AI 기반 교통 흐름 패턴과 토지 이용 간의 상호작용의 시공간적 이질성: 다중 교통 수단 도시 이동성에 대한 GeoAI 기반 분석

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

March 5, 2026

저자: Olaf Yunus Laitinen Imanov

cs.AI

초록

도시 교통 흐름은 토지 이용 구성과 시공간적으로 이질적인 이동 수요 간의 복잡한 비선형 상호작용에 의해 결정됩니다. 기존의 전역 회귀 분석 및 시계열 모델은 여러 이동 수식을 가로지르는 이러한 다중 규모 역동성을 동시에 포착하지 못합니다. 본 연구는 자동차, 대중교통, 능동형 교통이라는 세 가지 이동 수단에 걸쳐 교통 흐름 패턴의 시공간적 이질성과 토지 이용 간의 상호작용을 모델링하기 위해 다중 규모 지리적 가중 회귀(MGWR), 랜덤 포레스트(RF), 시공간 그래프 합성곱 신경망(ST-GCN)을 순차적으로 통합한 GeoAI 하이브리드 분석 프레임워크를 제안합니다. 대비되는 두 가지 도시 형태를 가진 여섯 개 도시에 걸친 350개 교통 분석 구역의 경험적으로 보정된 데이터셋에 본 프레임워크를 적용한 결과, 네 가지 주요 발견점이 도출되었습니다: (i) GeoAI 하이브리드 모델은 0.119의 RMSE와 0.891의 R^2를 달성하여 모든 벤치마크 대비 23-62% 우수한 성능을 보였음; (ii) SHAP 분석 결과, 토지 이용 혼합도는 자동차 흐름에 대한 가장 강력한 예측 변수로, 대중교통 정류장 밀도는 대중교통에 대한 가장 강력한 예측 변수로 확인됨; (iii) DBSCAN 클러스터링은 실루엣 점수 0.71로 기능적으로 구별되는 5가지 도시 교통 유형을 식별했으며, GeoAI 하이브리드 모델의 잔차는 Moran's I=0.218 (p<0.001)을 나타내 OLS 기준선 대비 72% 감소했음; (iv) 도시 간 전이 실험은 클러스터 내 중간 수준의 전이 가능성(R^2>=0.78)과 제한된 클러스터 간 일반화 능력을 보여주어 도시 형태적 맥락의 중요성을 강조함. 본 프레임워크는 계획가 및 교통 기술자에게 증거 기반의 다중 교통 수단 이동 관리 및 토지 이용 정책 설계를 위한 해석 가능하고 확장 가능한 도구를 제공합니다.

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.