## ポイント
- 生成AIを活用し、将来の都市構造を高精度に予測する新手法を開発  
 
-	建物密度・高さ・交通ネットワークなど複数の都市データを統合し、未来の都市レイアウトを生成  

-	都市の成長や変化を長期的に可視化でき、持続可能な都市計画や再開発の検討に活用可能  

## 概要
　北陸先端科学技術大学院大学 創造社会デザイン研究領域の[謝浩然](https://w-rdb.waseda.jp/html/100004540_ja.html)准教授（[早稲田大学 理工学術院総合研究所](https://www.waseda.jp/fsci/wise/)主任研究員）とDu, Xusheng大学院生（博士後期課程、JAIST SPRING研究員）と、天津大学建築学院のZhen Xu教授らの研究グループは、生成AIを活用し、都市の将来構造を高精度に予測する新技術を開発しました。

　本研究では、建物密度や高さ分布、交通ネットワーク、過去の都市変化パターンなど複数の都市の特徴データを統合的に分析し、長期的な都市構造の進化を一貫して可視化しました。本研究成果は、持続可能な都市計画や再開発戦略の高度化に貢献する基盤技術として期待されます。

　なお、本研究成果は、都市計画分野の国際学術誌「Sustainable Cities and Society」（Elsevier発行）に掲載され、2026年3月3日にオンライン版で公開されました。  

## 研究の背景
　世界的な都市化の進展により、都市は急速な成長と環境負荷の増大という二重の課題に直面しています。2050年までに世界人口の約7割が都市部に居住すると予測されており、都市構造の設計は、エネルギー消費や温室効果ガス排出、交通効率、生活の質などに大きな影響を及ぼします。そのため、現在の開発計画が将来の都市空間にどのような変化をもたらすのかを見通し、長期的視点に立った都市計画が求められています。

　しかし、都市の発展は、建物密度や高さ分布、交通ネットワーク、過去の発展経路など、複数の要因が相互に影響しながら進行する複雑な意思決定プロセスです。既存の生成AIモデルは、画像生成や、条件を一つだけ指定した変換には高い性能を示すものの、都市のように多様な要因が絡み合う空間構造を統合的に扱うことが難しく、また大規模都市を分割して処理する際には、隣接領域との不自然な不連続が生じやすいという課題がありました。さらに、時間の経過に伴う都市進化のパターンを一貫して捉える仕組みも十分ではなく、持続可能な都市計画を支える長期予測ツールとしては十分とは言えませんでした。

## 研究の内容
　本研究では、これらの課題を解決するため、画像生成AIを基盤とした都市進化予測フレームワーク「MMCN（Memory-aware Multi-Conditional generation Network）」を提案しました（図1）。本手法は、過去の都市レイアウトに加え、建物密度マップ、建物高さマップ、道路構造マップといった複数の都市要因を同時に入力し、統合的に学習することで、将来の都市レイアウトを予測するものです。
![img](https://storage.diamondv.jp/photos/inserted/ibtk93BeeaDYn1PUuztjaG/bad9e1fe-e82b-4d9c-9e3a-750c4ef0f1b5.jpg)
図１.生成AIによる都市将来予測の仕組み（MMCN）

　特に本研究では、都市をパッチ単位で処理する際に問題となる境界の不連続性を解消するため、隣接パッチの情報を参照する仕組みを導入しました。これにより、道路や建物配置が領域をまたいで自然につながるよう制御できます。また、過去の都市レイアウトを明示的な条件として組み込み、都市の歴史的変化パターンを学習することで、単なる静的な生成ではなく、時間的連続性を持つ予測を可能にしました。

　さらに検証のため、中国・深圳市を対象に2005年から2024年までの複数時点にわたる都市データを整理し、建物レイアウト、密度、高さ、道路構造などを含む、複数種類・複数時点の都市情報をまとめたデータセットを構築しました。提案フレームワークの異なる都市環境における都市間汎化能力をさらに評価するため、中国の他の2つの主要都市である上海と天津のデータを用いた都市間汎化実験も実施し、多様な空間条件下においても一貫性のある安定した都市レイアウト予測に成功しました。

