Eterogeneità spazio-temporale dei modelli di flusso veicolare guidati dall'IA e interazione con l'uso del suolo: un'analisi basata sul GeoAI della mobilità urbana multimodale

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

March 5, 2026

Autori: Olaf Yunus Laitinen Imanov

cs.AI

Abstract

Il flusso del traffico urbano è governato dall'interazione complessa e non lineare tra la configurazione dell'uso del suolo e la domanda di mobilità eterogenea da un punto di vista spaziotemporale. I modelli convenzionali di regressione globale e di serie temporali non riescono a catturare simultaneamente queste dinamiche multi-scala attraverso molteplici modalità di spostamento. Questo studio propone un framework analitico ibrido GeoAI che integra sequenzialmente la Regressione Geograficamente Ponderata Multi-scala (MGWR), le Foreste Casuali (RF) e le Reti Grafici Convoluzionali Spazio-Temporali (ST-GCN) per modellare l'eterogeneità spaziotemporale dei modelli di flusso del traffico e la loro interazione con l'uso del suolo in tre modalità di mobilità: veicoli a motore, trasporto pubblico e trasporto attivo. Applicando il framework a un dataset calibrato empiricamente di 350 zone di analisi del traffico in sei città che coprono due morfologie urbane contrastanti, emergono quattro risultati chiave: (i) l'ibrido GeoAI raggiunge un errore quadratico medio (RMSE) di 0,119 e un R² di 0,891, superando tutti i benchmark del 23-62%; (ii) l'analisi SHAP identifica la miscela di usi del suolo come il predittore più forte per i flussi di veicoli a motore e la densità delle fermate di transito come il predittore più forte per il trasporto pubblico; (iii) il clustering DBSCAN identifica cinque tipologie di traffico urbano funzionalmente distinte con un punteggio di silhuette di 0,71, e i residui dell'ibrido GeoAI mostrano un indice I di Moran=0,218 (p<0,001), una riduzione del 72% rispetto ai modelli di regressione lineare semplice (OLS); e (iv) esperimenti di trasferimento cross-city rivelano una trasferibilità moderata all'interno dei cluster (R²>=0,78) e una generalizzabilità limitata tra cluster, sottolineando la primaria importanza del contesto morfologico urbano. Il framework offre a pianificatori e ingegneri dei trasporti un toolkit interpretabile e scalabile per la gestione evidence-based della mobilità multimodale e la progettazione di politiche per l'uso del suolo.

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.