都市再開発プロジェクト・自治体
Section 01 — Challenge課題
「賑わい」を測れない都市の課題
「なんば広場」再開発プロジェクトをはじめ、自治体や都市計画コンサルタントが直面していたのは、単なる通過人数を超えた「空間価値そのものの測定」だった。
露店、街頭演説、路上パフォーマンスといった突発イベントが生み出す「賑わい」効果を定量化し、警備員配置の最適化シミュレーションをEBPM（証拠に基づく政策立案）の観点から行政に提示する必要があった。
従来センサーの限界
カメラベースのオブジェクト検出では「人が何人」「車が何台」しか分からず、「今何が起きているか」の意味的状況把握ができなかった。GPSやWi-Fiベースの広域データは、広場という限定空間を解像できる粒度ではない。
アプローチ
LiDAR×AIカメラ×VLMの三段ハイブリッド
既設カメラインフラを活用した通過人数・車両検知をベースに、映像データの一部を最新の大規模視覚言語モデル（VLM）と連携させる画期的な三段アプローチ。
1段目：LiDARで物理的軌跡
広場全体の人と車両の3次元軌跡をミリ精度で計測。位置・速度・密集度の物理データを途切れなく取得。
2段目：AIカメラで属性とイベント検知
既設カメラ映像から、人物の大まかな属性、車両種別、特定エリアの占有状態を解析。
3段目：VLMで意味的コンテキスト
VLMにカメラ映像を入力し、「露店出店」「街頭演説」「路上パフォーマンス」といったシーンを言語的に解釈。人間の目視に頼らざるを得なかった状況把握が、初めてデータとして抽出可能になった。
マクロデータとのクロスリファレンス
ミクロな意味データに対し、Bluetooth回遊データ、通信キャリア（KDDI等）のマクロ人流ビッグデータを統合。個別空間の出来事とエリア全体への波及効果を相関分析できる「デジタルなんばスクエア」を構築している。
成果
EBPM実証の到達点
賑わいの定量化スコア
「人数」「滞留時間」「群衆形成パターン」「VLM状況ラベル」を組み合わせた賑わいスコアを開発。日次・時間帯別・イベント別に時系列可視化し、施策効果を客観評価できる基盤を整備。
警備配置最適化シミュレーション
過去の賑わいパターンと警備員配置データを学習させ、特定イベント時の最適配置をシミュレーション。必要警備員数の削減と緊急時の即応性向上を両立。
EBPMレポートの半自動生成
取得データをベースに、費用対効果を示すEBPMレポートを半自動生成。議会・住民説明にエビデンスを伴った提示が可能になった。
他社との決定的な違い
1. 自社AIモデル×VLMで「何が起きているか」を取得
他社は「人数」「車両」をカウントするレベルに留まるが、HULIXは自社AIモデルで人・車両・露店・キッチンカー等を識別した上で、VLMと連携してシーンの意味（露店、演説、パフォーマンス等）を言語データとして抽出する。現場固有のイベントは追加学習で識別精度を高められる。
2. 公共空間・都市計画特化の分析テンプレート
賑わいスコア、警備配置最適化、EBPMレポートといった公共空間特有の分析パターンをテンプレートとして保有。自治体・DMOが必要とするKPIに上からフィットした出力を提供できる。
3. マクロデータ・既設カメラとのAPI統合
現地のミクロデータを、KDDI等のキャリアビッグデータ・既設都市カメラとAPI連携し、都市スケールと現地スケールを一つのダッシュボードに集約。新規ハードウェアを買うのではなく、既存資産を生かした低コスト導入を可能にした。
