![見出し画像](https://assets.st-note.com/production/uploads/images/139992059/rectangle_large_type_2_04bab94d4b189241962aa50bce8b7c91.png?width=800)
ナビアプリの予測精度を検証!年度末の交通渋滞予測の精度は?3月27日分
ナビアプリの予測移動時間の正確性に関する2回目の調査報告です。前回の調査では、2023年12月6日(水)は「普通」、12月7日(木)は「多い」と首都高の渋滞予測がされていました。今回の調査対象は、2024年3月27日(水)と28日(木)で、予測では「特に多い」とされています。これらの日は、前年における「多い」日が年間88日、「特に多い」日が28日(工事期間を除く)であったため、予測の難易度は高いと思います。
本報告では3月27日のデータについて評価します。
![](https://assets.st-note.com/img/1711630180306-5X5aJ7YVKS.png?width=800)
![](https://assets.st-note.com/img/1715605946678-ynFPKOwRiy.png?width=800)
調査方法概要
この調査は、国立府中インターチェンジから初台インターチェンジへの上り線で、ナビアプリの予測移動時間を比較するもので、初回調査と同様に行われました。ただし、今回は渋滞が酷くなる予想なので、30分早めて調査を開始しました(5時から9時15分)。各アプリの事前渋滞予測に基づいた移動時間と、リアルタイム交通情報による移動時間を5分ごとに記録し、その差異を分析しました。より正確なデータ取得のため、Google Maps Directions APIを使用してGoogleマップのリアルタイムデータを取得しました。APIの使用を検討しているため、ドライブサポーターやカーナビタイムのデータを先に取得し、昨年データを取得できなかったmoviLinkの交通情報遅延時間は最後に確認しました。このため、画面を切り替える必要があり、moviLinkのデータ取得は最後に行われました。
調査対象ナビアプリ
Googleマップ、Yahoo!カーナビ、Yahoo! MAP、ドライブサポーター、カーナビタイム、moviLink、アップルマップ、COCCHi
事前調査結果
異なるルートで得られた参考データも多数存在し、ルートに関する誤差も含まれることをご容赦ください。
※高速のみのルートが選択できないアプリもあります
![](https://assets.st-note.com/img/1715008757844-HfsFoeVDSd.png?width=800)
![](https://assets.st-note.com/img/1715061787055-D8HnHBVtOP.png?width=800)
リアルタイム交通情報による調査結果
高速のみのルートが選べたドライブサポーター、movilinkは不利なデータとなりやすいことは注意が必要です。
![](https://assets.st-note.com/img/1715103196150-7F0iHb6O0t.png?width=800)
注)ルートに関して間違いが多数あるかもしれません
![](https://assets.st-note.com/img/1715061301964-XLxOGRyAiM.png?width=800)
会社別の比較
Googleマップ
![](https://assets.st-note.com/img/1715103445727-mYjQFgi1E1.png?width=800)
![](https://assets.st-note.com/img/1715100540319-jZKQAGR3e0.png?width=800)
![](https://assets.st-note.com/img/1715065877011-IBUz9C8gqW.png?width=800)
ドライブサポーター&カーナビタイム
![](https://assets.st-note.com/img/1715103877402-w9uxkrXDF3.png?width=800)
![](https://assets.st-note.com/img/1715143778079-hvIpdW7s6K.png?width=800)
Yahoo!カーナビ&Yahoo! MAP
![](https://assets.st-note.com/img/1715099939087-sK6QWyudIa.png?width=800)
![](https://assets.st-note.com/img/1715083327393-HobV6xf6iQ.png?width=800)
COCCHi
![](https://assets.st-note.com/img/1715153932498-4rBtNBhjyj.png?width=800)
![](https://assets.st-note.com/img/1715153458969-NgR8J1oRUw.png?width=800)
アップルマップ
![](https://assets.st-note.com/img/1715153985815-HR1hB6tYmH.png?width=800)
![](https://assets.st-note.com/img/1715154064418-vOsbuXArQB.png?width=800)
moviLink
![](https://assets.st-note.com/img/1715154554860-lnc1p1pc6q.png?width=800)
![](https://assets.st-note.com/img/1715154587236-FZeqQiTFSd.png?width=800)
27日分まとめ
昨年行った集計方法によるまとめ
![](https://assets.st-note.com/img/1715609488370-uH0UN45llI.png)
この集計方法によると、COCCHiは事前予想通りに優れているように見えますが、グラフを分析すると、事前の予想とは異なる結果が多く示されています。このため、現在の集計方法ではパフォーマンスの良し悪しを正確に判断することが困難です。問題点を掘り下げてみると、主に二つの問題が浮かび上がります。一つは、渋滞していない時間帯も分析に含まれていること、もう一つは、予想とのズレが上下に生じる場合に、そのズレを正確に評価できないことです。
改善方法は主に二つあります。まず一つ目は、渋滞時間帯のデータを集計するため、去年と同様に開始時間を30分短縮し、5時30分からのデータを利用します。二つ目の改善策としては、時間ごとの変化率の絶対値を計算し、その平均値を見ることによりデータの解析を改善できると考えています。以下に改善後の集計結果の表を示します。
![](https://assets.st-note.com/img/1715611004297-ViJmW4ERWd.png?width=800)
この記事が気に入ったらサポートをしてみませんか?