Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility
作者: Olaf Yunus Laitinen Imanov
分类: cs.LG, cs.AI, eess.SP
发布日期: 2026-03-05
备注: 13 pages, 7 figures, 9 tables. Submitted to Computers, Environment and Urban Systems (Elsevier)
💡 一句话要点
提出GeoAI混合框架，用于建模城市交通流时空异质性及土地利用交互。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 交通流预测 时空异质性 土地利用 GeoAI 多尺度地理加权回归 随机森林 时空图卷积网络
📋 核心要点
- 现有全局回归和时间序列模型难以捕捉城市交通流中土地利用与多模式出行间复杂的多尺度动态。
- 论文提出GeoAI混合框架，结合MGWR、RF和ST-GCN，建模交通流时空异质性及与土地利用的交互。
- 实验结果表明，该框架在预测精度上优于基线模型，并能有效识别城市交通类型，具有一定的跨城市迁移能力。
📝 摘要（中文）
城市交通流受到土地利用配置和时空异质性出行需求之间复杂非线性交互的影响。传统的全局回归和时间序列模型无法同时捕捉跨多种出行方式的多尺度动态。本研究提出了一种GeoAI混合分析框架，该框架依次整合了多尺度地理加权回归（MGWR）、随机森林（RF）和时空图卷积网络（ST-GCN），以建模交通流模式的时空异质性及其与三种出行方式（机动车、公共交通和主动交通）的土地利用交互。将该框架应用于一个经验校准的数据集，该数据集包含跨越两种对比鲜明的城市形态的六个城市的350个交通分析区，得出了四个关键发现：（i）GeoAI混合模型实现了0.119的均方根误差（RMSE）和0.891的R^2，优于所有基准模型23-62％；（ii）SHAP分析表明，土地利用混合是机动车流量的最强预测指标，而公交站点密度是公共交通的最强预测指标；（iii）DBSCAN聚类识别出五个功能不同的城市交通类型，轮廓系数为0.71，并且GeoAI混合模型的残差表现出Moran's I=0.218（p<0.001），相对于OLS基线降低了72％；（iv）跨城市转移实验表明，集群内具有中等的迁移能力（R^2> = 0.78），而跨集群的泛化能力有限，突出了城市形态背景的首要地位。该框架为规划人员和交通工程师提供了一个可解释、可扩展的工具包，用于循证多模式出行管理和土地利用政策设计。
🔬 方法详解
问题定义：论文旨在解决城市交通流建模中，传统方法无法有效捕捉土地利用与多种出行方式之间复杂的时空异质性交互的问题。现有全局回归和时间序列模型难以同时处理多尺度动态，导致预测精度和可解释性不足。
核心思路：论文的核心思路是构建一个GeoAI混合框架，该框架能够整合不同模型的优势，分别处理不同尺度的空间和时间依赖关系。通过多尺度地理加权回归（MGWR）捕捉空间异质性，利用随机森林（RF）进行特征重要性分析，并使用时空图卷积网络（ST-GCN）建模交通流的时空动态。
技术框架：该框架包含以下主要模块：1) 数据预处理：构建包含土地利用、交通流量等多源数据的交通分析区数据集。2) MGWR建模：使用MGWR建模交通流与土地利用之间的空间关系，捕捉空间异质性。3) RF特征选择：利用RF进行特征重要性分析，识别影响交通流的关键土地利用因素。4) ST-GCN建模：使用ST-GCN建模交通流的时空动态，捕捉时间依赖关系。5) 模型集成：将MGWR、RF和ST-GCN的预测结果进行集成，得到最终的交通流预测结果。
关键创新：该论文的关键创新在于提出了一个GeoAI混合框架，该框架能够有效地整合不同模型的优势，从而更好地建模城市交通流的时空异质性。与传统的单一模型相比，该框架能够更准确地预测交通流量，并提供更深入的理解交通流与土地利用之间的关系。
关键设计：MGWR使用自适应带宽选择方法，以适应不同区域的空间异质性。RF使用交叉验证来优化超参数。ST-GCN的网络结构包括多个时空卷积层，用于捕捉交通流的时空依赖关系。损失函数采用均方误差（MSE），以最小化预测值与真实值之间的差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，GeoAI混合框架在六个城市的350个交通分析区数据集上取得了显著的性能提升，RMSE为0.119，R^2为0.891，优于所有基准模型23-62%。SHAP分析揭示了土地利用混合和公交站点密度对交通流量的关键影响。DBSCAN聚类识别出五个功能不同的城市交通类型，轮廓系数为0.71。跨城市转移实验表明，集群内具有中等的迁移能力（R^2>=0.78）。
🎯 应用场景
该研究成果可应用于城市规划、交通管理和土地利用政策制定等领域。通过准确预测交通流量和理解土地利用与交通流之间的关系，可以优化交通网络设计、改善公共交通服务、减少交通拥堵和空气污染，并促进可持续城市发展。该框架还可用于评估不同土地利用政策对交通流量的影响，为政策制定提供科学依据。
📄 摘要（原文）
Urban traffic flow is governed by the complex, nonlinear interaction between land use configuration and spatiotemporally heterogeneous mobility demand. Conventional global regression and time-series models cannot simultaneously capture these multi-scale dynamics across multiple travel modes. This study proposes a GeoAI Hybrid analytical framework that sequentially integrates Multiscale Geographically Weighted Regression (MGWR), Random Forest (RF), and Spatio-Temporal Graph Convolutional Networks (ST-GCN) to model the spatiotemporal heterogeneity of traffic flow patterns and their interaction with land use across three mobility modes: motor vehicle, public transit, and active transport. Applying the framework to an empirically calibrated dataset of 350 traffic analysis zones across six cities spanning two contrasting urban morphologies, four key findings emerge: (i) the GeoAI Hybrid achieves a root mean squared error (RMSE) of 0.119 and an R^2 of 0.891, outperforming all benchmarks by 23-62%; (ii) SHAP analysis identifies land use mix as the strongest predictor for motor vehicle flows and transit stop density as the strongest predictor for public transit; (iii) DBSCAN clustering identifies five functionally distinct urban traffic typologies with a silhouette score of 0.71, and GeoAI Hybrid residuals exhibit Moran's I=0.218 (p<0.001), a 72% reduction relative to OLS baselines; and (iv) cross-city transfer experiments reveal moderate within-cluster transferability (R^2>=0.78) and limited cross-cluster generalisability, underscoring the primacy of urban morphological context. The framework offers planners and transportation engineers an interpretable, scalable toolkit for evidence-based multimodal mobility management and land use policy design.