3% 62.5% 合計 合計 合計 イ ウ エ 方向 人手計測 カメラ+AI解析 捕捉率 方向 ア イ ウ エ 方向 ア ウ エ ア イ イ ア 1 2 ウ ©GeoTechnologies Inc. 許諾番号:PL1702
  54. 67 交通量調査・結果 No.6 練馬区大泉町6-29-20 (自動車交通量) ◼ カメラ+AI解析での計測について、小型車は方向1で捕捉率が概ね100%~ 110%台、方向2で捕捉率が概ね90%台と安定していた。 ◼ 大型車は方向1で過小捕捉、方向2で過大捕捉となっている。自動二輪について

    はいずれの方向も過大捕捉となっている。 調査場所 練馬区大泉町6-29-20 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 種別 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 小型 大型 自動 二輪 10 -11 491 93 22 436 85 19 515 76 38 427 97 27 104.9% 81.7% 172.7% 97.9% 114.1% 142.1% 11 -12 545 86 15 493 97 17 566 75 24 487 105 28 103.9% 87.2% 160.0% 98.8% 108.2% 164.7% 12 -13 497 85 19 507 81 20 503 79 27 491 101 23 101.2% 92.9% 142.1% 96.8% 124.7% 115.0% 13 -14 522 86 25 470 110 19 531 70 42 474 110 28 101.7% 81.4% 168.0% 100.9% 100.0% 147.4% 14 -15 504 82 15 509 89 17 516 73 29 511 94 30 102.4% 89.0% 193.3% 100.4% 105.6% 176.5% 15 -16 457 76 12 570 73 18 479 52 28 554 92 32 104.8% 68.4% 233.3% 97.2% 126.0% 177.8% 16 -17 495 78 18 605 70 18 553 49 36 594 88 30 111.7% 62.8% 200.0% 98.2% 125.7% 166.7% 17 -18 528 86 22 593 72 36 645 34 32 582 88 40 122.2% 39.5% 145.5% 98.1% 122.2% 111.1% 18 -19 452 44 13 617 49 32 514 26 21 617 48 38 113.7% 59.1% 161.5% 100.0% 98.0% 118.8% 19 -20 340 33 13 597 49 27 380 24 16 591 57 30 111.8% 72.7% 123.1% 99.0% 116.3% 111.1% 4,831 749 174 5,397 775 223 5,202 558 293 5,328 880 306 107.7% 74.5% 168.4% 98.7% 113.5% 137.2% 2 合計 人手計測 カメラ+AI解析 捕捉率 方向 1 2 1 2 1 4.3. 検証結果 ©GeoTechnologies Inc. 許諾番号:PL1702 イ ア エ ウ 1 2
  55. 68 交通量調査・結果 No.6 練馬区大泉町6-29-20 (歩行者交通量) ◼ カメラ+AI解析での計測について、歩行者は多くの時間帯で過大に捕捉している。 自転車については、殆どの時間帯で過小に捕捉している。 調査場所 練馬区大泉町6-

    29-20 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 種別 歩行者 自転車 歩行者 自転車 歩行者 自転車 歩行者 自転車 10 -11 11 49 12 26 22 36 15 35 10 -11 13 43 10 26 25 19 22 18 10 -11 118.2% 87.8% 83.3% 100.0% 113.6% 52.8% 146.7% 51.4% 11 -12 8 30 14 35 14 30 14 25 11 -12 11 23 13 30 24 14 30 17 11 -12 137.5% 76.7% 92.9% 85.7% 171.4% 46.7% 214.3% 68.0% 12 -13 8 31 13 37 8 35 11 25 12 -13 7 23 13 33 24 20 26 17 12 -13 87.5% 74.2% 100.0% 89.2% 300.0% 57.1% 236.4% 68.0% 13 -14 13 35 7 30 13 34 8 25 13 -14 14 21 9 27 27 14 22 11 13 -14 107.7% 60.0% 128.6% 90.0% 207.7% 41.2% 275.0% 44.0% 14 -15 23 41 12 26 20 33 12 22 14 -15 28 30 15 28 45 20 46 22 14 -15 121.7% 73.2% 125.0% 107.7% 225.0% 60.6% 383.3% 100.0% 15 -16 18 39 20 30 21 46 20 38 15 -16 16 25 15 26 64 32 50 36 15 -16 88.9% 64.1% 75.0% 86.7% 304.8% 69.6% 250.0% 94.7% 16 -17 15 39 16 29 16 52 13 29 16 -17 23 15 17 19 41 11 17 5 16 -17 153.3% 38.5% 106.3% 65.5% 256.3% 21.2% 130.8% 17.2% 17 -18 16 54 9 35 15 56 13 53 17 -18 26 14 16 13 31 1 19 0 17 -18 162.5% 25.9% 177.8% 37.1% 206.7% 1.8% 146.2% 0.0% 18 -19 16 44 4 40 20 46 14 33 18 -19 30 2 14 3 15 0 8 0 18 -19 187.5% 4.5% 350.0% 7.5% 75.0% 0.0% 57.1% 0.0% 19 -20 8 28 8 29 12 31 9 24 19 -20 16 2 20 4 14 0 12 0 19 -20 200.0% 7.1% 250.0% 13.8% 116.7% 0.0% 133.3% 0.0% 136 390 115 317 161 399 129 309 184 198 142 209 310 131 252 126 135.3% 50.8% 123.5% 65.9% 192.5% 32.8% 195.3% 40.8% 合計 合計 合計 イ ウ エ 方向 人手計測 カメラ+AI解析 捕捉率 方向 ア イ ウ エ 方向 ア ウ エ ア イ 4.3. 検証結果 ©GeoTechnologies Inc. 許諾番号:PL1702 イ ア エ ウ 1 2
  56. 69 交通量調査・結果 各映像でのケーススタディ 4.3. 検証結果 車種 捕捉率の低下要因 考察 小型車 •

