11/06 開催

1. データビジュアライゼーションをきっかけに
沖縄の交通の「次の⼀⼿」を考えよう
東京⼤学 ⼤学院情報理⼯学系研究科
附属ソーシャルICT研究センター
伊藤昌毅
Okinawa Open Data Challenge 2021（プレイベント）
2021年11⽉4⽇
宜野湾ベイサイド情報センター Gwave

2. 伊藤 昌毅
• 東京⼤学 ⼤学院情報理⼯学系研究科
附属ソーシャルICT研究センター 准教授
• 静岡⼤学 ⼟⽊情報学研究所 客員教授
• 専⾨分野
– ユビキタスコンピューティング
– 交通情報学
• 経歴
– 静岡県掛川市出⾝
– 2002 慶應義塾⼤学 環境情報学部卒
– 2009 博⼠（政策・メディア） 指導教員︓ 慶應義塾⼤学 徳⽥英幸教授
– 2008-2010 慶應義塾⼤学⼤学院 政策・メディア研究科 特別研究助教
– 2010-2013 ⿃取⼤学 ⼤学院⼯学研究科 助教
– 2013-2019 東京⼤学 ⽣産技術研究所 助教
– 2019-2021 東京⼤学 ⽣産技術研究所 特任講師
– 2021-現在 現職
• 資格
– 運⾏管理者（旅客）
2

3. • 標準フォーマット関連
– バス情報の効率的な収集・共有に向けた検討会 座⻑(H28年度)
– 標準的なバス情報フォーマット利活⽤検討会 座⻑(H29年度)
– バス情報の静的・動的データ利活⽤検討会 座⻑（H30年度）
– GTFS-JPに関する検討会 委員（R2年度）
• オープンデータ関連
– 公共交通分野におけるオープンデータ推進に関する検討会 委員（H29年度-R3年度）
• MaaS関連
– 都市と地⽅における新たなモビリティサービスのあり⽅懇談会 委員（H30年度）
– 新モビリティサービス推進事業有識者委員会 委員（R1年度）
• 交通政策審議会
– 交通政策基本計画⼩委員会 委員（R1年度-）
• シェアサイクル
– シェアサイクルの在り⽅検討委員（R1年度-）
• 鉄道
– 鉄道の混雑緩和に資する情報提供のあり⽅に関する勉強会 委員（R2年度）
• 点呼
– 運⾏管理⾼度化検討会・ワーキンググループ（R2年度-）
伊藤×国⼟交通省

4. • 経済産業省 オープンデータ関連
– 官⺠データの相互運⽤性実現に向けた検討会 座⻑(H29年度)
– 情報共有基盤 利⽤促進ワーキンググループ 委員（H30年度）
• 総務省 オープンデータ関連
– 地域情報化アドバイザー（R2年度〜）
伊藤×経済産業省・総務省

5. • 沖縄観光2次交通の利便性向上に向けた検討委員会 座⻑（H30年度-R2年
度）
• 群⾺県バスロケーションシステム実証実験 アドバイザー（R1年度）
• さいたま市 スマート駅広研究会 副会⻑（R2年度〜）
• 佐賀市 街なか未来技術活⽤モデルプラン策定業務有識者会議 委員(R2年
度〜)
• 東京都 東京都における地域公共交通の在り⽅検討会 委員(R2年度〜)
• R3年度、更に2⾃治体と調整中
• その他⾃治体主催のイベントでの講演多数
– 静岡県掛川市、⽯川県能美市、群⾺県、島根県安来市、沖縄県、富⼭県、岐⾩県、北海道な
ど
伊藤×地⽅⾃治体

6. • バスの仕事に関わってからデータを扱う機会が増えた
• ⾮専⾨家による⼊⾨編
本⽇のトピック: データ

7. データ
インフォ
メーション
インテリ
ジェンス
データとは︖

8. • 測定や観察、推論などで得られた、事物の状態や様相などを主
に定量的に表現したもの。「何がどうだ」という形をとる
• 観測者や測定⽅法などが異なっても、同じ値になることが望ま
しい。
• 実際には、ほぼ全てのデータには誤差がある。そのため、デー
タは精度を考慮して扱う必要がある
データ
※ 定義は伊藤による
• データの例
– ⾵呂のお湯︓ 40度
– 新⾸相の⽀持率︓ 68%
– 好きな⾊︓ ⾚
• データではない例
– 30⼈
– キャプテンの額に汗が滲んだ
– バス︓ 遅い

