AI駆動型交通流パターンの時空間的異質性と土地利用相互作用：マルチモーダル都市モビリティのGeoAIに基づく分析

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

March 5, 2026

著者: Olaf Yunus Laitinen Imanov

cs.AI

要旨

都市交通流は、土地利用構造と時空間的に不均質な移動需要との間の複雑な非線形相互作用によって支配されている。従来の大域的回帰分析や時系列モデルでは、複数の交通手段にわたるこれらのマルチスケールな動態を同時に捉えることはできない。本研究では、自動車、公共交通、アクティブモビリティという3つの移動手段において、交通流パターンの時空間的異質性と土地利用との相互作用をモデル化するため、マルチスケール地理空間重み回帰（MGWR）、ランダムフォレスト（RF）、時空間グラフ畳み込みネットワーク（ST-GCN）を逐次統合したGeoAIハイブリッド分析フレームワークを提案する。対照的な2つの都市形態にまたがる6都市の350交通分析ゾーンからなる実証的に較正されたデータセットに本フレームワークを適用した結果、以下の4つの主要な知見が得られた：（i）GeoAIハイブリッド手法はRMSE 0.119、R^2 0.891を達成し、全てのベンチマークを23-62%上回った；（ii）SHAP分析により、自動車交通流には土地利用の混合度が、公共交通には停留所密度が最も強力な予測因子であると特定された；（iii）DBSCANクラスタリングはシルエットスコア0.71で機能的に異なる5つの都市交通タイポロジーを同定し、GeoAIハイブリッドモデルの残差はモーランI=0.218（p<0.001）を示し、OLSベースライン比72%低減した；（iv）都市間転移実験では、クラスター内での適度な転移可能性（R^2>=0.78）とクラスター間での限定的な一般化可能性が明らかとなり、都市形態的文脈の重要性が確認された。本フレームワークは、計画担当者や交通技術者に対して、エビデンスに基づくマルチモーダル移動管理と土地利用政策設計のための解釈可能かつ拡張性の高いツールキットを提供するものである。

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.