Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、
より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。
speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge
紹介する論文は、「Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities」です。本研究では、全球で公開されている「衛星画像」と「人口データ」のみを入力とし、任意の都市の通勤OD（Origin-Destination）フローを生成する基盤モデル「GIODGen」を提案しました。
従来、ODフローの取得は高コストであり、既存の計算モデルも社会人口統計やPOIといった収集困難なデータに依存することが課題でした。GIODGenでは、衛星画像VLM（RemoteCLIP）による衛星画像からの都市特徴量抽出と、グラフ拡散モデル（WEDAN）によるODフロー生成を組み合わせることで、公開データのみでの高精度なOD生成を可能にしています。
提案手法は、従来の収集困難なデータを用いた手法の98%以上に達する性能と、4大陸6都市での実験における汎用性を示し、データが不足する地域での都市モビリティ研究への活用が期待されます。

Transcript

1. Satellites Reveal Mobility : 
 A Commuting Origin-destination Flow Generator for Global Cities
 
 文山草
 1 第21回 SatAI.challenge勉強会

2. 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. 3 発表者紹介 This image was generated by ChatGPT
4. 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. 5 論文紹介 This image was generated by ChatGPT
6. Satellites Reveal Mobility : 
 A Commuting Origin-destination Flow Generator for Global Cities 
 6 • 衛星画像や全球オープンデータから得られる特徴量のみをもとに、都市内で人がどこからどこに移動しているか を示す、Origin-destination Flowを生成する手法を開発 
 • 提案手法は入力に地域固有の地図・統計データを用いた場合に対しても、同等の精度を示した 
 • 他都市への転移可能性も示され、都市交通研究の基礎データとしての活用が期待される 
 
 全球利用可能な衛星画像から都市内の通勤人口流動を推定する手法を提案 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
7. Intro : Origin-destination把握の重要性と課題 
 7 • Origin-destination(OD)は都市における人の移動把握の根幹となるデータ 
 ◦ e.g., 国勢調査
 • しかし、その把握はコストがかかり、プライバシーの懸念もある→推定手法が研究 
 
 • 代表的な推定モデル 
 ◦ 物理モデル：重力モデル、放射モデル等 
 ▪ メリット : シンプルな仮定、多くのデータを必要としない 
 ▪ デメリット : 人口に強く依拠、パラメータ調整が難しい 
 
 ◦ MLベースのモデル：DeepGravity , GMEL等 
 ▪ メリット：物理モデルに比べ高精度 
 ▪ デメリット：前提となる入力データが入手困難な地域が多い 
 
 
 →広域で入手可能なデータに基づいた、精度の高いモデルが求められる 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
8. Method : 概要 
 8 • 衛星画像による都市特徴量抽出+特徴量を入力としたODグラフの生成 
 手法の概要
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
9. Method : 衛星画像からの都市特徴量抽出 
 9 • 光学衛星画像を行政区域等、ODを集計するスケールでクリップ 
 • Remote CLIP（衛星VLM）のVision Encoderに入力 
 • 結果をWorld Pop(全球人口データセット)の値と連結し、都市特徴量を得る 
 Liu et al, (2023), ”RemoteCLIP: A Vision Language Foundation Model for Remote Sensing”, より引用 Remote CLIPの概要 

10. Method : ODフローの生成 
 10 • 都市特徴量をノード特徴量、OD量をエッジ特徴量としたグラフを生成 
 • 都市特徴量をインプットにして、グラフのエッジを生成するというタスクに置き換える 
 
 問題設定の概要
 (上図) Rong et al. (2024), ”A Large-scale Benchmark Dataset for Commuting Origin-destination Matrix Generation”,より引用
11. Method : ODフローの生成 
 11 • WEDANという既往研究で提唱されたフレームワークを使用 
 • Denoising Diffusion Probabilistic Models（DDPM）に着想を得たもので、エッジにノイズを加え、 
 加えられたノイズを予測するという仕組み 
 
 WEDAN（上図）とDDPM（下図）の概要 
 (上図) Rong et al. (2024), ”A Large-scale Benchmark Dataset for Commuting Origin-destination Matrix Generation”,より引用 (下図) Ho et al. (2020), ”Denoising Diffusion Probabilistic Models”より引用
12. Experiment : 概要 
 12 • 2つの実験を実施
 ◦ 実験1：衛星由来の特徴量から高精度なODが生成できるか？ 
 ▪ 米国を対象に、統計データを特徴量として用いた場合と比較 
 
 ◦ 実験2：提案手法は多様な都市に対しても汎用性（転移可能性）を持つか？ 
 ▪ 米国のデータで訓練したモデルを英国で評価 
 ▪ さらに世界6都市でケーススタディを行った 
 
 
 • いずれの実験においても、衛星データはGoogle Earth/Esri World Imageryから取得 
 ◦ Esri World Imageryは地域によって0.3-15m解像度の画像を提供 
 ◦ ArcGIS Online：World Imagery 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
13. Experiment : 結果（実験1：衛星データ vs 統計データ) 
 13 • WEDAN(OD)生成モデルに対しては、衛星データを入力した場合でも統計データの98.3％の精度を実現 
 ◦ CPC　= (推定フローと実際のフローの共通部分)　/ (推定フローと実際のフローの総量) 
 手法ごと・データごとの精度比較（一番左が手法、各行の上が統計データ、下が衛星データ） 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
14. Experiment : 結果（実験2：英国への転移可能性検証） 
 14 • 提案手法は米国→英国への転移に関しても、最も良好な結果を示した 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用 手法ごとの精度比較 

15. Experiment : 結果（実験2：世界でのケーススタディ） 
 15 • 世界各都市での比較：概形が似ているほど相関の高いODが生成　（ρ：スピアマンの順位相関係数） 
 ◦ 横軸が実データにおける当該トリップ数の順位 
 ◦ 縦軸が正規化されたトリップ数 
 • 概形は大まかには類似しているが、全体的にOD量を過大評価。特に欧州の2都市で相関が低い傾向 
 都市ごとの生成ODと実ODの相関分析 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
16. Experiment : 結果（実験2：世界でのケーススタディ） 
 16 • 中心部の高密度なパターンや、都心部との境界が概ね捉えられている 
 北京での検証結果
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
17. Experiment : 結果（実験2：世界でのケーススタディ） 
 17 • 実データ（ｂ）は中央に強い求心性を示すが、生成結果（a）は多極的 
 • ロンドンの実データはコロナ禍（2021年）取得なので、取得時期の人々の行動変化も結果に影響した恐れ 
 ロンドンでの検証結果 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用
18. Satellites Reveal Mobility : 
 A Commuting Origin-destination Flow Generator for Global Cities 
 18 • 衛星画像や全球オープンデータから得られる特徴量のみをもとに、都市内で人がどこからどこに移動しているか を示す、Origin-destination Flowを生成する手法を開発 
 • 提案手法は入力に地域固有の地図・統計データを用いた場合と比類する精度を示した 
 • 他都市への転移可能性も示され、他都市の交通研究の基礎データとしての活用が期待される 
 
 全球利用可能な衛星画像から都市内の通勤人口流動を推定する手法を提案 
 Rong, et al. (2025), ”Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities”, arXivより引用