9. • 解釈して、意味の理解や価値判断が出来るデータ
– 解釈出来るかはその⼈の知識に依るので、データを情報と⾒なせるかどうかは⼈によっ
て異なる
• 例
– テストの点数︓ 60点 → このままではデータ
– 平均点が30点、最⾼得点が62点という判断基準が⽰されると解釈可能になる
• データを情報にするために
– データ取得状況に注⽬し意味の読み換え
– 異なる時刻、異なる場所、異なるサンプルのデータを収集し、差や変化に注⽬
– 異なるデータと突き合わせてデータを説明させる
– 判断基準の明確化
インフォメーション
※ 定義は伊藤による

10. • 意志決定に寄与するように解釈され、秩序づけられた事実
• データに基づくが、分析者の主観（洞察）によって隠れた意味
を読み解くところに価値がある
• 情報を利⽤する「⽬的」と表裏⼀体。何をしたいかによって求
められるものが変わる
• 例
– テストの点が 40点→38点→42点→60点→80点
– →途中から努⼒して勉強に励んだ
インテリジェンス
※ 定義は伊藤による

11. • 伊藤は2003年より常時
GPSを持ち歩き、移動履
歴を記録している
• 時刻・緯度・経度データ
を数秒おきに記録
例︓ 伊藤の⾏動履歴データ

12. 番
番号
号 緯
緯度
度 経
経度
度 時
時刻
刻
1 26.049484 127.707568 2021/11/5 10:41
2 26.203311 127.644437 2021/11/5 10:50
3 26.204844 127.649023 2021/11/5 11:00
4 26.206459 127.652211 2021/11/5 11:10
5 26.196753 127.667002 2021/11/5 11:20
6 26.210531 127.676554 2021/11/5 11:31
7 26.211084 127.675498 2021/11/5 11:40
8 26.211636 127.675411 2021/11/5 11:50
9 26.210955 127.675742 2021/11/5 12:00
10 26.211131 127.674868 2021/11/5 12:10
11 26.211325 127.675635 2021/11/5 12:20
データ︓ GARMIN eTrex 30xJ のログデータ
（抜粋）

13. • データ取得状況に注⽬し意味の読み換え
– GPSデバイスの位置情報→伊藤の位置情報
• 異なる時刻、異なる場所、異なるサンプルのデータを収集し、
差や変化に注⽬
– 時系列での変化を追う
• 異なるデータと突き合わせてデータを説明させる
– 緯度経度を鍵として、地図データと突き合わせる
• 判断基準の明確化
– この範囲内の数値は⽇本、沖縄県
– ほぼ同じ数値が連続する→完全に停⽌している
これをインフォメーションにするために

14. • 騒⾳が30dB → ほとんど⾳がしない。静か
• コートが3着売れた → 冬物⾐料が3着売れた
• 新規新型コロナ感染者減少 → ⽇曜⽇だからそもそも検査が少
ないので、実際は減ってない
• テストの点90点 → 今回は⼭が当たったので、実⼒は70点くら
い
数字の意味の読み換え: 実はよく⾏っている

15. 番
番号
号 緯
緯度
度 経
経度
度 時
時刻
刻
1 26.049484 127.707568 2021/11/5 10:41
2 26.203311 127.644437 2021/11/5 10:50
3 26.204844 127.649023 2021/11/5 11:00
4 26.206459 127.652211 2021/11/5 11:10
5 26.196753 127.667002 2021/11/5 11:20
6 26.210531 127.676554 2021/11/5 11:31
7 26.211084 127.675498 2021/11/5 11:40
8 26.211636 127.675411 2021/11/5 11:50
9 26.210955 127.675742 2021/11/5 12:00
10 26.211131 127.674868 2021/11/5 12:10
11 26.211325 127.675635 2021/11/5 12:20
時系列データ︓ 距離を計算（約10分間隔・直線距離）
18,174m
489m
365m
1,828m
1,800m
122m
62m
82m
89m
80m
時速100km以上
かなり⾼速
ほとんど
⽌まってる︖
時速10km以上
街中の乗り物︖

16. • 1番⽬の点は海上、2番⽬以降は陸上
• 2番⽬の点は那覇空港
• → 10:50頃、空路によって那覇空港に
着陸した
緯度経度に基づき地図と重ねる 1

17. • 2,3は那覇空港内
• 4: 那覇空港駅付
近
• 5: ⼩禄駅付近
• 6: 旭橋駅付近
• 11:10頃〜11:30
頃にモノレールで
移動した
緯度経度に基づき地図と重ねる 2

18. • 6以降は旭橋駅周辺
• 7→8→9→10→11は短距
離のランダムな動き
• ⾼い建物がある場合GPS
の電波が届かず不正確に
なるので、静⽌している
可能性もある
• → 11:40以降旭橋駅周辺
に滞在
緯度経度に基づき地図と重ねる 3

