注）

・ この研究では国土交通省が実施する全国輸出入コンテナ貨物流動調査のデータを利用しました。

・ 計算時間短縮のため、全体の1/80のデータで計算した参考結果です。大ロットの貨物が選外となった場合など、結果に多少の偏りがある可能性があります。

図の左側において貨物データとは貨物1個のもつ属性データ（発地、着地、品種、重量等）であり、貨物データの各属性項目を並べることで作成されます。一方で、候補経路データとは、当該貨物の発着地を結ぶ候補となる経路の属性データ(所要時間、費用、距離等)で、計n本分用意します。これに輸送実績データから得られる正解経路番号を加えることで1セットの学習データとなります。学習データは貨物個数分のセットが用意されます。

図の右側の出力は各径路が選ばれる確率で、最も確率が高いと予測された経路が正解の経路と一致しているか判定され、もし間違っていたら信号の流れ方が修正されます。以上のように反復学習させることで、図のニューラルネットワークはどのような貨物属性を持った貨物がどのような経路を選ぶ傾向が強いのか、という繋がりを学習していきます。

*以上は簡略化した説明です。詳しい仕組みを知りたい方はこちら をご参照ください。利用例を知りたい方はこちら をご参照ください。

図中央の(1)が現状を表します。現在は貨物2だけが対象港を通過していますが、港湾の改善等によって輸送時間や費用が現状より低減した場合は、例えば図左(2)の貨物3のように対象港を通過する貨物が増えます。増えた貨物とその発地(輸入の場合は海外港)・着地を集計します。

逆に、このまま対策を取らずに港湾が劣化等することにより輸送時間や費用が現状より増大した場合は、例えば図右(2)の貨物2のように対象港を通過する貨物が減ります。減った貨物とその発地(輸入の場合は海外港)・着地を集計します。

以上を、海外港と国内の地域単位で集計して可視化したのが表示される図になります。ここでは分かり易さを優先して単純な計算例のみ示してありますが、多様な例題について細かく条件を変えて分析を行う事も可能です。