予測するのは現在から30分後までの乗車台数だ。1時間後、2時間後といった時間幅での予測も可能だが、タクシー会社との検討により最適配車にふさわしい時間幅が決まった。タクシードライバーの心理は、乗客獲得確率は高いが遠いエリアよりも、ある程度の乗客獲得が見込める現在位置に近いエリアに移動した方が効率がよいと考えるのだ。

　配車システムなどを利用して本部側が移動を指示する場合も同様に、現在位置との関連で配車エリアを指示できる。30分という時間幅はタクシーが特定のエリアに集中しないようにする最適値のようだ。

　ドコモは、都内の東京無線タクシーの協力を得て4カ月にわたる実証実験を2016年に行った。4400台のタクシーの乗車実績が集まったが、予測結果と乗車実績の合致度合いは93～95％とかなり高い一致になった。

　タクシー1台当たり月間で約4万円ほどの収入増加傾向も確認できた。これはベテランと新人ドライバーの売り上げ差よりも大きい。客を乗せて走った距離を全走行距離で割った「実車率」（輸送効率）も数パーセントの向上が見られた。乗客がより多く獲得でき、しかも無賃の無駄な走行が減ったということを示している。

　2018年2月のサービスリリースから同年11月までの間に、東京23区、武蔵野市、三鷹市をカバーする東京無線タクシー（1350台）や、名古屋市のつばめタクシーグループ（1150台）など、各地のタクシー会社が導入し、運用を始めた。AIタクシーを利用した初心者ドライバーがベテランドライバーの実績を乗車回数で上回るケースもあるという。

「AIタクシー」サービスを利用したタクシーへの情報提示

　AIタクシーは、配車システムなどを介してリアルタイム移動需要予測システムに送られた車両位置やステータス情報などのタクシー運行データが、モバイル空間統計（リアルタイム版）データ、気象データ、その他のデータを学習して構築されたAI予測モデルに適用されて10分間隔で需要予測を行う。

　予測結果は配車システムどを経由してタクシードライバーに運行情報として提示される。図は配車システムベンダーが配車システムの運用を行っているが、タクシー会社が保有する配車システムを利用しても基本的な仕組みは変わらない。

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図2　「AIタクシー」の運用イメージ（出典：NTTドコモ）

「モバイル空間統計」のポイントは？

　AIタクシーの技術の要点を見てみよう。モバイル空間統計（リアルタイム版）とは何だろうか。ベースとなるのは、NTTドコモが保有する携帯電話網約7700万回線の運用データだ。膨大なデータには携帯電話などの位置（GPSではなく基地局への電波到達状況で端末の位置や方向を特定する）、位置情報を得た時刻、携帯電話ユーザーの属性などが含まれる。

　同社は防災研究の過程で2010年からデータを統計的に処理する手法の研究を進めた。プライバシーに関わる情報を排除し、個人特定が不可能な状態にした上で、特定エリア内の人数分布、移動人数の他、性別や年代などの属性別の人数構成を推定できるモバイル空間統計技術を確立した。プライバシー保護の要点は「モバイル空間統計ガイドライン」としてまとめられている。

　モバイル空間統計は携帯電話網運用データから氏名や電話番号などの個人を識別できる情報を削除し、生年月日は「30代」「40代」のように年齢層に変換する。その他の数値も丸め込みなどの処理をした上で不可逆符号に変換（ハッシュ化）する。どのようにしてもデータから個人を識別できないように非識別化処理を行うのだ。

　その後、性別や年代別などの属性ごとに携帯電話の台数をエリア別に割り出し、ドコモ携帯電話の普及率からそのエリアの人口（他社携帯電話ユーザーや非ユーザーも含む）を推計する（集計処理）。

　エリア内に数人程度の人口密度の場合は、エリア情報から個人を特定できる可能性があることから、少人数のエリアの数値は除く処理も行う（秘匿処理）。

　このようにプライバシーに関わる情報を除いて、あくまで統計的な情報としてエリア内人口を推計するのがモバイル空間統計だ。AIタクシーの場合は、こうした処理を直近のデータに対して行い、ほぼリアルタイムで人口推計する技術（リアルタイム版）を使う。

画像をご覧いただくには会員登録が必要です

会員登録・ログイン

図3　「モバイル空間統計」のプライバシー保護の仕組み

気象データや施設データ、乗降データなどの学習による予測モデル

　モバイル空間統計（リアルタイム版）は、特定エリアの直近の人口統計も示す。人が多いところでは乗車需要も多いという強い相関関係があるので、これだけでも有用だが、もっと予測精度を上げるには別のデータも必要だ。

　例えば乗降データ、天気の状況、周辺施設の情報エリア周辺の人の移動状況などが需要変動に大きな関係がある。駅周辺では人口が増えればすぐに乗車数が増えるが、商業施設などの周辺では人口増加の数時間後（買い物や観劇などの後）に乗車数が増えるというように、エリアごとの特長もある。このような細かい条件を予測に加味することは人手では難しい。

　そこで1つの手法としてディープラーニングを採用した。囲碁や将棋、チェスなどでプロの人間を打ち負かすような結果を出した機械学習技術の1つだ。画像認識、音声認識など近年のAIサービスのほとんどが採用する。

　さまざまな時系列データと統計データを入力して自動的に学習させると、やがて精度の高い予測を実現する予測モデルが出来上がる。タクシー乗車需要はさまざまな条件の掛けあわせで増減する。人間には処理不可能なほど多様な要素の組み合わせから、目的に沿ってより適切な解をもたらす。

　実際にはそう簡単ではなく、AIタクシー開発者がデータの学習を積み重ねながら数カ月をかけてチューニングするうちに徐々に精度が上がっていった。

　AI技術がもう1つ使われる。時系列のデータを基に予測を組み立てる多変量自己回帰モデルだ。例えばターミナル駅の人の移動など、多くのデータから規則性が見いだせるような場合に精度高く予測できる。この手法を使って人間が処理を設計し、データから予測モデルを作成する仕組みにした。

　商用サービスではディープラーニングによる予測結果と多変量自己回帰モデルの予想結果とで精度の高い方を利用する構成にした。ハイブリッドな予測方法が好結果をもたらした。

AIタクシーの利点とリアルタイム移動需要予測の今後

　AIタクシーが、慢性的な人手不足に悩むタクシー業界の業務効率化と売上増加、無駄を省いたコスト最適化に役立つことは明らかだ。次のようなポイントにも注目できる。

• 顧客満足度の向上：乗客が依頼しなくても需要が多いところにタクシーが行くので待ち時間が短くなる
• スキル、ノウハウの平準化：ベテランドライバーと新人ドライバーの経験の差をAI技術による予測が補填（ほてん）して、全体の売上や実車率の向上が図れる
• 普段と異なる人の動きに対応：大規模イベントや電車の遅延、事故などの一時的、突発的な事象による局所的な人口増加の傾向を捉え、適切な対応がとれる

　こうした利点は、裏返せばタクシー業界をはじめとする人や車、物品の移動にかかわる業界の課題だ。リアルタイムな動態の把握や予測は、業務効率化や働き方改革の鍵にもなる。

　例えばコンサート会場やイベント会場での混雑緩和、道路の渋滞緩和、トラックやバス運行の合理化、最適化、排ガス軽減など同技術が応用可能な領域は多い。AIタクシーをはじめとするリアルタイム移動需要予測技術が、ますます発展することを期待したい。

※「AIタクシー」「モバイル空間統計」はNTTドコモの登録商標。