見
読み込み中...
読み込み中...
関東のあなたの地域で、地区から駅・病院・買い物先へのDRT成立見込みを簡易試算（β版）
操作画面を準備しています
ニュータウンの縁辺や郊外では、「バス停はあっても本数が少なく、実質的に公共交通が使えない」地区が広がっています。こうした需要が薄い地区では、予約に応じて走るデマンド型交通（DRT）が選択肢になります。ただし車両は無限には用意できません。
DRTは予約に応じて経路や時刻を調整する乗合交通の総称で、必ずAIを使うわけではありません。運行者が配車する方式やルールベースのシステムもあります。本ツールでは、多数の最安挿入方式の配車シミュレーション結果を素早く再現するために、学習済みニューラルネットを使っています。
このツールは、DRTの車両を何台入れると、病院・駅・買い物への行き便がどの程度成立するかを試算するシミュレーターです。スライダーで台数を変えると、DRTで成立する見込みと、それでも成立せず代替交通が必要な割合（フォールバック率）が同時に動きます。①は多摩市の代表モデルで長期費用や全体傾向を比較します。②で関東1都6県の住所・町名・駅名や現在地を選ぶと、その周辺の実在する地区・駅・病院・スーパーを取得し、距離と予約需要の幅を使って地域別に別計算します。
「①まず全体で見る」の下部には、車両台数1〜12台での行き便成立見込み・代替交通が必要な割合の変化を折れ線グラフ（トレードオフ曲線）で表示します。車両を増やすほど成立見込みは伸びますが、その伸びはだんだん小さくなります。曲線の傾きが緩やかになる手前が、「台数を増やす効果」と「運行コスト」の折り合いを検討する目安です。
学習済みニューラルネット（後述）が使えているときは、「前提（仮定）を調整」パネルで需要の強さ・運行時間帯・許容待ち時間を動かせます。変更すると成立見込み・トレードオフ曲線が再計算され、成立した予約（行き・帰りを含む）の平均待ち時間も表示されます。読み込みに失敗した場合は、車両台数だけを使う透明な単調計算の「簡易モード」に切り替わります。簡易モードでも台数変更・地図・曲線・費用試算は使えますが、前提調整とニューラルネット由来の待ち時間・成立リクエスト数は利用できません。
このツールは、ODPT（公共交通オープンデータ）チャレンジ向けに設計した3段構成の仕組みの出口（到達圏）を、サーバーに問い合わせずブラウザだけで再現しています。
全国都市交通特性調査などの年齢・目的・手段別集計を参考に置いた代表的な仮定から、パラメトリックな生成モデルで住民の1日の外出（どこへ何のために動くか）を作ります。統計との一致を検証した実地域データではなく、文章生成AI（LLM）による生成でもありません。
その需要を、定員4人・最安挿入方式のイベントベース配車シミュレーターで捌きます。約12,000パラメータ点×16シード＝約19万シミュレーション日を計算。強化学習（PPO）の配車ポリシーは学習パイプラインに実装済みで検証中で、ヒューリスティック（挿入方式）を上回ると確認できた場合にのみ本番へ反映します。
段2のシミュレーション結果を学習した小型ニューラルネット（ONNX形式・約115KB）をブラウザに読み込み、車両台数や前提を変えるたびに即座に推論します（サロゲートモデル）。読み込みに失敗した場合は、透明な単調計算による「簡易モード」に自動フォールバックします。
ツール内の「この結果をあなたの立場で見る」には、住民・自治体・交通事業者の3タブがあります。以下では、その3者に研究・教育を加えた4つの活用場面を紹介します。
「何台入れれば行き便成立見込みが何%になり、代替交通が必要な割合が何%残るか」を台数スライダーで確認。地域公共交通計画の検討や、住民・議会への説明の“たたき台”に使えます。
車両台数と「行き便の成立見込み・代替交通が必要な割合・総車両km」のトレードオフから、投入規模やコスト感の当たりをつける出発点に。
「需要生成 → 相乗り配車シミュレーション → 学習済みAIの推論」という3段の仕組みを、出力データ形式（到達圏JSON）込みで体験。地域公共交通やAI活用の教材に。
数値そのものは代表データによるシミュレーション・AI推論の試算ですが、設計の考え方は次の公的データ・研究・実証に基づいています。
需要の考え方: 全国都市交通特性調査（国土交通省）の年齢・目的・手段別集計を参考に、段1の代表的な需要仮定を置いています。統計との一致を検証した実地域データではありません。
公共交通データ: 公共交通オープンデータ協議会（ODPT）
