画像解析技術を用いたSEVの行動パターン分析と充電インフラ設備配置計画の検討

最終的な目的である画像解析技術を用いたSEVの行動パターン分析手法の開発のための準備段階として2022年度は得られたSEV（ここではバッテリー交換型2輪EV）のGPSログデータから，（１）トリップおよび１日のトリップチェーンの生成，（２）画像解析による分析の比較対象としてのトリップの図形的特徴に基づく類型化，および（３）画像解析技術を用いたトリップチェーンの類型化方法の検討を行った．以下にその概要を述べる．（１）得られたSEVのログデータを概観し，位置・時間精度が低いと思われるデータを取り除いた．次に，時系列の位置情報と停車時間からトリップを生成し，各ユーザーの１日のトリップチェーンとして整理した．この結果，１トリップの距離，トリップチェーン内での多目的地の数のばらつきが見られ，ユーザーによりSEVの利用方法が多様であることが分かった．（２）トリップチェーンを可視化し，その図形的特徴を数値化した．具体的には，出発地と最終到着地が一致するトリップチェーンの目的地間を順に直線で結び生成した閉じた多角形に対し，頂点の個数，始終点から最遠頂点までの距離，多角形の面積などの8つの図形的な尺度を算出した．これらに加え，総走行距離や滞在時間などの数値情報を加え，主成分分析を適用し，情報量の縮約を行った．この結果をクラスター分析することでトリップチェーンを類型化した．この結果，一定の解釈が可能なトリップチェーン類型を得た．これに基づき，ユーザーの時系列的なトリップチェーンの変化を捉えることができた．（３）機械学習を用いた画像解析技術について文献調査を行い，本データに適用可能な手法を検討した．

最終的な目的である画像解析技術を用いたSEVの行動パターン分析手法の開発のための準備段階として2022年度は得られたSEV（ここではバッテリー交換型2輪EV）のGPSログデータから，（１）トリップおよび１日のトリップチェーンの生成，（２）画像解析による分析の比較対象としてのトリップの図形的特徴に基づく類型化，および（３）画像解析技術を用いたトリップチェーンの類型化方法の検討を行った．以下にその概要を述べる．（１）得られたSEVのログデータを概観し，位置・時間精度が低いと思われるデータを取り除いた．次に，時系列の位置情報と停車時間からトリップを生成し，各ユーザーの１日のトリップチェーンとして整理した．この結果，１トリップの距離，トリップチェーン内での多目的地の数のばらつきが見られ，ユーザーによりSEVの利用方法が多様であることが分かった．（２）トリップチェーンを可視化し，その図形的特徴を数値化した．具体的には，出発地と最終到着地が一致するトリップチェーンの目的地間を順に直線で結び生成した閉じた多角形に対し，頂点の個数，始終点から最遠頂点までの距離，多角形の面積などの8つの図形的な尺度を算出した．これらに加え，総走行距離や滞在時間などの数値情報を加え，主成分分析を適用し，情報量の縮約を行った．この結果をクラスター分析することでトリップチェーンを類型化した．この結果，一定の解釈が可能なトリップチェーン類型を得た．これに基づき，ユーザーの時系列的なトリップチェーンの変化を捉えることができた．（３）機械学習を用いた画像解析技術について文献調査を行い，本データに適用可能な手法を検討した．