Пространственно-временная гетерогенность паттернов транспортных потоков на основе ИИ и их взаимодействие с землепользованием: геоинформационный анализ мультимодальной городской мобильности

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

March 5, 2026

Авторы: Olaf Yunus Laitinen Imanov

cs.AI

Аннотация

Городские транспортные потоки определяются сложным нелинейным взаимодействием между конфигурацией землепользования и пространственно-временной неоднородностью мобильностного спроса. Традиционные глобальные регрессионные и временные модели не способны одновременно улавливать эту многомасштабную динамику для различных видов транспорта. В данном исследовании предлагается гибридный аналитический фреймворк GeoAI, который последовательно интегрирует многомасштабную географически взвешенную регрессию (MGWR), метод случайных лесов (RF) и пространственно-временные графовые сверточные сети (ST-GCN) для моделирования пространственно-временной неоднородности паттернов транспортных потоков и их взаимодействия с землепользованием для трех режимов передвижения: автомобильного транспорта, общественного транспорта и активной мобильности. Применение фреймворка к эмпирически калиброванному набору данных по 350 транспортным анализным зонам в шести городах с контрастными морфологиями выявило четыре ключевых результата: (i) гибридный GeoAI демонстрирует среднеквадратичную ошибку 0.119 и R^2=0.891, превосходя все базовые модели на 23-62%; (ii) SHAP-анализ определяет смешанность землепользования как наиболее значимый предиктор для автомобильных потоков, а плотность остановок — для общественного транспорта; (iii) кластеризация DBSCAN выявляет пять функционально distinct типов городского трафика с силуэтным score 0.71, а остатки гибридной модели показывают Moran's I=0.218 (p<0.001), что на 72% ниже базовых показателей OLS; (iv) эксперименты по межгородскому переносу демонстрируют умеренную трансферабельность внутри кластеров (R^2>=0.78) и ограниченную обобщаемость между кластерами, подчеркивая primacy урбанистического морфологического контекста. Фреймворк предоставляет планировщикам и транспортным инженерам интерпретируемый и масштабируемый инструментарий для evidence-based управления multimodal мобильностью и проектирования политик землепользования.

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.