Heterogeneidad Espaciotemporal de los Patrones de Flujo de Tráfico Impulsados por IA y su Interacción con el Uso del Suelo: Un Análisis GeoAI de la Movilidad Urbana Multimodal

Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility

March 5, 2026

Autores: Olaf Yunus Laitinen Imanov

cs.AI

Resumen

El flujo de tráfico urbano está gobernado por la interacción compleja y no lineal entre la configuración del uso del suelo y la demanda de movilidad heterogénea en el espacio-tiempo. Los modelos convencionales de regresión global y series temporales no pueden capturar simultáneamente estas dinámicas multi-escala a través de múltiples modos de viaje. Este estudio propone un marco analítico Híbrido de GeoIA que integra secuencialmente la Regresión Geográficamente Ponderada Multiescala (MGWR), Bosques Aleatorios (RF) y Redes de Convolución de Grafos Espacio-Temporales (ST-GCN) para modelar la heterogeneidad espacio-temporal de los patrones de flujo de tráfico y su interacción con el uso del suelo en tres modos de movilidad: vehículo motorizado, transporte público y transporte activo. Aplicando el marco a un conjunto de datos calibrado empíricamente de 350 zonas de análisis de tráfico en seis ciudades que abarcan dos morfologías urbanas contrastantes, emergen cuatro hallazgos clave: (i) el Híbrido de GeoIA logra un error cuadrático medio (RMSE) de 0.119 y un R^2 de 0.891, superando todos los puntos de referencia entre un 23% y un 62%; (ii) el análisis SHAP identifica la mezcla de usos del suelo como el predictor más fuerte para los flujos de vehículos motorizados y la densidad de paradas de tránsito como el predictor más fuerte para el transporte público; (iii) el agrupamiento DBSCAN identifica cinco tipologías de tráfico urbano funcionalmente distintas con un índice de silueta de 0.71, y los residuos del Híbrido de GeoIA exhiben un I de Moran=0.218 (p<0.001), una reducción del 72% en relación con los modelos de Mínimos Cuadrados Ordinarios (MCO); y (iv) los experimentos de transferencia entre ciudades revelan una transferibilidad moderada dentro de los clústeres (R^2>=0.78) y una generalizabilidad limitada entre clústeres, subrayando la primacía del contexto morfológico urbano. El marco ofrece a planificadores e ingenieros de transporte un kit de herramientas interpretable y escalable para la gestión de movilidad multimodal basada en evidencia y el diseño de políticas de uso del suelo.

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.