    大型車の後続で走行している小型車が大型車に隠れてしまい、一台の大型車として検知される場合がある。 大型車 • 大型車の荷台が検知されず、小型車として検知されてしまう場合がある。 自動二輪 • 夜間で、車体が検知されない場合がある。 • 夜間にヘッドライトが明るすぎるため、車体が検知されない場合がある。 自転車 • 夜間で、車体が検知されない場合がある。 • 運転する人の服装が周囲と区別出来ない色を着ている際には(例:灰色の服と路面)、自転車が周囲と 区別できず検知されない場合がある。 自動二輪・自転車 • 大きさ・形状が歩行者と似てしまうため、歩行者と誤判定されている場合がある。 ◼ 各車種における捕捉率の低下要因を把握するため、特に揺らぎが大きく見られる日時・地点をケーススタディとし、 各映像及びAI解析の状況を確認し、要因を考察した。 ◼ AI解析では、物体をバウンディングボックスで囲み、その大きさや形状分布から車種を分類しているため、映像か らバウンティングボックスでの囲みの状況を目視で分析した。
  57. 72 交通量調査・結果 捕捉率低下要因③ 自動二輪 4.3. 検証結果 ◼ 自動二輪について、夜間の時間帯の映像を確認すると、辺りが暗い、一方で自動二輪のヘッドライトが明るすぎ る、といった背景から、台数として検知されなかった事例が見られた。 自動二輪:

    AIカメラでは非認識 自動二輪: AIカメラでは非認識 事例:千代田区東神田2-10-13 11-12時の映像 自動二輪: AIカメラでは非認識 自動二輪: AIカメラでは非認識 事例:江戸川区平井6 19-20時の映像
  58. 4.4. 考察 76 一定の精度でデータ取得が可能であったが、誤差が生じる要因もあり AIカメラによるデータ取得 データ取得結果及び分析 運用面での展望・課題 全般的 要素 自動車

    歩行者 自動二輪・ 自転車 ※国の定める標準機器仕様(案):https://www.mlit.go.jp/tec/it/denki/kikisiyou/touitusiyou_18gazoutorakanR0106.pdf ◼ 計測方向(車の正面 / 背面の計測)による捕 捉精度の低下はない ◼ 自動車交通量は誤差±5%程度で安定※ (国の定める標準機器仕様(案)の定める ±10%以内の観測精度を満たす) ◼ 小型・大型の車種判定において、様々な要因で 誤差が生じる ◼ 過大推計される傾向 ◼ 他と比較し環境(明暗)の影響を大きく受ける ◼ どのような環境下でも、全般的に捕捉精度に課 題(過少推計が多い) 活用の 展望 ◼ 車種に関わらず自動車交通量を取得する 場合は、原則本実証と同様の手法で実施 可能 ※国の定める標準機器仕様(案)を満たす 今後の 課題 運用時 の課題 ◼ 精度が不足したもののうち、特に歩行者、 自転車等を区別した交通量調査について は、現時点のAIカメラ技術では要求水準を 満たしておらず、異なる技術の検討が必要 ◼ 施設管理等、他用途で設置されたカメラ データの共用利用については課題が存在 (設置カメラの目的外使用に係る制限等)
  59. 78 5.1 プローブデータによる交通量取得の実施方法 実証の概要 ◼ 交通量や道路規格の異なる調査箇所を設定し、スマホプローブデータを用いて交通量や 交通状況を取得、人手観測と比較し精度を検証するとともに、スマホプローブデータによる 捕捉率や正解値への推計方法を比較検討する。 プローブデータ活用の実施概要 手法の概要

    ◼ スマホプローブデータ(点列データ)を用い、自動車、自転車、歩行者の交通量算出方 法を検討。 ◼ 得られた交通量データを複数手法で拡大推計を試行し、正解値と比較。 ◼ 観測条件ごとに適する推計手法等についての示唆を得る。また、特に推計精度が悪い箇 所・時間等課題について示唆を得る。 ◼ 結果を踏まえ、民間から購入したプローブデータにより代替可能な交通量調査を検証。
  60. 79 ①スマホプローブデータの選定 ◼ スマホプローブデータについては、ジオテクノロジーズ社、ブログウォッチャー社、NAVITIME社のもの等がある。 ◼ スマホプローブデータの活用にあたっては、精度面・エリア面を考慮した他、歩行者・自転車・乗り物乗車(自動 車等)を取得可能であり、東京都における道路交通センサスの要件により近いと言えるジオテクノロジーズ社の データの利用を検討することとした。 5.1 プローブデータによる交通量取得の実施方法

    社名 概要 ジオテクノロジーズ • スマホアプリ「トリマ」から収集した個人の位置情報を利用。 • スマホユーザーの1割程度がインストール済。 • 歩行者・自転車・乗り物乗車等の移動モードを取得可能。 ブログウォッチャー • 140種類のアプリを経由させ、位置情報を収集。 • 全国のスマホユーザーの1/3~1/4のデータが取得可能。 NAVITIME • (人流)ナビタイムが提供するスマホアプリ「ALKOO(あるこう) by NAVITIME」から収集した個人の位置情報を利用。地点を 起点とした動線分析が可能。東京23区に限る。 • (自動車)ナビタイムが提供するカーナビアプリから収集した自動車プローブデータを利用。断面交通量が把握可能。但し、車 種判定は普通車・貨物車の2区分。
  61. 81 ③スマホプローブデータによる交通量取得の実施方法 ◼ 一般的に、処理方法としては以下の2方法が考えられるがスマホGPSの位置精度等を考慮して①を選定する。 ①カメラ観測を行った断面通過交通量を整理する方法 ②道路リンクに点列データをマップマッチングし整理する方法 5.1 プローブデータによる交通量取得の実施方法 項目 断面通過交通量を整理する手法(採用)