制度の背景: デマンド型交通の手引き（国土交通省）— 導入市町村の約8割がタクシー利用助成を併用（フォールバックの根拠）
地図: 国土地理院 淡色地図タイル
免責事項
本ツールは実験カテゴリのβ版です。表示される到達圏・フォールバック率・車両kmは、相乗り配車シミュレーション（定員4・最安挿入配車、約19万シミュレーション日）を学習したニューラルネットの推論値、またはニューラルネットの読み込みに失敗した場合は透明な単調計算（簡易モード）による試算です。いずれも実際の運行を表すものではありません。強化学習（PPO）の配車ポリシーは学習パイプラインに実装済みで検証中であり、ヒューリスティック（挿入方式）を上回ると確認できた場合にのみ反映します。参考情報としてご利用ください。
Q. DRT（デマンド型交通）とは何ですか？
DRT（Demand Responsive Transport）は、利用者の予約に応じて運行時刻や経路を調整する乗合交通です。決まった経路・時刻で走る路線バスと、個別輸送のタクシーの中間に位置します。配車は運行者が行う方式、決められたルールで計算する方式、AIを使う方式などがあり、DRTが必ずAIを使うわけではありません。
Q. DRT、オンデマンドバス、タクシー、路線バスの違いは何ですか？
オンデマンドバスは、予約に応じて走るDRTを案内するときに使われる名称の一つです。路線バスは原則として決まった経路・時刻で多数を運び、タクシーは利用者ごとの個別輸送です。DRTは複数の予約を乗り合わせる点がタクシーと異なり、予約に応じて経路や時刻を変える点が固定路線バスと異なります。ただし、停留所型・区域運行型など具体的な運行方式は地域ごとに異なります。
Q. DRTのメリットとデメリットは何ですか？
需要が薄い地域や時間帯でも、予約をまとめて運ぶことで移動手段を用意しやすい点がメリットです。一方、予約が必要なこと、希望時刻どおりにならないこと、乗り合わせによる迂回、混雑時に予約が成立しない可能性などがデメリットです。固定路線バスやタクシー助成を含め、地域の需要と運行条件に応じて比較する必要があります。
Q. DRTの導入費用・年間運行費・補助金はどのくらいですか？
全国一律の金額はなく、車両・運転者・予約配車システム・運行日数・地域条件で大きく変わります。本ツールのA・B・Cは、異なる参考事例をもとに便宜上1台年額として置いた独自の感度分析シナリオで、同じ費目・単位の実績レンジや市場相場ではありません。初期導入費も含みません。「補助後」の表示は、全運行費を補助対象として補助率1/2を適用できると仮定した単純試算です。実際には地域の見積りと、制度ごとの対象経費・要件・上限・採択審査の確認が必要です。
Q. DRTには何台の車両が必要ですか？
必要台数は、予約件数、移動距離、運行時間、許容待ち時間、定員、乗り合わせの成立しやすさで変わるため、人口だけでは決められません。本ツールでは1〜12台を動かし、行き便の成立見込み、待ち時間、代替交通が必要な割合、運行費の変化を比較できます。ただし多摩ニュータウンを想定した代表データによるβ版なので、実際の導入台数は道路網・予約実績・既存交通を使った地域別の検証が必要です。
Q. 往復ともDRTで移動できることを示していますか？
いいえ。主指標の成立見込みは、住まいから病院・駅・買い物などへ向かう「行き便」を需要で重み付けした試算です。帰り便は車両の稼働負荷としてシミュレーションに含まれますが、往復とも成立した利用者の割合を示す指標ではありません。実際の導入判断には、帰りの希望時刻を含む往復完遂率の確認が必要です。
Q. このツールは何を見せていますか？
公共交通が薄い郊外で、DRTを何台入れると病院・駅・買い物への行き便がどの程度成立するかを試算します。採用中の実装は、定員4人・最安挿入方式の相乗り配車シミュレーション約19万日分を学習した小型ニューラルネットです。ブラウザで車両台数や前提の変更を即時に試算し、読み込みに失敗した場合は車両台数だけを使う簡易モードへ切り替わります。多摩ニュータウンを想定した代表データであり、実運行の予測ではありません。
Q. 関東の住所・駅名を選ぶと、その地域の結果になりますか？
はい、②の「地域別簡易試算」は、選んだ地点の周辺に実在する地区・駅・病院・スーパーの代表点と距離を取得し、1〜12台を別計算します。地区名を取得できない場合は方位別の仮地点に切り替え、画面で明示します。ただし、人口や予約実績がないため需要は入力値の±30%、道路は直線距離の1.3倍とする簡易試算です。上段の①全体結果と③費用は従来どおり多摩市の代表モデル・共通単価で、地域別結果と分けて表示します。
