Räumlich-zeitliche Heterogenität KI-gesteuerter Verkehrsflussmuster und deren Wechselwirkung mit Flächennutzung: Eine GeoAI-basierte Analyse multimodaler urbaner Mobilität
Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility
March 5, 2026
Autoren: Olaf Yunus Laitinen Imanov
cs.AI
Zusammenfassung
Der städtische Verkehrsfluss wird durch die komplexe, nichtlineare Wechselwirkung zwischen der Flächennutzungskonfiguration und der räumlich-zeitlich heterogenen Mobilitätsnachfrage bestimmt. Konventionelle globale Regressions- und Zeitreihenmodelle können diese multiskaligen Dynamiken über mehrere Verkehrsmittel hinweg nicht gleichzeitig erfassen. Diese Studie schlägt einen GeoAI-Hybrid-Analyseframework vor, der sequenziell Multiskalige Geographisch Gewichtete Regression (MGWR), Random Forest (RF) und Räumlich-Zeitliche Graph Convolutional Networks (ST-GCN) integriert, um die räumlich-zeitliche Heterogenität von Verkehrsflussmustern und deren Wechselwirkung mit der Flächennutzung über drei Verkehrsmodi hinweg zu modellieren: motorisierter Individualverkehr, öffentlicher Personennahverkehr und aktive Mobilität.
Die Anwendung des Frameworks auf einen empirisch kalibrierten Datensatz von 350 Verkehrsanalysezonen in sechs Städten mit zwei kontrastierenden Stadtmorphologien ergibt vier zentrale Erkenntnisse: (i) Der GeoAI-Hybrid-Ansatz erreicht einen mittleren quadratischen Fehler (RMSE) von 0,119 und ein Bestimmtheitsmaß (R²) von 0,891 und übertrifft damit alle Vergleichsmodelle um 23–62 %; (ii) Eine SHAP-Analyse identifiziert die Flächennutzungsmischung als stärksten Prädiktor für Kfz-Verkehrsströme und die Haltestellendichte als stärksten Prädiktor für den öffentlichen Nahverkehr; (iii) DBSCAN-Clustering identifiziert fünf funktional distincte städtische Verkehrstypologien mit einem Silhouetten-Score von 0,71, und die Residuen des GeoAI-Hybrid-Ansatzes weisen einen Moran-I-Wert von 0,218 (p<0,001) auf, was einer Reduktion von 72 % gegenüber OLS-Baselines entspricht; und (iv) Städteübergreifende Transfer-Experimente zeigen eine moderate Übertragbarkeit innerhalb von Clustern (R²≥0,78) und eine begrenzte generalisierbarkeit zwischen Clustern, was die Primärbedeutung des stadtmorphologischen Kontexts unterstreicht.
Das Framework bietet Planern und Verkehrsingenieuren ein interpretierbares, skalierbares Werkzeugkit für evidenzbasiertes multimodales Mobilitätsmanagement und die Gestaltung von Flächennutzungspolitiken.
English
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.