Heterogeneidade Espaço-Temporal dos Padrões de Fluxo de Tráfego Guiados por IA e sua Interação com o Uso do Solo: Uma Análise Baseada em GeoAI da Mobilidade Urbana Multimodal

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

March 5, 2026

Autores: Olaf Yunus Laitinen Imanov

cs.AI

Resumo

O fluxo de tráfego urbano é governado pela interação complexa e não linear entre a configuração do uso do solo e a demanda de mobilidade espaciotemporalmente heterogênea. Modelos convencionais de regressão global e de séries temporais não conseguem capturar simultaneamente essas dinâmicas multiescala em múltiplos modos de viagem. Este estudo propõe um quadro analítico Híbrido de GeoAI que integra sequencialmente Regressão Geograficamente Ponderada Multiescala (MGWR), Floresta Aleatória (RF) e Redes Neurais Convolucionais de Grafos Espaço-Temporais (ST-GCN) para modelar a heterogeneidade espaciotemporal dos padrões de fluxo de tráfego e sua interação com o uso do solo em três modos de mobilidade: veículos motorizados, transporte público e transporte ativo. Aplicando o quadro a um conjunto de dados empiricamente calibrado de 350 zonas de análise de tráfego em seis cidades que abrangem duas morfologias urbanas contrastantes, quatro descobertas principais emergem: (i) o Híbrido de GeoAI alcança um erro quadrático médio (RMSE) de 0,119 e um R² de 0,891, superando todos os benchmarks em 23-62%; (ii) a análise SHAP identifica a mistura de usos do solo como o preditor mais forte para fluxos de veículos motorizados e a densidade de pontos de parada como o preditor mais forte para o transporte público; (iii) a clusterização DBSCAN identifica cinco tipologias de tráfego urbano funcionalmente distintas com um índice de silhueta de 0,71, e os resíduos do Híbrido de GeoAI exibem I de Moran=0,218 (p<0,001), uma redução de 72% em relação às baselines de MQO; e (iv) experimentos de transferência entre cidades revelam transferibilidade moderada dentro de clusters (R²>=0,78) e generalizabilidade limitada entre clusters, ressaltando a primazia do contexto morfológico urbano. O quadro oferece a planejadores e engenheiros de transporte um kit de ferramentas interpretável e escalável para a gestão baseada em evidências da mobilidade multimodal e o desenho de políticas de uso do solo.

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.