リアルタイム交通リスク予測のための適応的データ再バランスフレームワーク

なぜ交通データのバランスが安全性に重要か

高速道路の衝突は、日常的で特に事件のない走行に比べると稀な出来事です。これは安全面では良い知らせですが、どこでいつ衝突が起こるかをリアルタイムで予測しようとするコンピュータには隠れた問題を生みます。データが安全な状況に偏っていると、アルゴリズムは「何も起こらない」と予測することに非常に長け、紙上では高い精度を示しながら、本当に危険な瞬間を見落としてしまうことがあるのです。本研究はその不均衡に正面から取り組み、警報システムが稀だが重要なリスク状態をよりよく認識できるよう、実運用で遅くなりすぎない適応的なデータの“再バランス”手法を提案します。

実際の交通を警報信号に変える方法

研究者らは、ドローンによりドイツの高速道路で記録された大規模な軌跡データを基盤としてフレームワークを構築します。各車両の位置や速度は毎秒多数回追跡され、六車線区間に沿った詳細な動きが得られます。この豊富な運動記録から、追従車が前車に当たるまでの時間を推定する広く用いられる安全指標「time-to-collision（衝突まで時間）」を算出します。この時間が3秒を下回ると「高リスク」とラベル付けし、それ以外は「非リスク」と扱います。これらを10秒ごとに集約し六車線道路に絞ると、安全サンプルがリスクのサンプルのおおよそ9倍になる、実際の高速道路状況を反映した強い偏りを持つデータセットが得られます。

重要な情報を失わずに偏りを修正する

この偏りに対処するために、研究は2つの一般的な戦略を比較します。ひとつはオーバーサンプリングで、稀な高リスク事例に似た合成サンプルを追加してリスク例を増やします。もうひとつはアンダーサンプリングで、多数の安全事例の一部をランダムに除去して数を減らします。著者らは一般的なオーバーサンプリング手法（SMOTE）と単純なランダムアンダーサンプリングを用い、安全対リスクの固定比率を1:1、2:1、3:1、4:1でいくつか試します。元のデータと修正後のデータを、従来の機械学習手法2種と時系列処理に特化した深層学習モデル2種の計4つの予測モデルに投入します。これらの組み合わせを試すことで、データのバランス方法がリスク検出能力と安全検出能力にどのように影響するかを評価できます。

最適点を探索させる

安全とリスクの数を完全に等しくすることが最適だと仮定する代わりに、研究者らは遺伝的アルゴリズム――進化に着想を得た探索手法――に最も効果的なバランスを探させます。この最適化器は安全対リスク比を1:1から4:1の現実的な範囲内で調整し、候補比率を繰り返し生成・評価・改良して数百回の反復を行います。重要なのは、単に予測精度を見るだけでなく、モデルの学習と予測に要する時間も考慮する点で、交通管制センターのリアルタイム要求を反映しています。精度と計算時間を公平に組み合わせるため、すべての指標は正規化されて単一の“フィットネス”スコアに統合され、アルゴリズムはそのスコアを最小化しようとします。

モデルが道路上のリスクについて学んだこと

多数の実験を通じて一つの傾向が際立ちます。データのバランスを取ると、元の偏りを放置した場合に比べてリスク予測が改善し、合成したリスク事例によるオーバーサンプリングは多数の安全事例を捨てるよりも効果的であることが多いという点です。固定設定の中では、安全対リスク比2:1が最も良い性能を示し、よく使われる1:1を上回りました。遺伝的アルゴリズムでこの比率を微調整すると、オーバーサンプリングでは約2.3:1、アンダーサンプリングでは約2.7:1といったやや不均等ながら最適な値に落ち着きます。予測モデルの中では、ゲート付き再帰ユニット（GRU）として知られる特定の再帰型ニューラルネットワークが、特にオーバーサンプリングと最適化と組み合わせた場合に一貫して最良の結果を示しました。モデルはまた、道路上のある地点の上流と下流の平均車速が、単純な車両の数よりもリスク判定に有益な情報を与えることも示しています。

安定性の確認と実運用への備え

最適化手法は誤った解に陥ることがあるため、著者らは探索が時間とともにどのように振る舞うかを検証します。フィットネススコアが着実に下降し最終的に平坦化することを示し、アルゴリズムが飛び回るのではなく安定した高品質な比率に収束していることを示します。選ばれた比率を数パーセント上下に微調整して性能が崩れるかを確認すると、実際には小さな変化では精度はわずかにしか低下せず、システムは堅牢で単一の脆弱な設定に過度に依存していないことが示されます。しかし、テスト用に確保されるデータの割合が非常に大きくなるとモデルはより敏感になり、十分に豊富な学習データの必要性が浮き彫りになります。

より安全で賢い高速道路に向けての意味

日常語で言えば、本研究は道路上の危険を認識させるには巧妙なモデルだけでなく、稀だが重要な事象を公正に反映したデータをモデルに供給することが重要であると示しています。学習に使う安全例とリスク例の数を注意深く調整し、適応的なアルゴリズムに精度と速度の最良の妥協点を見つけさせることで、提案するフレームワークはリアルタイムの高速道路リスク予測をより信頼でき、実用的なものにします。交通機関はこの手法を交通検知器データの監視や、追突が予想される際の早期警報の発出、運転者への通知、パトロール配備、あるいは自動ブレーキ戦略の支援に組み込むことができます。本研究は良好な気象条件下のドイツ高速道路で示されていますが、適応的データバランスの基本的な考え方は、危険な出来事が稀だが見逃せないあらゆる場面で安全予測を改善するための汎用的な手法を提供します。

引用: Chen, S., Cui, B. & Chang, A. An adaptive data rebalancing framework for real-time traffic risk prediction. Sci Rep 16, 8882 (2026). https://doi.org/10.1038/s41598-026-39539-8

キーワード: 交通安全, 衝突リスク予測, 不均衡データ, 機械学習, 高速道路軌跡