Q. 表示されている数字は実運行や強化学習（RL）の結果ですか？
いいえ。表示値は、代表的な需要仮定を使った相乗り配車（定員4・最安挿入方式）のシミュレーションを学習したニューラルネットの推論です。強化学習（PPO）の配車ポリシーは検証中で、本番表示には使っていません。簡易モードでは車両台数だけに応じた単調計算を使います。いずれも実際の予約実績・道路網・時刻表・人口で検証した運行予測ではありません。
Q. 実際のエリアで使えるようになりますか？
関東1都6県では、周辺の実在地区・施設・距離を反映した地域別簡易試算を利用できます。事業計画に使える精密版には、実際の道路網での所要時間、GTFSに基づく既存交通、人口メッシュ、予約実績を使った再検証が必要です。
Demand Responsive Transport。決まったダイヤ・経路ではなく、利用者の予約に応じて経路や時刻を組む乗合型の交通。需要の薄い地域や時間帯で、固定路線バスより効率的になりうる。
ある地点から一定の条件（時間・手段）で到達できる範囲。本ツールでは、各住宅ゾーンからDRT・固定交通で届く拠点（駅・病院・商業）の集合を指す。
許容時間内にDRT・固定交通で行き便が成立せず、代替交通の検討が必要になる需要の割合。本ツールでは実際にタクシーや家族送迎を利用した割合を測っているわけではない。
Reinforcement Learning。試行錯誤を通じて「報酬」を最大化する行動方策を学習する機械学習の一分野。段2のDRT配車（どの車両でどの予約を受けるか）を学習するポリシーとして学習パイプラインに実装済みで、現在検証中。ヒューリスティック（挿入方式）の配車を上回ると確認できた場合にのみ、本番の推論へ反映する運用としており、現時点ではまだ反映されていない。
本来は重く時間のかかる計算（本ツールでは相乗り配車シミュレーション）の入出力関係を、軽量なモデルに学習させて代替するもの。本ツールでは学習済みニューラルネットが、シミュレーションの出力（到達圏・待ち時間など）をブラウザ上で即時に再現するサロゲートとして働く。
Open Neural Network Exchange。機械学習モデルを異なるフレームワーク間で共有できる標準形式。本ツールでは学習済みニューラルネットをONNX形式でブラウザに読み込み、サーバーへ問い合わせずに端末（ブラウザ）上でその場推論する（onnxruntime-webを使用）。
通院などで「行き」を引き受けたら「帰り」も成立させる必要があるという制約。行きだけ乗せて帰りが成立しないと利用者を目的地へ置き去りにするため、配車設計で重視される。ただし本ツールの到達率（reachRate）は「行き（住まい→拠点）」の成立のみで計算しており、帰り便は車両の稼働負荷としてシミュレーションには反映されるものの、到達率の分子・分母には含まれない。需要が逼迫する場面では、帰り便が一定割合不成立でも到達率自体は行きベースで高めに出ることがある。
年齢・目的・手段別の外出率や原単位の集計。段1で代表的な需要仮定を置く際の参考資料。
鉄道・バス等の公共交通オープンデータを提供。本チャレンジの前提となるデータ基盤。
デマンド交通の制度・運用。導入市町村の約8割がタクシー助成を併用する等、フォールバックの根拠。
需要の薄い地域でのデマンド型交通の有効性・評価に関する研究。縁辺でDRTが妥当とする根拠。
導入で利用者の約26%が外出増（通院・買い物が中心）という実証。効果の方向性の裏付け。
事前予約制ゆえ急な移動に弱い・回送・低い乗合率などの課題。配車設計で織り込む前提。
デマンド交通にも関係する国の補助制度。地域内フィーダー系統補助は、経常収益を差し引いた補助対象経費の1/2以内が基本で、要件・上限あり。金銭パネルは全運行費を補助対象と仮定した単純試算。
AIオンデマンド交通の実証事業全体におけるランニングコスト・イニシャルコストの参考事例。1台単価の実績ではなく、独自シナリオCを置く際の参考。
タクシー事業者への運行委託における収入保証額（2万円/台・日）の参考事例。純コストの実績ではなく、独自シナリオAを置く際の参考。
タクシー券方式の助成制度。DRTと異なり予算の確定性が長所という対比の根拠。
AIオンデマンド交通の導入動向とコスト構造の解説。金銭パネルの前提整理の参考。