1 軌跡解析の概念と目的
軌跡解析は、対象の移動や状態変化を時系列に沿って記録したデータから、規則性や差異を見いだす分析である。位置だけでなく、速度、向き、停止、加減速といった要素も扱い、単なる記録の集積を意味のある情報へ変換することを目指す。工学、行動科学、交通研究、スポーツ科学などで広く用いられ、観測対象の理解、予測、制御に結びつく。
1.1 軌跡の定義と構成要素
軌跡は、ある対象がどの時点でどこにあり、どのように移ったかを示す連続的な記録である。典型的には、時刻と空間座標を基礎に、そこから導かれる運動量や姿勢情報が加わる。解析では、これらの要素の整合性が重要であり、欠落や誤差の有無が後続処理の精度を左右する。
1.1.1 時刻
時刻は、各観測点を順序づける基本情報である。均等な間隔で取得される場合もあれば、機器の制約や通信状況により不規則になる場合もある。時刻の扱いが不適切だと、速度や加速度の算出、異なる系列の比較にずれが生じる。
1.1.2 空間座標と参照系
空間座標は、対象の位置を表す中心的な情報である。緯度経度、平面直交座標、画像座標など、用途に応じた表現が使われる。参照系が異なるデータ同士を比較するには、座標変換や基準点の統一が必要になる。
1.1.3 観測値と派生量（速度・加速度など）
観測値は直接得られる位置や姿勢を指し、派生量はそれらから計算される速度、加速度、角速度などを含む。派生量は動きの変化を捉えるうえで有用だが、微分に近い処理を伴うため、ノイズの影響を受けやすい。したがって、推定方法と平滑化の選択が重要である。
1.2 解析の代表的な目的
軌跡解析の目的は、単に経路を記述することではなく、その背後にある行動や状態を解釈する点にある。どのような経路をたどったか、通常と何が異なるか、次にどう動くかを把握することで、観測や支援の質を高められる。
1.2.1 パターン抽出
パターン抽出では、似た移動のまとまりや典型的な経路を見つける。これにより、頻出ルート、停止の繰り返し、方向転換の傾向などが把握しやすくなる。大量の記録を要約する手段としても有効である。
1.2.2 異常検知
異常検知は、通常とは異なる挙動を見つける作業である。予期しない停止、逸脱経路、急激な速度変化などが対象となる。異常は故障、測定誤差、危険兆候のいずれでもありうるため、文脈に応じた解釈が必要である。
1.2.3 予測と意思決定支援
予測では、現在までの軌跡から次の位置や進行方向を見積もる。意思決定支援では、その結果をもとに案内、制御、警告、資源配分などを行う。予測の精度だけでなく、応答の速さや説明のしやすさも実用上の要件となる。
1.3 関連分野との位置づけ
軌跡解析は独立した専用分野というより、複数の研究領域を横断する方法論として位置づけられる。対象の行動を理解する観点、移動を記述する観点、経路を設計する観点が重なり合っている。
1.3.1 行動分析
行動分析では、移動の型から目的や状態の推定を行う。滞在時間、往復の有無、加速の仕方などが手がかりになる。単純な位置の比較よりも、連続的な変化の読み取りが重視される。
1.3.2 交通・移動研究
交通・移動研究では、人や車両の移動記録を通じて、流れや需要、混雑の構造を把握する。軌跡は、経路選択や経由地の把握に役立つ。都市計画、運行管理、施設設計などへの応用も多い。
1.3.3 ナビゲーション・経路計画
ナビゲーションと経路計画では、到達可能性や効率を考慮しながら移動経路を決める。観測された軌跡は、実際の選択傾向を示す実データとして利用される。理論上の最短路と現実の行動の差を評価する際にも有用である。
2 データ取得と前処理
軌跡解析の精度は、データ取得の方法と前処理の質に大きく依存する。観測の段階で生じた不完全さは、後で補うのが難しいことが多い。そのため、記録方法の選定、品質確認、整形処理を一連の作業として設計する必要がある。
2.1 観測データの種類
軌跡データは、位置を直接測るものだけでなく、画像や複数センサの統合から得られるものもある。対象や環境に応じて、計測の粒度、更新頻度、誤差の性質が変わる。
2.1.1 位置センサ（GPS等）
