AIを活用したマルチエージェントシミュレーション技術等の開発業務

検証や実証に用いた方法・データ・技術・機材

本システムは、イベント時の動線計画や回遊促進のための施策検討など都市における空間変容施策について、MASを用いることで施策効果を分析・検証・比較するためものである。この際に、3D都市モデルが持つ幾何学的な形状情報や属性情報を基盤として利用し、シミュレーション及び可視化におけるフィールド、エージェントの行動モデルのインプットとしている。特にエージェントの主観視点で写る3D都市モデルのテクスチャを基本とした視覚情報を、実際の都市における視覚情報を模擬したものと捉え、経路選択行動のインプットとして用いている。また上記の視覚情報及び行動判断はエージェントのメモリーとして蓄積しており、後述する対話型質問機能において、行動理由や感想をエージェントが自然言語として生成する際にも用いている。

本システムは、人流シミュレータと３次元空間表現ツールで構成される。この内人流シミュレータは、パラメータ設定機能・シミュレーション実行機能・分析機能に区分される。

利用方法の全体像として、ユーザーはまずパラメータ設定機能を用いて分析目的に沿った設定条件（パラメータ・シナリオ）を設定する。次にシミュレーション実行機能を用いて、設定条件にもとづいてシミュレーションを実行し、ログデータを取得する。この際に同時に3次元空間表現ツールを用いて、3D都市モデルにおけるエージェントの視覚情報を取得しシミュレーション実行にも用いている。最後に分析機能を用いて、ログデータをもとに可視化された図表（ダッシュボード機能）及び、エージェントに対する対話（対話型質問機能）によってそれぞれ定量的・定性的な分析を行う。またログデータは3次元空間表現ツールを用いて、アニメーションとして表示可能である。

人流シミュレータはPython又はjava言語を用いてスクラッチで実装した。人流シミュレータのいずれの機能においてもLLMを用いた。LLMはOllamaを用いてローカル環境に構築しており、APIサーバーとして起動し他機能から呼び出し可能としている。

初めに、パラメータ設定機能はチャットボットのUIとしており、ユーザーの入力をもとにシミュレーションの実行条件（パラメータ・シナリオ）を出力する。まずはチャットボットがユーザーに対して分析目的を尋ね、ユーザーの自然言語による入力をもとに分析区分設定及びパラメータの推薦を行う。ここで、ユーザーの意図抽出及び分類、意図を深堀するフォローアップ質問の生成、意図にもとづくパラメータの推薦においてLLMを用いている。その後は予め定めたフローチャートに従って、ボットによる質問→ユーザーの入力を繰り返し、施策を実施する場所・ユーザーの起終点・比較シナリオなどの設定を行う。なおLLMによる推薦が困難又はユーザーが自由に設定したいと回答したパラメータについては、ラジオボタンの選択・地図上の選択・自然言語の入力によって設定可能としている。最終的には比較対象とするシナリオ群について記述したjsonファイル及び各シナリオの条件を記述したcsvファイルが出力される。なお設定結果は画面表示され、詳細な値などを後で修正可能としている。チャットの構成はPythonライブラリであるRasaを用いて制御している。

次に、人流シミュレーション実行機能は、パラメータ設定機能で出力した設定条件にもとづいてシミュレーションを実行し、エージェントの行動ログデータを出力する。ここでシミュレーションはエージェントがそれぞれの行動モデルに従って都市内を滞在・移動する。なお行動モデルは歩行者の一般的な挙動特性に関する学術文献をベースに設定している。なお一部のエージェントはLLMを用いた行動選択も行うとしており、判断地点に到着すると3次元空間表現ツールを呼び出して視覚情報を取得し、視覚情報をもとにしたLLMの推論結果により経路を選択する。エージェント数及びエージェントの行動開始/終了の地点・時間は、パラメータ設定機能の結果及びパーソントリップ調査のデータに従う。

そして、対話型質問機能は、チャットボットのUIとしており、エージェントに対して質問を投げかけると応答が生成される。ここでエージェントは、パラメータ設定機能にもとづくプロファイル、及びシミュレーション実行機能にもとづく行動ログデータをプロンプトとして与えたLLMとしている。ユーザーの質問に対して、LLMは個人の感性・認識・経験に基づく回答を自然言語で生成する。なお対話の対象とするエージェントは、属性によるフィルタリング及び地図上の選択によって自由に選択可能としている。

最後に、3次元空間表現ツールによる3D都市空間の可視化は、PLATEAU SDK for Unity及びPLATEAU SDK-Toolkits for Unityを活用し、CityGML形式の3D都市モデルをUnity環境へインポートしたものを用いている。また、シミュレーション中のエージェントの主観映像を閲覧可能にするため、Unity Render Streamingを用いた。

これらのシステムの実証可能性及び従来手法に対する本システムの優位性を検証するために、パラメータ設定時間及びシミュレーション動作時間に関する検証を行った。

さらに、本システムの有用性を検証するために、自治体職員を被験者としたワークショップ形式の実証実験を行った。具体的には熊本県熊本市（桜町・花畑エリア）と愛知県豊橋市（豊橋駅前エリア）を対象とし、パラメータ設定機能及び分析機能の操作体験、アンケート・ヒアリングを行った。ヒアリングではシステムの操作性や改善点について意見を聴取すると共に、今後の活用可能性についてディスカッションを行った。

検証で得られたデータ・結果・課題

パラメータ設定時間及びシミュレーション動作時間の検証については、実際にシミュレーションツールを起動し、ユーザー利用を想定した画面遷移や読み込み時間などが実運用に適した速度で稼働するかを実計測している。

