Hétérogénéité spatiotemporelle des schémas de flux de trafic pilotés par l'IA et de leur interaction avec l'occupation des sols : une analyse géo-IA de la mobilité urbaine multimodale

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

March 5, 2026

Auteurs: Olaf Yunus Laitinen Imanov

cs.AI

Résumé

Le flux de trafic urbain est gouverné par l'interaction complexe et non linéaire entre la configuration de l'utilisation des sols et une demande de mobilité hétérogène dans l'espace et le temps. Les modèles conventionnels de régression globale et de séries temporelles ne peuvent simultanément capturer ces dynamiques multi-échelles pour de multiples modes de déplacement. Cette étude propose un cadre d'analyse hybride GeoAI qui intègre séquentiellement la Régression Géographiquement Pondérée Multi-échelle (MGWR), les Forêts Aléatoires (RF) et les Réseaux de Convolutions Graphiques Spatio-Temporelles (ST-GCN) pour modéliser l'hétérogénéité spatio-temporelle des patterns de flux de trafic et leur interaction avec l'utilisation des sols pour trois modes de mobilité : le véhicule motorisé, les transports publics et les modes actifs. L'application du cadre à un jeu de données empiriquement calibré de 350 zones de trafic réparties sur six villes couvrant deux morphologies urbaines contrastées fait émerger quatre résultats clés : (i) le modèle hybride GeoAI atteint une racine de l'erreur quadratique moyenne (RMSE) de 0,119 et un R² de 0,891, surpassant tous les modèles de référence de 23 à 62 % ; (ii) l'analyse SHAP identifie le mix d'utilisation des sols comme le prédicteur le plus fort pour les flux de véhicules motorisés et la densité des arrêts de transport comme le prédicteur le plus fort pour les transports publics ; (iii) le clustering DBSCAN identifie cinq typologies fonctionnellement distinctes du trafic urbain avec un score de silhouette de 0,71, et les résidus du modèle hybride GeoAI présentent un I de Moran = 0,218 (p < 0,001), une réduction de 72 % par rapport aux modèles de régression linéaire (OLS) ; et (iv) les expériences de transfert inter-villes révèlent une transférabilité modérée à l'intérieur des clusters (R² ≥ 0,78) et une généralisabilité limitée entre les clusters, soulignant la primauté du contexte morphologique urbain. Le cadre offre aux planificateurs et ingénieurs des transports une boîte à outils interprétable et évolutive pour une gestion évidence-based de la mobilité multimodale et la conception de politiques d'utilisation des sols.

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.