    マップマッチングによる手法 処理概要 計測断面を中心とした半径X kmの半円(1-1)から半円 (1-2)への移動台数をカウントする 処理の特徴 1つの移動体(ID)が計測断面を通過した場合に限り、 移動件数としてカウントする処理方法 GPSの測位誤差に対し、DRMリンクにマッチングさせる距離的な閾 値を設定し、リンク上に紐づける処理方法 課題 観測断面の半径を大きくし過ぎると、別の道路の移動体を カウントしてしまう(※対策:半径を変化させ適切な半径 を設定) ・DRMリンクは車道のみ設定。自転車、歩行者を含むデータには不適 ・速度が遅い移動体は同一DRMリンクに複数回マッチング処理されてしまい、 正確な移動件数をカウントしづらい 計測地点1 1-1(半円) 1-2(半円) 進行方向 計測地点1 進行方向 DRMノード1 GPS点列 DRMリンクに紐づけ 処理が必要 DRMノード2 ※DRMリンク:道路上の2つのノードを結ぶ線
  62. 82 ③スマホプローブデータによる交通量取得の実施方法 分析フロー①~③ 5.1 プローブデータによる交通量取得の実施方法 ①全データ • 東京都23区、1ヶ月(2023年12月)のデータ ②調査日時によるデータの絞り込み (→4,100万件)

    • 調査日時に対し、前後+1時間を保持する(2日間、9:00-21:00) ③調査地点によるデータの絞り込み (→390万件) • 調査対象断面の座標(緯度・軽度)を中心とし、半径2kmの円の範囲内の データを保持する • ※ジオテクノロジーズ社のトリマデータの平均的な測位間隔は、1~2分程度で あり、移動速度を時速60km/hと仮定したとき、1~2分で移動可能な距離 は2kmほどであるため ◼ 分析フローを8つのステップに分けて示す。
  63. 83 ③スマホプローブデータによる交通量取得の実施方法 分析フロー④~⑥ 5.1 プローブデータによる交通量取得の実施方法 ④円を観測断面で半分に切った ときに、両側に点が落ちているか を判定する • 円の片側にしか点が落ちていないIDは、対象断面を通過する移動をしていないと考

    えられるため、除外する • 円を半分に分割する断面線は、最長の4km(円の直径)で設定する • 線の角度は、対象道路に極力直交する角度とする • 2つの半円に、それぞれ名前を定義づける。(例:地点1の場合、1-1と1-2) ⑤両側に点が落ちたIDについて、 点を時系列に直線で結ぶ • IDごとに点を時系列に直線で結ぶ。 • この線について、点と点の時間的間隔が15分以上離れた場合、線を分割する。 • ※往復の移動を考慮するため。15分の閾値は「ある地点への滞在」の処理におい て一般的に用いられる値 • 分割したそれぞれの線を1つのOD(起終点)として、ODIDを付与する。 ⑥各ODが断面線と交わるかを判 定する • 分割されたODの線について、隣り合う2点の線に分割する • 例)1つのODが4点で構成される場合、3本の線に分割する • その線が断面線と交わるかを判定する。 • 1-1⇔1-2間を移動したことは間違いないが、この時点で対象道路を通過したかど うかは判断できない。
  64. 84 ③スマホプローブデータによる交通量取得の実施方法 分析フロー ④~⑥の作業イメージ 5.1 プローブデータによる交通量取得の実施方法 半径2km 1-1 1-2 ※片側で完結するODは除外する

    →地点計はa, b, r1, r2の合計で 約14,000件となる 1-1→1-2に移動 1-2→1-1に移動 1-1から断面を経由して1-1に戻る 1-2から断面を経由して1-2に戻る
  65. 86 ③スマホプローブデータによる交通量取得の実施方法 分析フロー ⑦~⑧ 5.1 プローブデータによる交通量取得の実施方法 ⑦円を分割する断面線とは別に、 観測断面を設定する • 観測断面の定義について、長(200m)、中(100m)、短(20m)の3パ

    ターンとし、数値の波形等を定性的に考察し最終的に100mを採用。 • 短いほど、本来は通過しているODを取りこぼすリスクがあり、長いほど、本来は通過 していないODを含めてしまうリスクがある。 ⑧移動手段による分類 • 以下のactivitytypeを、歩行者、自転車、自動車、不明の4つに分類する 歩行者:on foot/walking|running 自転車:on bicycle 自動車:in vehicle 不明 :still|unknown • 観測断面線に交わる2点が異なるactivitytype の場合、時間的に後の点を手 段として採用する ※過去の移動を元にactivitytypeを判定すると思われるため
  66. 87 5.2 スマホプローブデータによる交通量取得の結果 調査場所 江戸川区東小岩3 調査実施日 2023/12/12 10-20時 ※日没16:29 当日天候

    曇りのち雨(19:30-) 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 263 299 22 20 30 26 10 -11 11 33 1 0 0 1 10 -11 4.2% 11.0% 4.5% 0.0% 0.0% 3.8% 11 -12 281 285 10 11 35 26 11 -12 14 15 0 0 1 0 11 -12 5.0% 5.3% 0.0% 0.0% 2.9% 0.0% 12 -13 237 274 18 13 34 28 12 -13 21 37 0 0 1 0 12 -13 8.9% 13.5% 0.0% 0.0% 2.9% 0.0% 13 -14 269 245 22 26 34 47 13 -14 20 5 0 1 0 1 13 -14 7.4% 2.0% 0.0% 3.8% 0.0% 2.1% 14 -15 322 258 38 26 42 53 14 -15 13 14 1 3 1 2 14 -15 4.0% 5.4% 2.6% 11.5% 2.4% 3.8% 15 -16 328 261 52 38 52 62 15 -16 20 5 1 0 1 4 15 -16 6.1% 1.9% 1.9% 0.0% 1.9% 6.5% 16 -17 372 264 28 27 62 55 16 -17 18 26 1 2 0 3 16 -17 4.8% 9.8% 3.6% 7.4% 0.0% 5.5% 17 -18 394 277 41 18 75 51 17 -18 51 21 2 0 2 1 17 -18 12.9% 7.6% 4.9% 0.0% 2.7% 2.0% 18 -19 402 228 42 21 54 37 18 -19 72 18 1 1 0 0 18 -19 17.9% 7.9% 2.4% 4.8% 0.0% 0.0% 19 -20 286 189 23 21 38 15 19 -20 69 13 1 0 0 0 19 -20 24.1% 6.9% 4.3% 0.0% 0.0% 0.0% 3,154 2,580 296 221 456 400 309 187 8 7 6 12 9.8% 7.2% 2.7% 3.2% 1.3% 3.0% 人手 方向 合計 自動車 歩行者 自転車 合計 プローブ100m 方向 自動車 歩行者 自転車 合計 捕捉率 方向 自動車 歩行者 自転車 No.1 江戸川区東小岩3 • 自動車の捕捉率は合計で一方で10%、もう一方7%。夜間時間帯は捕捉率が向上。歩行者・自転 車の捕捉率は3%以下。
  67. 88 5.2 スマホプローブデータによる交通量取得の結果 No.2 杉並区阿佐谷南3-12 • 自動車の捕捉率は合計でどちらの方向も2%台。歩行者の捕捉率は一方で10%だが、もう一方で 4%。自転車の捕捉率はいずれの方向も5%以下。 調査場所 杉並区阿佐谷南3