位置センサは、屋外移動の記録で広く用いられる。衛星測位は手軽だが、建物や地形の影響で誤差が増えることがある。利用場面に応じて、補助信号や差分補正を組み合わせることがある。
2.1.2 画像・動画からの追跡
画像や動画からの追跡では、対象の見た目や輪郭を手がかりに位置を推定する。歩行者、車両、スポーツ動作などに適用される。遮蔽や視点変化の影響を受けやすく、検出と追跡の両方の安定性が求められる。
2.1.3 センサフュージョン
センサフュージョンは、複数の観測源を統合して精度や頑健性を高める方法である。位置、慣性、映像、環境情報などを組み合わせることで、単独のセンサでは得にくい補完効果が期待できる。一方で、同期と重みづけの設計が難しい。
2.2 データ品質の課題
軌跡データには、欠損、不均一な間隔、ばらつきの大きい誤差などが含まれやすい。これらは見かけ上の移動や停止を作り出し、誤った解釈を招く原因になる。
2.2.1 欠損と不規則サンプリング
欠損は、通信障害や計測停止により生じる。不規則サンプリングは、取得時刻の間隔が一定でない状態を指す。両者は速度推定や変化点検出を不安定にするため、補間や再標本化が必要になる。
2.2.2 ノイズと外れ値
ノイズは、観測値が細かく揺らぐ現象で、外れ値はその中でも大きく逸脱した点である。これらは短時間の急変や不自然な跳躍として現れる。除去しすぎると本来の挙動まで失われるため、慎重な基準設定が求められる。
2.2.3 座標の誤差特性
座標の誤差には、系統的なずれと偶然的な散らばりがある。屋内外、都市部、開放空間などで性質が異なる。誤差の形を理解しておくと、後続の解析で過度な確信を避けやすい。
2.3 前処理手法
前処理は、データを解析可能な形に整える作業である。目的は、単に欠点を消すことではなく、必要な構造を保ったまま比較しやすくすることにある。
2.3.1 補間・平滑化
補間は、抜け落ちた点を周囲の情報から推定する。平滑化は、細かな揺れを抑え、全体の傾向を見やすくする。どちらも有効だが、急な曲がりや停止を鈍らせる場合がある。
2.3.2 座標変換と時系列整合
座標変換は、異なる参照系をそろえるために行う。時系列整合は、複数系列の時刻を比較可能にする処理である。これにより、異なる機器や場面で取得された記録を同じ枠組みで扱える。
2.3.3 外れ値除去
外れ値除去は、明らかに不自然な観測を取り除く工程である。統計的な閾値、運動学的制約、近傍との整合性などが判断材料になる。除外の基準は、対象分野の実態に合わせて設定する必要がある。
3 軌跡の表現と特徴量設計
軌跡は、そのままでは長さや形式がそろわないことが多い。そのため、比較や学習に使いやすい形へ変換し、必要な特徴を抽出する作業が重要になる。表現方法の選び方は、解析の目的に強く依存する。
3.1 座標・時間の正規化
正規化は、異なる対象や条件で得られた軌跡を比較可能にする手続きである。サイズ、向き、速度の違いを吸収することで、共通する構造が見えやすくなる。
3.1.1 歩行者・車両などのスケール調整
対象の種類によって移動の尺度は大きく異なる。歩行者と車両では速度域も停止の意味も違うため、単純な値の比較は適切でない。スケール調整により、相対的な変化を扱いやすくする。
3.1.2 原点合わせ・回転補正
原点合わせは位置の基準をそろえる操作であり、回転補正は向きの違いを取り除く処理である。これにより、開始位置や進行方向が異なっても形状の類似性を評価しやすくなる。
3.1.3 時間伸縮への対応
同じ経路でも、速さが違えば時系列の長さは変わる。時間伸縮への対応は、進行の早い遅いをならし、共通の構造を抽出するために行う。系列整列や再標本化がよく使われる。
3.2 軌跡の幾何学的特徴
幾何学的特徴は、軌跡の形そのものを表す。局所的な曲がりや全体の長さ、分岐の位置などは、経路の性質を示す基本情報である。
3.2.1 曲率・向き変化
曲率は、軌跡がどの程度曲がっているかを示す。向き変化は、進行方向の連続的な移り変わりを捉える。これらは、直進、旋回、蛇行といった運動の違いを表現するのに役立つ。
3.2.2 距離・経路長
