Scalable dynamic origin-destination demand estimation enhanced by high-resolution satellite imagery data

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

本研究では、高解像度衛星画像から抽出した車種別交通密度を、従来の地上センサーデータと統合し、都市規模の動的OD需要推定（DODE）の精度を向上させるフレームワークを提案しています。従来のDODEは空間的カバレッジが限定的な固定検知器等に依存し、センサー未設置区間の推定が不安定であることが課題でした。本手法では、Faster R-CNNによる衛星画像からの車両検出で都市全域の道路車両密度を抽出し、交通量・旅行時間とは独立な観測制約としてOD推定を行います。ピッツバーグ市街地（3,548リンク）での実験では、密度制約の追加により車両密度の再現性がR²負値から0.6〜0.76へ改善され、合成データでの感度分析では、衛星からの密度推定の誤差が±50%ある場合でも、OD推定の精度が改善することが確認されました。今後、衛星撮像頻度の向上に伴い、都市交通モニタリングへのさらなる展開が期待されます。

Transcript

1. 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
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. 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
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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
13. 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
14. 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
15. 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
16. 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
17. 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
18. 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
19. 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
20. 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. 21 ディスカッション This image was generated by ChatGPT
22. 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