19. • 伊藤の⾏動
– 10:50頃、空路によって那覇空港に着陸
– 11:10頃〜11:30頃にモノレールで移動
– 11:40以降旭橋駅周辺に滞在
• で、どうすればいいの︖︖︖ →インテリジェンスを導き出せ
るか︖
解釈されたインフォメーション

20. • 様々な周辺情報などを加味しながら、より深くインフォメー
ションの意味を読み解く
• 何かを判断する⼿掛かりに
• 情報を利⽤する⽬的
– 次の仕事を依頼するのにふさわしいか判断したい
– 新製品を買って欲しい
– 伊藤の「追っかけ」をやりたい
インテリジェンス

21. • 昼頃旭橋駅にいたのだから昼⾷を取っただろう
• ⼟地勘がないから、アプリで店を探しただろう
• Google Mapsには2件のレストランが登録
「⾷事」を解釈

22. • 繁華街の駅近くの店に⼊るのだから、郷⼟料理にはあまり興
味がなさそう
– →地⽅創⽣、地域活性化などの仕事は頼まない⽅が良い︖
• 店で昼⾷を⾷べるのだから、時間にはゆとりがありそう
– →どんな仕事でも頼んだら引き受けてくれるのではないか︖
• ネット情報によると会議は15:30開始なので、早めに来て観
光するのではないか︖
– →近くの観光情報を伝えると⾏ってくれそう
• 当たってたり外れてたり。お役に⽴てましたでしょうか︖
どんなインテリジェンスが得られる︖

23. データ
インフォ
メーション
インテリ
ジェンス
それぞれの段階をどう受け⽌められる︖
意味不明の数字が
たくさんある
意味はわかった
だから、何︖
こうすればいいの
か。
次はこうしよう。

24. • 「⽬的」があったはず
– 伊藤が何を⾷べたかはどうでもいい話だが、取引先の社⻑ならば話が違う
• 今回の⽬的︓ 交通をより良くする
そもそも何のためのインテリジェンス︖

25. • 発⾒フェーズ
– どのような問題があるか探す
• 課題の重要性だけでなく、規模、必要な期間が「解けそう」であることも⼤事
• 決定フェーズ
– 企業や役所内部で課題解決プロジェクトの承認を得る
• 必要な期間や経費を⾒積もり、「解ける」ことを説得することが⼤事
• 実⾏フェーズ
– 様々な⼈を巻き込み、動いてもらう必要
• 理解を得て納得してもらうことが⼤事
• 評価フェーズ
– ほんとうに効果があったか、課題が解決されたかを確認
• うまく⾏かなかった場合でも、誤魔化さず後に繋がる知⾒を得ることが⼤事
交通をより良くするプロセス
課題発見 施策決定 施策実行 結果評価

26. • 発⾒フェーズ
• 決定フェーズ
• 実⾏フェーズ
• 評価フェーズ
各フェーズにおいてデータ活⽤が⼤事

27. • 本当の課題は最初は分からない
• 「こんな課題があるだろう」と仮説を⽴て、それを元にデータ
を探る
• ⼀発で課題にたどり着くことはない。仮説をデータで検証し、
より精度の⾼い課題にたどり着くことが⼤事
– このサイクルを何回も回す
– 毎回のサイクルで、データ分析を⾏って「仮説は正しいかどうか」を⽰すインテ
リジェンスを得る
本⽇の事例︓ 課題発⾒フェーズ

28. • バスに乗る⼈が少なすぎる
• バスの便利さが伝わっていない
• バスの便利さを伝えればもっと利⽤が増えるはず
最初の仮説

29. • バスデータ︓ OTTOPの
オープンデータ
– 48件のGTFSデータが公開中
– ⼀部主要バス事業者を除くほぼ
全てのモノレール、バス、船舶
のデータ
まずはデータを⾒てみよう
https://www.ottop.databed.org

30. GTFSデータ
• GTFS世界で広く使われる公共交通データ形式
• 乗換案内に必要な情報（バス停・駅＋路線＋時刻表＋運賃）をまとめて格納
したファイル形式
バス停/駅+路線 時刻 運賃

31. • x

32. 32
2018年11⽉︓30
2019年2⽉︓90 2019年7⽉︓126
2018年7⽉︓23
0
50
100
150
200
250
300
350
2017年7⽉
2017年10⽉
2018年1⽉
2018年4⽉
2018年7⽉
2018年10⽉
2019年1⽉
2019年4⽉
2019年7⽉
2019年10⽉
2020年1⽉
2020年4⽉
2020年7⽉
2020年10⽉
2021年1⽉
事業者数