その後、実証実験では、熊本県熊本市（桜町・花畑エリア、約0.7㎢）と愛知県豊橋市（豊橋駅前エリア、約1㎢）の2箇所を対象とした。参加者として、都市計画、市街地整備、政策企画などの実務に携わる両市役所の職員計11名（熊本市5名、豊橋市6名）を対象としたワークショップ形式の実証実験を実施した。検証は、5段階のリッカード尺度を用いたアンケートと定性的なヒアリング調査を通じて行った。

システム性能の定量的評価として、「パラメータ設定時間」及び「シミュレーション動作時間」を実測した。パラメータ設定については、LLMを用いた対話型UIにより、従来手法では数ヶ月を要していた設定作業を、目標20分に対し平均5分で完了した。シミュレーションの動作時間についても目標4時間に対し実働3時間で完了した。検証の結果、LLMを活用したパラメータ設定は非専門家でも迅速にシミュレーションを開始できる環境を実現し、専門家への依存を大幅に削減できる可能性が示唆された。またLLM及び3D可視化を用いることで、シミュレーションにおける行動モデルは従来手法よりも計算量が多くなっているが、従来手法と同程度の時間で実行できたため、業務において大幅な支障は生じないと考えられる。

有用性検証のため、参加者11名に対するアンケート調査を実施した。「条件設定にかかる時間は短縮されたと感じましたか」「条件設定は実施しやすいと感じましたか」との質問に対しては、9名が5段階評価で「4」以上の高評価を与えた。特にユーザーが自由に入力した分析目的に対して、LLMが推論を行うことで適切なシナリオ種類に分類しパラメータの提案を行うこと、地図UIを用いているため自由な位置でイベント・道路設置などの施策が容易に設定可能なことが、作業工数圧縮・ユーザビリティの観点で評価されていた。LLMが設定根拠を提示しユーザーをガイドする仕組みが操作のハードルを下げることがうかがえた。

また、シミュレーション機能については、新たな定性的な知見が得られることや分析の幅が広がることが評価されていた。「シミュレーションの結果をもとに新たな知見を得られたまたは意外だと感じましたか」「条件設定は実施しやすいと感じましたか」という質問に対して、計11名の回答者のうち10名が、5段階中4以上と評価した。エージェントの主観視点に基づいた行動理由の言語化が、従来の定量分析では得られない定性的知見をもたらすことが示された。

一方で、シミュレーション結果の納得度については、「シミュレーションの結果について納得できましたか」という質問に対して、5段階中4以上の評価は計11名の回答者のうち4名にとどまった。対話型質問機能の景観情報に関する回答について、「実際の街を見た感想と比較すると信頼性が低い可能性がある」という指摘があったことなどが要因とみられる。対話型質問機能の活用を高めるためには、データを用いてLLMに関するチューニングを行うことに加え、フィールドとしている3D都市モデルの解像度を高める開発も並行する必要があると考えられる。

参加ユーザーからのコメント

【熊本市】
・観光客と住民といった属性を分けてシミュレーションをしてみたい。
・エージェントに行動の理由を質問する機能は、現在は一つのエージェントを対象にしているが、全エージェントに一括で質問できる機能も欲しい。
・こちらの操作や質問に対するツール上での回答が「ちゃんとした理由になっている」と感じられた。
・エージェント数の設定を要望して変えようとしても、なかなか思い通りの数にしてくれない場面もあった。

【豊橋市】
・システムが設定をある程度導いてくれることに魅力を感じた。
・エージェントからの回答がリアルでしっくり来た。
・人流データを持っていても、分析したいことに対してどのポイントをみたらよいか分からない場面も多いが、チャット形式で指示してくれるのが良い。
・こちらが行動の理由を質問したエージェントの行動をその後も追いかけたり、さかのぼれたりすると、より分析が深まるのではないか。

今後の展望

本実証実験を通じて得られた成果は、対話型UI及びLLMによってシミュレーションにおけるパラメータ設定を専門知識のない自治体職員によって自ら完結できることを確認できたことである。また、対話型質問機能は、「なぜその道が選ばれたのか」という主観的な行動理由を自然言語で引き出せるため、案内板の配置や地下道の有無などが行動原理及び全体に与える効果に関して、定性的エビデンスを提供できることが実証された。

シミュレーション結果の定量的な再現性に対する納得度について、アンケートでは5段階中4以上の評価は11名中4名にとどまり、ユーザーの感覚や実態との乖離を埋める必要性が浮き彫りとなった。また、LLMが地域の地名や施設名といった固有名詞を十分に把握していないためやり取りがかみ合わないケースや、エージェントの主観的な回答の信頼性が、3D都市モデルの解像度や学習データの質に大きく依存するといった技術的なボトルネックも特定された。

これらの課題を踏まえ、今後はRAG（検索拡張生成）技術を用いて、地域の固有名詞や組織固有のデータを自在に参照できる仕組みを構築する。あわせて、実測データを用いて、シミュレーション結果との結果を定量的に評価するとともに、乖離を自動的に微調整（キャリブレーション）する機能を開発することで、定量的な信頼性を大幅に向上させる。さらに、シミュレーション機能については、多様な施策でのシミュレーションのニーズがある中で、まずは直近のニーズが高い避難シミュレーションやウォーカブル施策に関するシミュレーションをターゲットとし、マクロ・メソスケールの人流を表現可能として、ユースケースを拡張していく。

将来的には、このシミュレーション技術を誰もが自在に使いこなせるツールへと一般化し、自治体職員が日々地域の課題にデータに基づいた確信を持って向き合える、まちづくりDXのスタンダードとなることを目指す。