    -12 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 918 727 96 83 147 45 10 -11 15 16 6 1 0 3 10 -11 1.6% 2.2% 6.3% 1.2% 0.0% 6.7% 11 -12 878 776 87 72 139 50 11 -12 23 16 2 9 3 1 11 -12 2.6% 2.1% 2.3% 12.5% 2.2% 2.0% 12 -13 821 716 120 100 179 62 12 -13 28 15 8 9 1 3 12 -13 3.4% 2.1% 6.7% 9.0% 0.6% 4.8% 13 -14 797 797 113 96 180 54 13 -14 16 20 2 11 1 2 13 -14 2.0% 2.5% 1.8% 11.5% 0.6% 3.7% 14 -15 799 801 121 105 169 57 14 -15 28 15 0 5 4 2 14 -15 3.5% 1.9% 0.0% 4.8% 2.4% 3.5% 15 -16 769 839 91 136 157 53 15 -16 23 20 4 13 1 0 15 -16 3.0% 2.4% 4.4% 9.6% 0.6% 0.0% 16 -17 841 902 107 124 186 56 16 -17 20 17 6 7 7 0 16 -17 2.4% 1.9% 5.6% 5.6% 3.8% 0.0% 17 -18 728 978 94 128 180 86 17 -18 14 22 4 16 1 6 17 -18 1.9% 2.2% 4.3% 12.5% 0.6% 7.0% 18 -19 702 937 108 137 117 53 18 -19 21 22 3 19 1 2 18 -19 3.0% 2.3% 2.8% 13.9% 0.9% 3.8% 19 -20 524 710 103 102 112 28 19 -20 18 21 6 19 1 5 19 -20 3.4% 3.0% 5.8% 18.6% 0.9% 17.9% 7,777 8,183 1,040 1,083 1,566 544 206 184 41 109 20 24 2.6% 2.2% 3.9% 10.1% 1.3% 4.4% 自動車 歩行者 自転車 合計 合計 合計 自動車 歩行者 自転車 自動車 歩行者 自転車 人手 プローブ100m 捕捉率 方向 方向 方向
  68. 89 5.2 スマホプローブデータによる交通量取得の結果 No.3 千代田区東神田2-10-13 • 自動車の捕捉率は合計でどちらの方向も2%台。歩行者・自転車の捕捉率は4%以下。 調査場所 千代田区東神田2 -10-13

    調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 1,048 1,008 79 97 38 87 10 -11 23 24 0 3 1 1 10 -11 2.2% 2.4% 0.0% 3.1% 2.6% 1.1% 11 -12 1,233 1,200 105 106 50 52 11 -12 27 14 2 4 0 0 11 -12 2.2% 1.2% 1.9% 3.8% 0.0% 0.0% 12 -13 1,155 1,130 319 329 36 80 12 -13 33 26 8 7 0 1 12 -13 2.9% 2.3% 2.5% 2.1% 0.0% 1.3% 13 -14 1,146 1,137 138 169 51 69 13 -14 29 25 4 3 0 1 13 -14 2.5% 2.2% 2.9% 1.8% 0.0% 1.4% 14 -15 1,149 1,127 115 112 57 60 14 -15 31 12 7 5 3 0 14 -15 2.7% 1.1% 6.1% 4.5% 5.3% 0.0% 15 -16 1,191 1,156 117 92 64 48 15 -16 31 30 4 7 1 1 15 -16 2.6% 2.6% 3.4% 7.6% 1.6% 2.1% 16 -17 1,243 1,214 120 85 81 69 16 -17 27 31 3 5 2 3 16 -17 2.2% 2.6% 2.5% 5.9% 2.5% 4.3% 17 -18 1,280 1,290 195 105 81 56 17 -18 38 28 14 5 2 2 17 -18 3.0% 2.2% 7.2% 4.8% 2.5% 3.6% 18 -19 1,353 1,337 272 109 116 51 18 -19 39 26 5 7 3 2 18 -19 2.9% 1.9% 1.8% 6.4% 2.6% 3.9% 19 -20 1,106 1,106 201 74 98 49 19 -20 30 17 8 7 3 0 19 -20 2.7% 1.5% 4.0% 9.5% 3.1% 0.0% 11,904 11,705 1,661 1,278 672 621 308 233 55 53 15 11 2.6% 2.0% 3.3% 4.1% 2.2% 1.8% 人手 プローブ100m 捕捉率 方向 方向 方向 自動車 歩行者 自転車 合計 合計 合計 自動車 歩行者 自転車 自動車 歩行者 自転車
  69. 90 5.2 スマホプローブデータによる交通量取得の結果 No.4 大田区蒲田5-49 • 自動車の捕捉率は合計でどちらの方向も2%台。歩行者・自転車の捕捉率は4%以下。 調査場所 大田区蒲田5-49 調査実施日