33. • 地域をは知っている公共交通の全体像を掴む⼿法
• GTFSデータにおいては、QGISのGTFS-Goプラグインを⽤い
て作成可能
– https://qiita.com/Kanahiro/items/976900c4e5542acfe29d
• PostGISによる作成⽅法もドキュメント化
– https://qiita.com/niyalist/items/50acea5837c52aa51b31
運⾏頻度図の作成

34. 都バスのサービスレベルを把握するマップを作成

36. • データは乗り場単位で作成
されている
• データ分析においては、同
名のバス停はまとめた⽅が
わかりやすい
• とはいえ、同じ名前の全く
違うバス停も…
バス停の束ね

37. 実演

38. • データを⾒ると、全体を分かったつもりになる
• 実際の交通は1⼈ひとりの移動であり、全体像を把握するだけ
では掴みきれない
• ⾃分がよく知っている場所、路線などを⾒て、数字と体感を⼀
致させる
• いちばん⼤きく拡⼤するのが⼤事
• 背景地図を航空写真にした⽅が良い
データを読んでみる

39. • 最新は2015年の国勢調査
– 250メートルメッシュデミル
• 同じく、データを読むのに時間を使う
– ⼈⼝が多いところはどこですか︖
– ⾃分が住んでいる地域の数字から、体感を得る
国勢調査データを重ねる

41. 実演

42. 公共交通の運⾏本数の直感的把握

43. ⼈⼝と運⾏本数⽐較

44. 中⼼地からの到達時間

46. • 企業や役所内にある何かをデータ化して、活⽤したい
– →データ作りの段階では⼈間らしい考え⽅が邪魔になる
組織の中でどうデータを⾒つけるか・データ化するか

47. • 客観的なものに向
き合うことで、理
性的な対話が出来
る
• 解釈のアイディア
が出やすい
⼈対⼈ではなく、皆がデータに向き合うように

48. • × データ活⽤
• ○課題発⾒・解決
データ活⽤プロジェクトを考えてみよう

49. • 社内データ
– 運営、営業上の重要事項を表現
– 外には出せないが、どう解釈していいか分からない
• 「テストの点数60点」と同じ状態
• 公開（オープン）データ
– 社会全体の共通知識となるようなデータ
– それ⾃体に新しい発⾒はないが、何かを考える時の基礎となる
• 社内データを公開データに基づいて評価することでデータから
インフォメーション・インテリジェンスに繋がっていく
社内データ+公開（オープン）データで洞察を深める

50. • ⼈間にとっては右の⽅が理解しやすい
• データとする場合は、余計な解釈をせずそのままの数字を出す
べき
どちらが分かりやすい︖どちらが「データ」らしい︖
番
番号
号 緯
緯度
度 経
経度
度 時
時刻
刻
1 26.049484 127.707568 2021/11/5 10:41
2 26.203311 127.644437 2021/11/5 10:50
3 26.204844 127.649023 2021/11/5 11:00
4 26.206459 127.652211 2021/11/5 11:10
5 26.196753 127.667002 2021/11/5 11:20
6 26.210531 127.676554 2021/11/5 11:31
7 26.211084 127.675498 2021/11/5 11:40
8 26.211636 127.675411 2021/11/5 11:50
9 26.210955 127.675742 2021/11/5 12:00
10 26.211131 127.674868 2021/11/5 12:10
11 26.211325 127.675635 2021/11/5 12:20
10:50頃、空路によって那覇空港に着陸
11:10頃〜11:30頃にモノレールで移動
11:40以降旭橋駅周辺に滞在

51. データを1件ごと切り出せるように
出典：統計表における機械判読可能なデータ作成に関する表記方法
https://www.soumu.go.jp/main_content/000723697.pdf

52. • AI・機械学習
– ほとんどの場合⼈間のほうが賢い
– 「ひらめき」がないので仮説検証のループにおいてはほとんど役に⽴たない
– ⼤量のデータをそこそこの精度で継続的に処理する場合にのみ導⼊を検討
当⾯考えなくていいこと

53. • 決定フェーズ
– 社内、組織内にやりたいことを分かってもらう
• 実⾏フェーズ
– 関係者、⼀般市⺠などに取り組みやその成果を理解してもらう
• データやビジュアライゼーションを⽤いることで効果的なコ
ミュニケーションが可能に
説得、共感、コミュニケーション

54. データを遠いものと思わず
⾃分事にしてみる挑戦を是⾮︕