Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data 文山草 1 第25回 SatAI.challenge勉強会 

目次 2 ● 発表者紹介スライド ● 研究の1ページサマリ紹介 ● 研究の背景（Introduction） ● 手法について（Method） ● 実験（Experiment） ● 結論（Conclusion） 

3 発表者紹介 This image was generated by ChatGPT 

文山　草 所属：メーカー研究職 業務：都市・交通領域での空間情報に関する研究・事業創生　 自己紹介 4 その他取り組み： ● 学部) 渋滞とデータ同化に関する研究、修士 ) 衛星夜間光の補正に関する研究 ● GIS×AI Agentの開発 (位置Biz、Plateau Award 2024) ● カメラ映像からの人流デジタルツイン生成 PJ　(未踏Adv 2023) ● 衛星画像を用いた港湾物流向けソリューション開発　 (NEDO 2022) 

5 論文紹介 This image was generated by ChatGPT 

Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data 6 ● 30cm光学衛星画像から車両密度を抽出し、従来の地上センサーデータと統合して、都市の道路ネットワーク 上での交通状態・OD推定を行う手法を提案 ● 衛星観測が、広域の交通状態推定の精度改善に有効だと、実データによる検証で確認 ● 感度分析の結果、衛星観測に基づく車両密度抽出の誤差が20％程度ある場合でも、精度改善傾向は維持 衛星画像から抽出した道路上の車両密度から、都市全域のOD推定を行う手法を提案 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Intro : Origin-destination把握の重要性と課題 7 ● Origin-destination推定(DODE)とは ○ 「都市のどこからどこへ、何時に、何台の車が移動しているか」を既知の観測から推定する問題 ○ 都市計画や交通計画の基本となる重要な情報 ● DODEの難しさ ○ 不定性 ■ 同じ交通量を生み出すODパターンは無数にある（解が一意に定まらない） ○ 観測が疎であること ■ 交通の様子を観測可能なセンサは都市の一部にしかない →観測がないところの交通の様子を推定して、都市全体のODを知りたい J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Intro : 交通観測のデータソース 8 ● 衛星観測には、この課題に対するポテンシャルがある ● 空間的に全域を観測できる一方、時間的にはスナップショットという、既存データと相補的な性質を持つ 車両感知器 プローブ車両軌跡 衛星画像 空間カバレッジ 設置箇所のみ 走行箇所のみ 都市全体 時間解像度 連続 連続 低頻度 スナップショット 観測できる情報 車両速度・台数 旅行時間 車両密度 交通観測のデータソースとそれぞれの特徴 

Method : 概要 9 ● 衛星画像に基づく車両密度観測+交通流モデルによるOD推定 手法の概要 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Method : Vehicle Detection 10 ● 光学衛星画像から車両を抽出→車両を乗用車とトラックに分類 ● モデル：Faster R-CNN（ResNet-50) をxViewDatasetで訓練 ● 推論データ：Airbus Pleiades Neo (30cm解像度) Vehicle Detection のイメージ J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Method : Map Matching 11 ● 検出車両の重心を、道路ネットワークデータにマップマッチング ● 交通密度[veh/km/lane]を得る Map Marching のイメージ J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Method : ODの推定 12 ● 交通流を把握する上では、車両流率（時間あたり台数）、密度（空間あたり台数）、旅行時間が重要 ○ 密度の情報に、衛星画像を活用 交通流を表す諸量の関係 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Method : ODの推定 13 ● 交通流を把握する上では、車両流率（時間あたり台数）、密度（空間あたり台数）、旅行時間が重要 ○ 密度の情報に、衛星画像を活用 OD推定手法の概要 図はJ Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cに基づきClaudeで生成 

Experiment : 概要 14 ● 2つの実験を実施 ○ 実験1：トイネットワークでのシミュレーション実験 ■ 衛星観測が、特にセンサーがない道路の交通状態の推定精度改善に寄与するかを検証 ● 18リンクのうちの半数に車両感知器があると仮定 ● 衛星観測があると仮定して、密度推定の精度と交通状態推定の精度の関係を検証 ○ 実験2：ピッツバーグでの実データ実験 ■ 3548リンク、1515ノード、15876ODペアのネットワーク ■ 2枚のAirbus Pleiades Neo (30cm解像度、取得年月 2022/5, 2023/3) ● 実験では同一時間帯での観測と仮定して使用 ■ データの制約から、Proof of Concept的な実験 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Experiment : 結果（実験1：シミュレーション) 15 ● 密度情報がない場合(Scenario 1)に比べ、密度情報がある場合(Scenario 2)は 交通状態・OD推定の精度が向上 ● 密度情報の誤差が50％程度ある場合でも、精度が向上 →衛星からの車両検出の精度が低くても、実用的な価値があることが示唆 シナリオごと・車種ごとの精度比較 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Experiment : 結果（実験2：画像検出） 16 ● 乗用車の検出は一定の精度を示すも、トラックの検出精度はF1 Score 0.32と低くなった 車種ごとの検出精度表 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Experiment : 結果（実験2：交通状態推定） 17 ● しかしながら、衛星観測がない場合に比べると、特に交通密度の推定精度が大幅に改善 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Experiment : 結果（実験2：交通状態推定） 18 ● 既往手法に比べても、衛星観測を用いた提案手法が高精度 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

Experiment : 結果（実験2＋α：感度分析） 19 ● 実験2での推定結果を疑似的な真値として、密度の観測精度と撮影頻度を変更した疑似観測データを作成 ● 感度分析の結果 ○ 密度の観測誤差 ■ 10%->20%で精度の低下が確認 ■ しかし、車両感知器がないリンクの交通量推定は比較的ロバスト →密度推定の精度低下が推定全体の破綻に直結しない傾向は、実験1と同様 ○ 撮影頻度 ■ 15分間隔→30分間隔で精度が低下 ■ 絶対数が少ないトラックに対する推定の影響が大きい →実応用にはさらなる高頻度観測の実現が必要 

Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data 20 ● 30cm光学衛星画像から車両密度を抽出し、従来の地上センサーデータと統合して、都市の道路ネットワーク 上での交通状態・OD推定を行う手法を提案 ● 衛星観測が、広域の交通状態推定の精度改善に有効だと、実データによる検証で確認 ● 感度分析の結果、衛星観測に基づく車両密度抽出の誤差が20％程度ある場合でも、精度改善傾向は維持 衛星画像から抽出した道路上の車両密度から、都市全域のOD推定を行う手法を提案 J Liu, et al. (2026), ”Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data”, Transportation Research Part Cより引用 

21 ディスカッション This image was generated by ChatGPT 

感想・ディスカッション 22 【この論文に対して気になった点】 ● トラックの検出精度はF1 Score 0.32は不十分な気が ○ なぜ難しい？別のモデルが使えない？ ● 15分解像度はかなり高い要求 【得られた示唆】 ● リモセンタスク単体でみると、解きにくい/精度が出にくいタスクでも、 タスク特有のモデル・制約の導入や他のデータソースとの統合でより良く取り組める