    2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 984 942 151 95 176 114 10 -11 29 19 2 4 2 1 10 -11 2.9% 2.0% 1.3% 4.2% 1.1% 0.9% 11 -12 947 900 167 128 138 137 11 -12 18 19 7 2 1 0 11 -12 1.9% 2.1% 4.2% 1.6% 0.7% 0.0% 12 -13 900 852 207 219 171 134 12 -13 26 18 13 6 0 1 12 -13 2.9% 2.1% 6.3% 2.7% 0.0% 0.7% 13 -14 928 884 139 115 151 170 13 -14 16 18 7 4 0 2 13 -14 1.7% 2.0% 5.0% 3.5% 0.0% 1.2% 14 -15 1,093 1,047 132 140 171 167 14 -15 16 17 6 5 3 3 14 -15 1.5% 1.6% 4.5% 3.6% 1.8% 1.8% 15 -16 1,116 1,077 134 129 190 168 15 -16 21 20 6 6 1 3 15 -16 1.9% 1.9% 4.5% 4.7% 0.5% 1.8% 16 -17 1,054 992 169 125 211 229 16 -17 16 21 9 6 1 6 16 -17 1.5% 2.1% 5.3% 4.8% 0.5% 2.6% 17 -18 1,084 1,051 255 154 300 281 17 -18 16 25 7 9 4 2 17 -18 1.5% 2.4% 2.7% 5.8% 1.3% 0.7% 18 -19 1,050 1,011 274 185 238 224 18 -19 26 20 10 10 2 1 18 -19 2.5% 2.0% 3.6% 5.4% 0.8% 0.4% 19 -20 848 822 208 154 148 187 19 -20 20 11 5 6 1 4 19 -20 2.4% 1.3% 2.4% 3.9% 0.7% 2.1% 10,004 9,578 1,836 1,444 1,894 1,811 204 188 72 58 15 23 2.0% 2.0% 3.9% 4.0% 0.8% 1.3% 人手 プローブ100m 捕捉率 方向 方向 方向 自動車 歩行者 自転車 合計 合計 合計 自動車 歩行者 自転車 自動車 歩行者 自転車
  70. 91 5.2 スマホプローブデータによる交通量取得の結果 No.5 江戸川区平井6 • 自動車の捕捉率は合計でどちらの方向も2%台。 • 歩行者の捕捉率は一方で7%、もう一方で4%。自転車の捕捉率についてはいずれも4%台以下。 調査場所

    江戸川区平井6 調査実施日 2023/12/12 10-20時 ※日没16:29 当日天候 曇りのち雨(19:30-) 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 915 903 9 10 31 11 10 -11 18 9 1 1 0 0 10 -11 2.0% 1.0% 11.1% 10.0% 0.0% 0.0% 11 -12 999 966 18 13 52 13 11 -12 19 22 1 1 2 1 11 -12 1.9% 2.3% 5.6% 7.7% 3.8% 7.7% 12 -13 1,003 982 13 16 56 15 12 -13 16 18 0 0 1 0 12 -13 1.6% 1.8% 0.0% 0.0% 1.8% 0.0% 13 -14 1,101 1,053 12 10 59 26 13 -14 16 22 2 0 2 0 13 -14 1.5% 2.1% 16.7% 0.0% 3.4% 0.0% 14 -15 1,066 1,159 14 10 81 27 14 -15 18 20 1 1 0 0 14 -15 1.7% 1.7% 7.1% 10.0% 0.0% 0.0% 15 -16 1,058 1,262 21 26 65 29 15 -16 23 23 1 0 0 0 15 -16 2.2% 1.8% 4.8% 0.0% 0.0% 0.0% 16 -17 1,029 1,218 30 18 77 27 16 -17 27 22 2 3 3 4 16 -17 2.6% 1.8% 6.7% 16.7% 3.9% 14.8% 17 -18 1,007 1,326 14 17 95 35 17 -18 20 39 0 3 0 0 17 -18 2.0% 2.9% 0.0% 17.6% 0.0% 0.0% 18 -19 841 1,221 35 32 89 28 18 -19 21 23 0 2 1 1 18 -19 2.5% 1.9% 0.0% 6.3% 1.1% 3.6% 19 -20 670 975 19 15 55 16 19 -20 14 30 0 1 0 4 19 -20 2.1% 3.1% 0.0% 6.7% 0.0% 25.0% 9,689 11,065 185 167 660 227 192 228 8 12 9 10 2.0% 2.1% 4.3% 7.2% 1.4% 4.4% 人手 プローブ100m 捕捉率 方向 方向 方向 自動車 歩行者 自転車 合計 合計 合計 自動車 歩行者 自転車 自動車 歩行者 自転車
  71. 92 5.2 スマホプローブデータによる交通量取得の結果 No.6 練馬区大泉町6-29-20 • 自動車の捕捉率は合計でどちらの方向も2%以下。歩行者・自転車の捕捉率についてはいずれも2% 台以下。 調査場所 練馬区大泉町6-

    29-20 調査実施日 2023/12/19 10-20時 ※日没16:30 当日天候 曇り 実施方法 実施方法 実施方法 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 種別 種別 種別 10 -11 584 521 26 34 84 62 10 -11 12 9 0 0 0 0 10 -11 2.1% 1.7% 0.0% 0.0% 0.0% 0.0% 11 -12 631 590 22 28 55 65 11 -12 16 8 0 1 1 0 11 -12 2.5% 1.4% 0.0% 3.6% 1.8% 0.0% 12 -13 582 588 19 21 56 72 12 -13 15 8 1 1 2 2 12 -13 2.6% 1.4% 5.3% 4.8% 3.6% 2.8% 13 -14 608 580 21 20 60 64 13 -14 9 10 2 0 3 1 13 -14 1.5% 1.7% 9.5% 0.0% 5.0% 1.6% 14 -15 586 598 35 32 63 59 14 -15 10 9 2 1 1 2 14 -15 1.7% 1.5% 5.7% 3.1% 1.6% 3.4% 15 -16 533 643 38 41 77 76 15 -16 7 9 0 0 2 1 15 -16 1.3% 1.4% 0.0% 0.0% 2.6% 1.3% 16 -17 573 675 28 32 68 81 16 -17 15 15 0 1 0 0 16 -17 2.6% 2.2% 0.0% 3.1% 0.0% 0.0% 17 -18 614 665 29 24 107 91 17 -18 10 17 0 1 2 4 17 -18 1.6% 2.6% 0.0% 4.2% 1.9% 4.4% 18 -19 496 666 30 24 77 86 18 -19 15 14 1 2 2 4 18 -19 3.0% 2.1% 3.3% 8.3% 2.6% 4.7% 19 -20 373 646 17 20 52 60 19 -20 5 9 0 1 1 0 19 -20 1.3% 1.4% 0.0% 5.0% 1.9% 0.0% 5,580 6,172 265 276 699 716 114 108 6 8 14 14 2.0% 1.7% 2.3% 2.9% 2.0% 2.0% 人手 プローブ100m 捕捉率 方向 方向 方向 自動車 歩行者 自転車 合計 合計 合計 自動車 歩行者 自転車 自動車 歩行者 自転車
  72. 93 5.3 プローブデータの分析 スマホプローブデータの拡大推計方法 調査対象データ 拡大推計モデルの比較検討 ① 人出による交通量調査データ 正解値(5区分:小型車、大型車、自動二 輪、自転車、歩行者)