距離は始点と終点の間の直線的な隔たりであり、経路長は実際にたどった道のりである。両者の差は、回り道や複雑さの指標になる。効率性や迂回の程度を評価する際に使われる。
3.2.3 分岐点・折れ点の検出
分岐点や折れ点は、進路が変わる重要な位置である。地図上の交差点だけでなく、行動上の判断点を示す場合もある。検出により、経路構造の要約やイベント抽出がしやすくなる。
3.3 運動学的特徴
運動学的特徴は、動きの強さや変化の速さを表す。形状だけでは見えない時間的なリズムや停止の区間を把握するのに向いている。
3.3.1 速度プロファイル
速度プロファイルは、時間に沿った速度の変化を示す。加速、減速、一定移動、停止の区別に有効である。滑らかな流れか、断続的な動きかを判断する材料にもなる。
3.3.2 加速度変化
加速度変化は、速度の増減の仕方を表す。急な立ち上がりやブレーキ、動作の切り替えを見つけやすい。短時間の揺れに敏感なため、前処理との組み合わせが重要になる。
3.3.3 滞在（ステイポイント）推定
滞在点は、対象がほぼ同じ場所にとどまった区間を示す。休憩、待機、観察、作業などの意味を持つことがある。推定では、移動量と持続時間の両方を考慮する。
3.4 特徴量の学習可能化
学習可能化とは、解析や機械学習に利用しやすい数値表現へ変換することを指す。人手で設計した特徴だけでなく、データから表現を学ぶ手法も含まれる。
3.4.1 分解表現（セグメント化）
セグメント化は、長い軌跡を意味のある短い区間に分ける方法である。局所的な動きの違いを扱いやすくし、後続の分類や比較を細かくできる。変化点の解析とも相性がよい。
3.4.2 埋め込みとベクトル化
埋め込みは、軌跡を低次元の連続空間に写す表現である。ベクトル化により、距離計算や学習アルゴリズムへの入力が容易になる。複雑な系列を圧縮しつつ、重要な関係を残すことが目標となる。
3.4.3 次元削減
次元削減は、冗長な情報を減らして本質的な構造を取り出す手法である。可視化、圧縮、ノイズ低減に役立つ。説明性を保ちながら、計算量を抑える利点もある。
4 軌跡解析の主要手法
主要手法は、軌跡をどの観点から比較し、解釈するかに応じて分かれる。距離に基づく方法、形状に注目する方法、確率的に扱う方法、学習器を用いる方法が代表的である。
4.1 類似度と距離尺度
類似度と距離尺度は、二つ以上の軌跡がどれだけ近いかを数値化する枠組みである。評価対象の順序、時間のずれ、誤差の混入にどこまで許容を持たせるかが設計上の論点になる。
4.1.1 軌跡間距離の考え方
軌跡間距離は、点列同士の差をまとめて測る指標である。単純な点ごとの差だけでなく、全体の形や対応関係を考慮する場合もある。用途によって、直感的な分かりやすさと頑健性のバランスが変わる。
4.1.2 動的時系列の整合
動的時系列の整合では、進み方が異なる系列同士を対応づける。時刻のずれを調整しながら比較するため、速い移動と遅い移動の共通点を見つけやすい。系列の局所的な対応を重視するのが特徴である。
4.1.3 位置誤差を含む距離
位置誤差を含む距離では、観測の不確かさを考慮した比較を行う。誤差の大きい点を過度に重視しないよう工夫する。これにより、測位の揺れが大きい環境でも安定した比較が可能になる。
4.2 形状解析
形状解析は、軌跡を曲線や構造物として捉え、その輪郭や構成の違いを調べる。地図上の経路、動作の軌道、群れの移動などに適している。
4.2.1 曲線の表現と比較
曲線の表現では、軌跡を滑らかな線や折れ線として扱う。比較では、局所的な曲がり方や全体の輪郭を照合する。点の並びだけでなく、連続性の特徴が重視される。
4.2.2 トポロジー的特徴
トポロジー的特徴は、形の連結性や分岐構造に注目する。細かな位置のずれに左右されにくく、経路網や循環構造の把握に向く。構造の違いを抽出する際に有効である。
4.2.3 セグメントベース比較
セグメントベース比較では、軌跡を区間ごとに分けて照合する。全体を一度に見るよりも、部分的な共通点や差異を捉えやすい。長い系列や複雑な経路の解析に向いている。
4.3 確率モデルによる解析
