Ruimtelijk-temporele heterogeniteit van AI-gestuurde verkeersstroompatronen en interactie met ruimtelijk gebruik: een GeoAI-gebaseerde analyse van multimodale stedelijke mobiliteit

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

Samenvatting

Stedelijke verkeersstromen worden bepaald door de complexe, niet-lineaire interactie tussen ruimtelijke ordening en ruimtelijk-temporeel heterogene mobiliteitsvraag. Conventionele globale regressie- en tijdreeksmodellen zijn niet in staat om deze multi-schaal dynamiek voor meerdere vervoerswijzen gelijktijdig te vangen. Deze studie stelt een GeoAI-hybride analytisch raamwerk voor dat opeenvolgend Multischaal Geografisch Gewogen Regressie (MGWR), Random Forest (RF) en Ruimtelijk-Temporeel Graf Convolutionele Netwerken (ST-GCN) integreert om de ruimtelijk-temporele heterogeniteit van verkeersstroompatronen en hun interactie met ruimtelijk gebruik te modelleren voor drie vervoerswijzen: gemotoriseerd verkeer, openbaar vervoer en actieve mobiliteit. Toepassing van het raamwerk op een empirisch gekalibreerde dataset van 350 verkeersanalysezones in zes steden met twee contrasterende stedelijke morfologieën levert vier belangrijke bevindingen op: (i) het GeoAI-hybride model behaalt een root mean squared error (RMSE) van 0,119 en een R² van 0,891, en presteert daarmee 23-62% beter dan alle benchmarks; (ii) SHAP-analyse identificeert menging van ruimtelijk gebruik als de sterkste voorspeller voor gemotoriseerde stromen en haltedichtheid als de sterkste voorspeller voor openbaar vervoer; (iii) DBSCAN-clustering identificeert vijf functioneel verschillende stedelijke verkeerstypologieën met een silhouette-score van 0,71, en de residuen van het GeoAI-hybride model vertonen een Moran's I=0,218 (p<0,001), een reductie van 72% ten opzichte van OLS-baselines; en (iv) kruisstedelijke transfer experimenten tonen een matige overdraagbaarheid binnen clusters (R²≥0,78) en een beperkte generaliseerbaarheid tussen clusters, wat het primaat van de stedelijke morfologische context onderstreept. Het raamwerk biedt planners en verkeerskundigen een interpreteerbare, schaalbare toolkit voor evidence-based multimodaal mobiliteitsmanagement en ontwerp van ruimtelijk ordeningsbeleid.

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.