    ② AIカメラ交通量データ (5区分:小型車、大型車、自動二輪、自 転車、歩行者) ③ スマホプローブ交通量データ (3区分:自動車、自転車、歩行者+ラン ナー) a. 単回帰モデル ◼ ①(正解値)の区分別交通量を被説明変数、② ~④の対応する区分の交通量を説明変数とする線 形回帰式 b. 重回帰モデル ◼ ①(正解値)の区分別交通量を被説明変数とし、 ②~④の対応する区分の交通量に加えて、時間帯 ダミー、車線数ダミー等を説明変数とする重回帰式
  73. 94 5.3 プローブデータの分析 スマホプローブデータの拡大推計方法 単回帰モデルの分析イメージ 単回帰モデルでは、 ②AIカメラによる交通量データ ③スマホプローブ交通量データに対し、 別途人出で計測した、「正解値」の区分の交通量を算出するために 必要な説明変数を線形回帰式から求める。

    ・X軸: ②~③の対応する区分の交通量を説明変数とする ・Y軸: (正解値)の区分別交通量を被説明変数とする ① 人出による交通量調査データ:正解値(5区分:小型車、大型車、 自動二輪、自転車、歩行者) ② AIカメラ交通量データ(5区分:小型車、大型車、自動二輪、自転 車、歩行者) ③ スマホプローブ交通量データ(3区分:自動車、自転車、歩行者+ラ ンナー) 出所:日経リサーチ, https://service.nikkei-r.co.jp/glossary/simple-regression- analysis, 2024年3月15日閲覧
  74. 95 5.3 プローブデータの分析 スマホプローブデータの拡大推計方法 重回帰モデルの分析イメージ 重回帰モデル分析では、 ②AIカメラによる交通量データ ③スマホプローブ交通量データ それぞれに加えて、時間帯に関するダミー変数を説明変数とし、「正解値」とする人出で計測した区分別交通量を算出する 重回帰式を求める。

    ෞ 𝑞𝑖𝑡 = 𝑐0 + 𝑐1 𝑞𝑗𝑡 + 𝑐2 𝑑2 ⋯ + 𝑐𝑚 𝑑𝑚 ෞ 𝑞𝑖𝑡 : 時間帯𝑡における車種𝑖の推計交通量 𝑞𝑗𝑡 : 時間帯𝑡における車種𝑗の観測交通量(上記③~④) 𝑑𝑘 : 時間帯ダミー 𝑐0 : 定数項 𝑐1 ~𝑐𝑚 : 係数
  75. 96 5.3 プローブデータの分析 検証詳細検討:プローブデータの 庁内活用へ向けた整理 今年度実施成果について ◼ プローブデータ等を用いた交通量の捕捉可能性について把握 スマホプローブデータについて、分析を踏まえてどの程度交通量を補足可能か把握。 民間車両プローブデータの結果(非公開)も含めて分析を実施。

    ◼ 交通量の推計可能性の検討 • 12時間交通量の推計には活用可能性あり。 • 道路交通センサスの機械化可能性の観点では、時間帯別交通量の推計には課題あり。 (道路類型別について、一定の分類は可能であったものの、現時点で判定可能な範囲で共通的な推計 式の判断には至らない)
  76. 97 5.3 プローブデータの分析 検証詳細検討:スマホプローブデータの 庁内活用へ向けた整理 課題・今後の展望について ◼ 庁内活用に向けた今後の方向性 • 新規路線の整備効果検証等では活用可能と想定

    →データ購入により複数個所を処理できるため、実測よりは安価に交通量把握が可能 • リアルタイムな交通量データが必要な場合、通信モジュールを装着した車両のプローブデータを活用可能 (※要求される精度、許容されるコスト・分析機関を建設局に確認した上で今後検証が必要) ◼ 推計精度向上に向けた方策(例) • 交通量の時間変化パターンが類似した箇所をまとめた推計モデルを構築するのに必要な追加調査を検討 ◼ その他推計精度向上要因 • GPSデータの捕捉率、通信モジュールを装着した車両の普及率等が今後向上することで精度が向上する可能 性あり
  77. 98 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの 分析結果のとりまとめ(単回帰・自動車計) 単回帰分析の結果について(自動車計) ◼ 各地点の回帰係数がY軸に近づくほど時間帯交通量の推計精度は上がるが、ややばらつきあり ◼ No.1-1,2、No2-1、No4-1は時間帯別交通量推計が難しいという結果

    No1-1 No1-2 No2-1 No2-2 No3-1 No3-2 No4-1 No4-2 No5-1 No5-2 No6-1 No6-2 -10 -5 0 5 10 15 20 25 30 0 200 400 600 800 1000 1200 回帰係数 切片 単回帰(スマホ_自動車計) 縦軸に近づくほど • 時間帯毎のプローブ補足率が安定 していて、1つの拡大率で説明でき る 横軸に近づくほど • 時間帯毎の交通量変動が小さく、平均交 通量で説明できる • あるいは、プローブ補足率が安定せず、時 間帯別交通量の推計が難しい(日交通 量推計に適用できる可能性はある) 回帰係数が負値 • プローブ台数による時間帯別交通 量の推計は説明がつかない 両軸の間に分布… • 400~900[台/時]の切片に プローブ台数の10~15倍を加えて 説明する構図になっている。 推計への活用可能性が 高くなる範囲
  78. 99 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→自動車計) 重回帰分析の結果について(自動車計) ◼ 定数項の大半が有意水準95%であることから、車両の 12時間交通量の把握には活用可能である可能性 ◼