確率モデルは、観測の不確実さを前提に、状態や遷移の起こりやすさを記述する。明確に見えない要因を含めて扱える点が利点である。
4.3.1 状態遷移のモデル化
状態遷移のモデル化では、対象がある状態から別の状態へ移る過程を表す。停止から移動、直進から旋回への変化などが例である。時間的な規則性や遷移確率を明示できる。
4.3.2 期待値・潜在変数
期待値は、複数の可能性を平均的に見積もる考え方である。潜在変数は、直接観測できない内部要因を表す。これらを導入すると、見かけ上の軌跡の背後にある構造を説明しやすくなる。
4.3.3 不確実性の扱い
不確実性の扱いでは、観測誤差や将来の揺らぎを明示的に考慮する。単一の予測値だけでなく、幅や確率分布を出力することがある。実運用では、誤差の大きさを把握することが重要である。
4.4 機械学習による解析
機械学習では、軌跡から規則を自動で学び、分類、探索、予測に利用する。大量データに適しており、複雑な関係を扱える反面、学習データの偏りに注意が必要である。
4.4.1 教師あり分類（行動ラベルなど）
教師あり分類は、既知のラベルを学習して、未見データの種類を推定する方法である。移動様式、活動種別、行動状態の識別に使われる。ラベルの品質が結果に直結する。
4.4.2 教師なしクラスタリング（経路タイプ）
教師なしクラスタリングは、正解ラベルなしで似た軌跡をまとめる手法である。経路タイプの発見や、典型的な行動群の把握に向く。解釈には、後から人間が意味づけを与えることが多い。
4.4.3 時系列学習モデル（系列のパターン化）
時系列学習モデルは、順序情報を保ちながら系列の特徴を学ぶ。短期的な変化から長期的な流れまで表現できる。パターン化により、予測や異常検出の性能向上が期待される。
5 目的別の応用領域
軌跡解析は、目的に応じて多様な実務へ展開される。分類、検出、予測、支援の各場面で、分析結果が判断の材料となる。
5.1 行動・移動の分類
分類では、観測された動きから行動の種類や移動の意図を推定する。人、車両、動物、機械など、対象ごとに適したラベル設計が必要である。
5.1.1 移動モード推定
移動モード推定は、歩行、走行、自転車、車両移動などを区別する。速度、加速度、停止の頻度が主な手がかりになる。交通手段の把握や生活行動の分析に使われる。
5.1.2 目的地推定
目的地推定は、現在までの経路から到達先を予測する。経路の方向、滞在点、周辺環境の文脈が重要である。案内、需要予測、計画支援に応用される。
5.1.3 ライフログ分析
ライフログ分析は、日常の移動や行動の記録をもとに生活パターンを把握する。時刻帯ごとの行動、反復する訪問先、活動の切り替えなどが対象となる。個人理解と行動支援の両面で利用される。
5.2 異常検知
異常検知は、通常のパターンから外れる軌跡を見つける技術である。対象の安全確保、機器監視、品質確認などに関わる。
5.2.1 想定外の軌跡パターン
想定外の軌跡パターンは、通常の経路からの逸脱や不自然な停滞を含む。環境変化、誤操作、危険兆候のいずれかを示すことがある。文脈を踏まえた判断が必要である。
5.2.2 センサ不良の識別
センサ不良の識別では、機器由来の乱れを見つける。急激な跳躍、連続欠損、値の固定化などが典型例である。原因切り分けにより、解析結果の信頼性を高める。
5.2.3 リスク行動の早期検出
リスク行動の早期検出は、危険につながりうる兆候を早めに捉える。急な進路変更や異常な速度変化が手がかりになる。実装では、誤警報とのバランスが重要になる。
5.3 予測とシミュレーション
予測とシミュレーションは、過去の軌跡から未来の動きを見積もるだけでなく、仮想的な状況を再現する。計画、設計、訓練に広く用いられる。
5.3.1 次の位置の予測
次の位置の予測は、短期の進行方向を見積もる基本課題である。進行速度や周囲の制約が重要な要素となる。連続予測の精度は、ナビゲーションや制御に直結する。
5.3.2 経路の分岐予測
経路の分岐予測は、次にどの方向へ進むかを推定する。交差点や分岐点で特に有効である。選択肢ごとの確率を扱うことで、曖昧さを表現しやすい。
5.3.3 シナリオ生成