## 研究の成果
　都市データ（深圳市）を用いた検証の結果、提案手法は既存の生成AIモデルと比較して、将来レイアウト予測の精度と空間的一貫性の両面で向上しました。都市レイアウトの画像や構造の類似度を示す指標SSIM（Structural Similarity Index Measure）では0.885を達成し、従来手法を上回る結果を示しました。また、都市を複数の領域に分割して予測する際に課題となる、隣り合う領域同士の境界の自然さを評価する指標Boundary IoU（Boundary Intersection over Union）でも0.642を記録しました。これにより、隣接するエリア間で生じがちな不自然な分断が大幅に抑制されていることが確認されました。

　図2に示す予測例では、既存手法では道路が途中で途切れたり、建物配置が不自然にずれる様子が見られるのに対し、提案手法では道路ネットワークや建物構造がより自然に連続していることが分かります。さらに、複数のパッチを接続した都市全体の再構成結果においても、都市構造が一貫した形で保たれていることが確認されました。
![img](https://storage.diamondv.jp/photos/inserted/ibtk93BeeaDYn1PUuztjaG/73a17b6c-a6d4-47e0-8dc4-140d61f33a68.png)
図２.将来都市レイアウト予測におけるパッチ再構成結果の比較

　また、複数期間にわたる予測結果の比較（図３）から、提案手法は単なる現在構造の再現ではなく、時間経過に伴う都市の拡張や密度変化といった進化傾向を反映したレイアウトを生成できることが示されました。これにより、長期的な都市発展シナリオの検討に活用できる可能性が示唆されました。

![img](https://storage.diamondv.jp/photos/inserted/ibtk93BeeaDYn1PUuztjaG/79db7a56-8dae-4c1c-8694-1013c90f1062.png)
図３.複数期間にわたる都市レイアウト予測結果

## 研究の意義と今後の展望
　本研究は、複数要因の相互作用を踏まえて都市の将来像を予測する生成AIフレームワークを提示し、空間的連続性と時間的一貫性の双方を考慮した都市進化予測を実現しました。将来の都市構造を視覚的に比較検討できることは、再開発計画や土地利用政策の検討、持続可能な都市成長シナリオの評価における有力な技術基盤としての活用が期待されます。

　今後は、他の国の都市への適用を通じて汎用性の検証を進めるとともに、より多様な都市形態を含むデータの拡充により、予測の安定性と一般化性能の向上を図ることが課題となります。また、実務における意思決定支援を見据え、都市計画のシナリオ分析に応用可能な形へと発展させていくことが期待されます。

## 研究支援
　本研究は、以下の研究資金の支援を受けて実施されました。
- 科学技術振興機構（JST）国家戦略分野の若手研究者及び博士後期課程学生の育成事業（BOOST） 次世代AI人材育成プログラム（若手研究者支援）（課題番号：JPMJBY24D6）
- 科学技術振興機構（JST）次世代研究者挑戦的研究プログラム（SPRING）（課題番号：JPMJSP2102）
- 中国国家重点研究開発計画（課題番号：2024YFC3808104-01）
- 中国国家自然科学基金（課題番号：52508023）

## 論文情報
掲載誌：Sustainable Cities and Society  

論文題目：AI-driven urban evolution forecasting: A unified memory-aware multi-conditional generation framework for sustainable development planning  

著者：Xusheng Du, Chengyuan Li, Qingpeng Li, Yuxin Lu, Yimeng Xu, Ye Zhang, Zhen Xu, Haoran Xie*  

ＤＯＩ：10.1016/j.scs.2026.107272  

掲載日：2026年3月3日にオンライン版に掲載


北陸先端科学技術大学院大学創造社会デザイン研究領域の謝浩然准教授（早稲田大学 理工学術院総合研究所主任研究員）とDu, Xusheng大学院生（博士後期課程、JAIST SPRING研究員）と天津大学建築学院のZhen Xu教授らは生成AIを活用し、都市の将来構造を高精度に予測する新技術を開発。

早大