    他方、スマホプローブの計測値の影響について以下の課 題があり、時間帯別交通量の把握に向けては現時点で は一部課題があると想定 • 全般に、絶対値及び係数が小さい (=推計結果に大きい影響を与えない) →定数項とダミー変数でのみ説明がついてしまっている。 • 交通量が少ない箇所等、係数が負になった個所が存 在(=スマホ台数が増えるほど交通量が減るという結 果であり、妥当ではない) →交通量が少ない箇所では妥当な重回帰モデルを 得られていない。 地点 定数項 計測値 日没ダミー 昼ダミー 午前ダミー No1-1 **364.0 ?-1.37 84.56 -82.86 -74.85 No1-2 **245.3 1.05 -32.12 -7.80 21.55 No2-1 **847.7 ?-1.89 *-163.00 2.85 86.19 No2-2 555.4 16.85 -45.33 -93.64 -73.37 No3-1 *634.1 *18.88 -61.31 -69.01 34.30 No3-2 **913.1 12.75 *-295.83 -127.71 86.67 No4-1 **1069.7 1.02 -96.72 *-177.06 -128.11 No4-2 **675.3 **15.55 **-180.30 32.74 34.18 No5-1 **760.0 12.84 -156.03 86.60 -40.50 No5-2 **1045.3 7.74 -108.64 -182.60 *-230.78 No6-1 **488.5 7.08 -64.95 21.56 19.91 No6-2 **590.6 4.37 10.14 -45.93 *-72.24 計測値 : スマホプローブ台数 日没ダミー : 17時以降 昼ダミー : 12~13時台 午前ダミー : 10~11時台 ** 5%有意 * 10%有意 ? 逆符号
  79. 100 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→自動車計) 調査箇所のグルーピング→推計式検討について(自動車計) ◼ 今回計測した箇所について、4種の類似性ある グループに分割し考察が可能であった。 (右図・色が同じ箇所が同じグループ)

    ◼ 他方、前ページの数式の係数(同じ色の図形 の形)を確認すると、同じグループにおける推計 式の類似度合いは直観的には把握が難しい結 果となった。 日没ダミー大(夕が卓越) 午前ダミー大(朝が卓越) 昼ダミー大 (昼が卓越) それ以外(全ダミーが負)
  80. 101 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (単回帰・歩行者計) 単回帰分析の結果について(歩行者計) ◼ 多くの地点で時間帯別交通量の把握が難しいという結果となった No1-1 No1-2

    No2-1 No2-2 No3-1 No3-2 No4-1 No4-2 No5-1 No5-2 No6-1 No6-2 -10 -5 0 5 10 15 20 25 30 0 20 40 60 80 100 120 140 回帰係数 切片 単回帰(スマホ_歩行者) 縦軸に近づくほど… • 時間帯毎のプローブ補足率が安定し ていて、1つの拡大率で説明できる 横軸に近づくほど… • 時間帯毎の歩行者数変動が小さく、 平均交通量で説明できる • あるいは、プローブ補足率が安定せ ず、時間帯別歩行者数の推計が難 しい(日交通量推計に適用できる 可能性はある) 回帰係数が負値… • プローブ人数による時間帯別交通量 の推計は説明がつかない 両軸の間に分布… • 80~130[人/時]の切片に プローブ人数の10~15倍を加えて 説明する構図になっている。
  81. 102 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→歩行者計) 重回帰分析の結果について(歩行者計) ◼ 定数項の過半が有意水準95%であることから、 12時間交通量の把握にはある程度活用可能 である可能性

    ◼ 時間帯計測の課題は自動車同様(ダミーも含 め有意な値が出ていない) 地点 定数項 計測値 日没ダミー 昼ダミー 午前ダミー No1-1 **29.3 10.00 -7.33 -9.33 -18.33 No1-2 **33.8 ?-2.09 *-13.11 *-13.27 *-18.31 No2-1 **107.8 ?-0.45 -4.22 10.91 -14.54 No2-2 **115.6 0.73 -6.37 -24.88 **-41.74 No3-1 *112.4 1.06 100.74 109.75 -21.45 No3-2 -25.7 *21.53 -14.69 **167.02 51.82 No4-1 **77.2 **9.69 **97.44 -1.06 **38.22 No4-2 82.9 8.55 10.20 41.37 2.97 No5-1 **21.5 ?-2.38 -8.17 -4.13 -6.63 No5-2 **19.6 1.30 8.47 -9.10 -8.40 No6-1 **32.2 2.17 -7.61 **-15.48 -8.22 No6-2 **37.0 ?-3.07 **-10.29 **-15.01 -4.51 計測値 : スマホプローブ台数 日没ダミー : 17時以降 昼ダミー : 12~13時台 午前ダミー : 10~11時台 ** 5%有意 * 10%有意 ? 逆符号
  82. 103 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→歩行者計) 調査箇所のグルーピング→推計式検討について(歩行者計) ◼ 傾向は自動車と同様。 -2 -1.5

    -1 -0.5 0 0.5 1 重回帰(スマホ_歩行者) No1-1 No1-2 No2-1 No2-2 No3-1 No3-2 No4-1 No4-2 No5-1 No5-2 No6-1 No6-2 軸の数値は x/定数項 日没ダミー大(夕が卓越) 午前ダミー大(朝が卓越) 昼ダミー大 (昼が卓越) それ以外(全ダミーが負)
  83. No1-1 No1-2 No2-1 No2-2 No3-1 No3-2 No4-1 No4-2 No5-1 No5-2

    No6-1 No6-2 -10 -5 0 5 10 15 20 25 30 0 50 100 150 200 回帰係数 切片 単回帰(スマホ_自転車) 104 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの 分析結果のとりまとめ(単回帰・自転車計) 単回帰分析の結果について(自転車計) ◼ 多くの地点で時間帯別交通量の把握が難しいという結果となった 縦軸に近づくほど… • 時間帯毎のプローブ補足率が安定 していて、1つの拡大率で説明でき る 横軸に近づくほど… • 時間帯毎の交通量変動が小さく、 平均交通量で説明できる • あるいは、プローブ補足率が安定 せず、時間帯別交通量の推計が 難しい(日交通量推計に適用 できる可能性はある) 回帰係数が負値… • プローブ台数による時間帯別交通量 の推計は説明がつかない 両軸の間に分布… • 150[台/時]の切片に プローブ台数の12~25倍を加えて 説明する構図になっている。 両軸の間に分布… • 30~40[台/時]の切片に プローブ台数の10~15倍を加えて 説明する構図になっている。
  84. 105 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→自転車計) 重回帰分析の結果について(自転車計) 地点 定数項 計測値 日没ダミー