シナリオ生成は、想定される複数の将来軌跡を作る処理である。異なる条件下での動きを比較できるため、計画評価や訓練用途に向く。現実の多様性を反映させる工夫が求められる。
5.4 人とシステムの相互作用
この領域では、解析結果を人間の判断や機械の制御にどう反映させるかが焦点となる。理解しやすく、使いやすく、負担の少ない設計が重視される。
5.4.1 ナビゲーション改善
ナビゲーション改善では、実際の移動履歴をもとに案内の質を上げる。迷いやすい箇所や経路選択の傾向を反映できる。理論上の最適化より、実用的な使いやすさが重視されることも多い。
5.4.2 混雑の理解と緩和
混雑の理解と緩和では、多数の軌跡から流れの滞りや集中地点を把握する。人や車の密度変化を通じて、ボトルネックを特定しやすい。結果は誘導や配置の改善に用いられる。
5.4.3 フィードバック設計
フィードバック設計は、解析結果を利用者へどの形で返すかを考える。視覚提示、警告、推奨などの形式がある。過剰な情報を避け、必要な時に必要なだけ示すことが望ましい。
6 評価指標と検証方法
軌跡解析では、手法の見た目の妥当性だけでなく、数値的な性能確認が欠かせない。評価指標と検証設計を明確にすることで、比較可能性と再現性が高まる。
6.1 予測性能の評価
予測性能の評価では、未来位置や次状態の当たり具合を測る。単一点の誤差だけでなく、時間全体を通した整合も見る必要がある。
6.1.1 位置誤差指標
位置誤差指標は、予測点と実測点のずれを数値化する。平均誤差や最大誤差などが使われる。小さな誤差でも、用途によっては重大になることがある。
6.1.2 区間誤差と確率的評価
区間誤差は、ある時間範囲全体でのずれを扱う。確率的評価では、予測の不確かさや分布の適合度を見る。点推定だけでは分からない安定性を把握できる。
6.1.3 時系列の精度比較
時系列の精度比較では、時刻ごとの誤差推移や累積的なずれを評価する。短期的に当たっても長期で崩れる場合があるため、時間軸全体を通して確認することが重要である。
6.2 分類・クラスタリングの評価
分類やクラスタリングでは、正しく分けられたか、構造を適切に表せたかを検証する。地上真値がある場合とない場合で、評価方法は異なる。
6.2.1 正解率・再現率
正解率は全体の当たり具合を示し、再現率は見逃しの少なさを示す。偏ったデータでは、単独の指標だけでは不十分なことがある。複数の尺度を組み合わせるのが一般的である。
6.2.2 クラスタの妥当性
クラスタの妥当性は、まとまりが内部で一貫し、互いに分離しているかを確認する。数値指標だけでなく、解釈可能性も重要である。実務では、現場で意味のある区分かどうかが問われる。
6.2.3 頑健性の検証
頑健性の検証は、ノイズ、欠損、条件変化に対する安定性を調べる。少し条件が変わっただけで結果が崩れるなら、実運用には向かない。再現実験や摂動試験が役立つ。
6.3 検証設計
検証設計は、学習した結果を公正に確かめるための枠組みである。データ分割や偏り確認が不十分だと、性能を過大評価しやすい。
6.3.1 学習・検証・テスト分割
学習・検証・テスト分割は、モデル構築、調整、最終評価を分ける基本的な方法である。評価用データを学習に混ぜないことで、未知データへの性能を見やすくする。
6.3.2 訓練データの偏り確認
訓練データの偏り確認では、特定の地域、時間帯、対象に偏っていないかを調べる。偏りがあると、見かけの精度は高くても一般化しにくい。分布の確認が重要である。
6.3.3 クロスバリデーション
クロスバリデーションは、データを複数の分割に分けて交互に評価する方法である。少ないデータでも安定した見積もりを得やすい。モデル選択や比較に広く利用される。
7 倫理・プライバシーと運用上の注意
軌跡データは、行動や生活の痕跡を含みやすく、扱いには慎重さが求められる。性能が高いだけでは不十分であり、利用目的、保存方法、説明責任を含めた設計が必要である。
7.1 個人情報の取り扱い
軌跡は個人の行動範囲や習慣を推定しうるため、保護の対象になりやすい。収集と利用の段階で、目的の明確化と管理の厳格さが必要である。
