高速道路の洪水被害による通行遮断の原因に対するSHAP解釈を併用した機械学習モデルの比較解析

日常生活における洪水での高速道路被害が重要な理由

豪雨で道路が流出したり土砂崩れが発生したりすると、旅行者が孤立したり、救急サービスが遅れたり、食料や物資の流通が途絶えたりします。中国・四川省では、極端な気象が強まり道路網が拡大する中で、こうした洪水に関連する高速道路の通行遮断が増えています。本研究は実践的で世界的にも意義のある問いを投げかけます：現代の人工知能は、いつどこで高速道路が洪水で遮断されやすいかを予測できるのか、そしてその理由を説明できるのか？

脆弱な山間地帯の地図化

広大な南西部の四川省は、広がる道路網と険しい地形、強い季節降雨が組み合わさるため、試験地域として選ばれました。研究者たちは2021～2022年の間に、洪水に関連する高速道路通行遮断の日別記録約9,000件、衛星データによる標高や傾斜、植生被覆、土地利用、河川や小川、降雨と気温、人口や道路密度など豊富な情報を収集しました。社会的・経済的影響が大きい主要道路（高速道路、国道、州道）に焦点を当てています。データを現実的に保つために、彼らは一般的な課題にも対処しました：遮断が発生しない日数が実際に遮断が発生する日数を大きく上回っているという不均衡です。

機械に危険を見抜かせる学習

チームは三つの考えを結びつけた統合フレームワークを構築しました：希少事象の賢い扱い、予測手法の慎重な比較、そしてリスクを駆動する要因の透明な説明です。遮断事象は比較的稀なため、従来のモデルは安全な日が多数を占めるデータから主に「学習」してしまい、危険な少数の事例を認識できない傾向があります。この不均衡に対処するために、研究者たちは三つの戦略を比較しました。一つは単純に非遮断日の一部を削る（アンダーサンプリング）方法。二つ目はTimeGANと呼ばれる手法で、実際の時系列のパターンを学習し、希少な遮断日の現実的な合成例を生成して少数クラスを増強します。三つ目は両者を組み合わせたハイブリッド手法です。こうした前処理済みデータに対して、ロジスティック回帰やサポートベクターマシンといった馴染みある手法から、ランダムフォレスト、勾配ブースティング、マルチレイヤパーセプトロン（ニューラルネットワークの一種）といったより柔軟な手法まで、六種類の機械学習モデルを訓練しました。性能評価は主に、真の遮断事象を捉える力と誤警報を避ける力のバランスで行われました。

最良の予測器の発見と信頼性の検証

数十に及ぶモデルとデータの組み合わせの中で、際立った組み合わせがありました：TimeGANで増強したデータで訓練したマルチレイヤパーセプトロンです。この構成はF1スコア（約50%）で最高を記録し、精度–再現率の点でも競争力があり、誤検知に埋もれずに遮断日を特定する点で最も優れていました。重要なのは、未知のテストデータでのスコアが訓練時のスコアとほぼ一致し、時間順のブロックを入れ替える特別なブートストラップ検定でも性能が偶発的ではなく安定していることが示された点です。つまり、希少な遮断事象の現実的な追加例を生成することが、ニューラルネットワークにノイズへの過剰適合を避けつつ有用なパターンを学習させるのに寄与したのです。

モデルが示す危険な条件

「ブラックボックス」的な予測を超えるために、著者らはSHAPと呼ばれる手法を用いて訓練済みのニューラルネットワークを解析し、どの要因がどのように重要かを問いただしました。解析は、遮断リスクを急激に高める一連の気象・位置の閾値を浮き彫りにしました。日降雨量が約2.8ミリメートルを超えることと、7日間の有効降雨量の累積が約22ミリメートルを超えることはいずれも転換点です。これらの水準を下回ると遮断は抑制されがちですが、上回ると土壌の飽和や流出が斜面や路床を浸食して発生確率が急増します。気温も似た役割を果たします。平均日温が概ね摂氏21度以下にとどまるとリスクは一般に低い一方で、より高温になると激しい降雨や地面の湿りが同時に起こりやすく、地すべりや流失を助長します。やや意外な要因としては、道路が最寄りの小川からどれだけ離れているかが挙げられます。1キロメートル帯内の道路–河川平均距離が約0.15キロメートルを超えるとリスクが上昇します。これは、そのような道路が谷底の穏やかな地形ではなく、より急傾斜で崩壊しやすい斜面に位置する傾向があるためと考えられます。

洞察を安全な道路づくりへ

専門外の人にとって核心的なメッセージは明快です：特定の「過度の水分、長時間、不適切な地形」の組み合わせは、高速道路の遮断の可能性を著しく高めます。降雨量、気温、道路–河川距離の閾値を特定し、入念に調整したニューラルネットワークが危険な日を合理的な精度で予測できることを示すことで、本研究は道路管理者に実用的な指針を提供します。これらの洞察は早期警報ダッシュボードに組み込まれ、斜面や排水の補強場所の選定や、長大な道路網のどの区間を重点的に監視・維持するかの優先順位付けに役立ちます。極端気象が増す中、こうしたデータ駆動で説明可能なツールは重要な輸送経路を開いたままにし、地域社会のつながりを守る上で重要な役割を果たす可能性があります。

引用: Li, B., Wu, L., Gao, J. et al. Comparative analysis of machine learning models with SHAP interpretation for causes of highway flood-damage blocking. Sci Rep 16, 5118 (2026). https://doi.org/10.1038/s41598-026-35074-8

キーワード: 高速道路洪水リスク, 機械学習, 極端降雨, インフラのレジリエンス, 地すべり