    昼ダミー 午前ダミー No1-1 **47.2 7.19 3.67 -16.80 -18.30 No1-2 27.9 9.59 3.24 4.81 -6.69 No2-1 **157.3 3.33 -24.33 18.83 -19.33 No2-2 **174.2 1.67 2.19 6.10 -21.07 No3-1 **64.6 1.37 *30.09 -21.10 -21.28 No3-2 **51.8 5.43 -7.00 17.31 15.02 No4-1 **147.5 25.91 20.72 13.52 -29.35 No4-2 **171.3 4.19 49.64 -25.54 -47.85 No5-1 **44.5 3.51 -3.33 -5.25 -15.50 No5-2 **57.5 ?-2.64 10.55 *-24.02 **-35.20 No6-1 **63.0 6.32 5.12 -20.81 3.33 No6-2 **67.6 4.41 -0.34 -6.20 -4.09 計測値 : スマホプローブ台数 日没ダミー : 17時以降 昼ダミー : 12~13時台 午前ダミー : 10~11時台 ** 5%有意 * 10%有意 ? 逆符号 ◼ 定数項の過半が有意水準95%であることから、 12時間交通量の把握にはある程度活用可能 である可能性 ◼ 時間帯計測の課題は自動車同様(ダミーも含 め有意な値が出ていない)
  85. 106 5.3 スマホプローブデータの分析 検証詳細検討:スマホプローブデータの分析結果のとりまとめ (重回帰・スマホ→自転車計) 調査箇所のグルーピング→推計式検討について(自転車計) ◼ 傾向は自動車と同様。 -0.5 -0.25

    0 0.25 0.5 重回帰(スマホ_自転車) No1-1 No1-2 No2-1 No2-2 No3-1 No3-2 No4-1 No4-2 No5-1 No5-2 No6-1 No6-2 軸の数値は x/定数項 日没ダミー大(夕が卓越) 午前ダミー大(朝が卓越) 昼ダミー大 (昼が卓越) それ以外(全ダミーが負)
  86. 107 5.4 プローブデータの分析結果 12時間交通量の推計への活用可能性、 時間別推計・リアルタイム化に向けた課題等を把握 分析から得られた成果 推計 結果の考察 今後の展望・ 課題

    ◼ スマホプローブデータを活用した交通量の捕捉率は今回条件を基にすると2-5%前後 ◼ スマホプローブデータの推計を試行した結果、定数項で優位な結果が得られていることから、 12時間交通量の推計には活用可能性あり ◼ 道路交通センサスの時間帯別交通量の推計には課題あり ◼ 道路類型別について、一定の分類は可能であったものの、現時点で判定可能な範囲で共 通的な推計式の判断には至らない ◼ 今回採用したスマホプローブデータは現時点ではリアルタイム化が難しい。民間車両プローブ データ等はリアルタイム化が可能 ◼ 新規路線の整備効果検証等では活用可能と想定 ※データ購入により複数個所を処理できるため、実測よりは安価に交通量把握が可能 ◼ リアルタイムな交通量計測結果について、都市のモニタリング等に活用可能性がある。この 場合民間車両プローブデータ等の活用が必要 ◼ 今後、交通量の時間変化パターンの類型化、共通式の検討が可能なレベルまで計測箇 所・計測期間を増やすことを検討
  87. 109 6. デジタルツイン3Dビューアへの描画 計測結果等をデジタルツイン3Dビューアに描画し、 将来的なセンサーデータ活用イメージを表現 ビューアへの描画結果 ◼ AIカメラによる、大型車・小型 車・歩行者・自転車の方向別交 通量計測結果を表示

    ◼ 車道2方向、歩道4方向の交 通量を表示 ◼ 今後、都市のセンシングの検討 が進み、3Dビューア上でリアルタ イムな交通量を把握する際のイ メージとして表示 歩行者人数描画の例 小型車数描画の例
  88. 111 7. 得られた成果と課題:得られた成果の整理 データ活用の可能性、及び活用に向けた課題を把握 ◼ 庁内各局におけるセンサー・リアルタイムデータ活用ニーズの状況を確認し、活用範囲を把握 ◼ センサーを設置・維持管理し続ける運用は、費用面で課題がある場合もある例を確認 ◼ 活用事例集の作成、役割分担の整理を実施

    →デジタルツイン事業としては、各局のセンサー・リアルタイムデータ活用に向けた検討及び事業実施にあたり検討支 援等を実施するほか、リアルタイムデータ活用・共用に資する庁内データ連携基盤の機能拡充を実施 運用面:庁内各局のニーズ把握 ◼ 都内におけるセンサー設置・データ取得に係る手続きや論点を、交通量調査連携の例を通して確認 ◼ AIカメラの交通量調査への適用可能性検討及び将来展望検討を実施。車種に関わらず自動車交通量を取得す る場合は、原則本実証と同様の手法で実施可能であるが、歩行者・自転車・自動二輪については課題がある点を 把握 ◼ プローブデータについて日交通量の推計への活用可能性、時間別推計・リアルタイム化に向けた課題等を把握。 実現可能なデータのリアルタイム性についても整理を実施 技術面:建設局と連携した交通量調査実証機械化調査を通した検討
  89. 113 今後の方向性 各局のセンサー・リアルタイムデータ 活用検討の具体化、活用拡大を支援 今後の庁内におけるリアルタイムデータを活用した事業や データ共用等の検討を支援 技術面の検討支援 リアルタイムデータ運用支援 ◼ 庁内データ連携基盤における、活用

    が想定されるリアルタイムデータの対 応に向けた機能拡充実施 ◼ センサー・リアルタイムデータ活用事例 集やリアルタイムデータの活用方針) に関する知見について、各局の検 討・要望へのフィードバックを実施 ◼ 交通量データ活用について実現可能 性に関する協議を継続