7.1.1 追跡データの匿名化
匿名化は、個人を直接特定しにくくする処理である。位置の粗化や識別子の置換が使われる。ただし、経路の特徴から再識別される可能性があるため、十分な配慮が必要である。
7.1.2 目的外利用の防止
目的外利用の防止は、集めたデータを当初の目的以外に使わないよう管理することを指す。権限設定、保存期間の制御、利用記録の確認が有効である。信頼の維持に直結する。
7.2 安全性と説明可能性
安全性と説明可能性は、システムが誤った判断をした際の影響を抑え、結果の根拠を示せるようにする考え方である。重要な意思決定ほど、説明の必要性が高い。
7.2.1 誤検知・見逃しの影響
誤検知は本来問題のない事象を異常とみなすことであり、見逃しは逆に必要な警告を出せないことを指す。どちらも運用負荷や安全性に影響する。用途ごとに損失の重さが異なる。
7.2.2 結果の説明手段
結果の説明手段には、重要な特徴の提示、比較例の表示、経路上の根拠区間の可視化などがある。利用者が結論だけでなく理由を理解できると、受容性が高まりやすい。
7.3 実運用での課題
研究段階で高性能でも、現場では通信、計算資源、環境変化などの制約を受ける。実装と保守を含めた継続運用の視点が欠かせない。
7.3.1 リアルタイム処理
リアルタイム処理では、遅延を抑えながら逐次解析を行う必要がある。計算量が大きい手法は、応答性との両立が難しい。近似や軽量化が重要になる。
7.3.2 フィールド環境での性能変動
フィールド環境では、天候、照明、混雑、電波状況などが性能に影響する。実験室での結果と一致しないことが多く、実地評価が必要である。環境差への適応が課題となる。
7.3.3 保守・更新
保守・更新は、機器交換、モデル再学習、設定見直しを含む継続作業である。データ形式や運用条件が変わると、以前の前提が崩れる。長期利用では不可欠な工程である。
8 今後の展望
今後の軌跡解析は、単一の位置系列を見るだけでなく、複数情報を統合し、少ないデータでも安定して扱える方向へ進むと考えられる。理論面の発展と現場導入の橋渡しも重要になる。
8.1 マルチモーダル軌跡解析
マルチモーダル軌跡解析は、位置情報に他の種類のデータを組み合わせる考え方である。行動の背景をより豊かに捉えられる可能性がある。
8.1.1 位置と行動文脈の統合
位置と行動文脈の統合では、どこにいたかだけでなく、何をしていたかを合わせて見る。これにより、同じ場所でも異なる意味を持つ行動を区別しやすくなる。
8.1.2 音・視覚などの追加
音や視覚などの追加情報は、軌跡単独では分かりにくい状況を補う。周囲の環境や対象の状態を示す手がかりとして有用である。データ同期が重要な前提となる。
8.2 堅牢性と汎化性能の向上
堅牢性と汎化性能は、未知の条件でも安定して機能するための核心である。実世界の変動に耐える手法が、今後さらに重視される。
8.2.1 ドメイン変化への対応
ドメイン変化への対応は、場所、季節、対象集団、計測装置の違いに適応することを意味する。学習時と運用時の環境が異なると、性能が落ちやすい。適応学習や正規化が役立つ。
8.2.2 少量データでの学習
少量データでの学習は、注釈の手間が大きい場面で重要になる。転移学習や自己教師あり学習などが有望とされる。データ不足の条件でも実用性を確保しやすい。
8.3 社会実装に向けた研究課題
社会実装では、単に精度を上げるだけでなく、再現可能で比較可能な仕組みが必要になる。現場に導入されて初めて、手法の価値が確かめられる。
8.3.1 標準化と再現性
標準化と再現性は、データ形式、評価方法、報告の仕方をそろえる取り組みである。比較可能性が高まることで、研究成果の蓄積が進みやすい。
8.3.2 効果測定の枠組み
効果測定の枠組みは、導入前後で何が改善したかを確認する仕組みである。精度だけでなく、利用者負担、処理時間、運用コストも含めて評価する必要がある。
8.3.3 研究と現場の接続方法
研究と現場の接続方法では、実務の制約を前提に設計し、関係者の理解を得ながら導入することが重要になる。小規模な試行、反復的改善、説明可能な設計が橋渡しとなる。