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

• arxiv url: http://arxiv.org/abs/2603.05581v1
• Date: Thu, 05 Mar 2026 18:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.292807
• Title: Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility
• Title（参考訳）: AI駆動型交通流パターンの時空間的不均一性と土地利用の相互作用:マルチモーダル都市モビリティのジオAIによる分析
• Authors: Olaf Yunus Laitinen Imanov,
• Abstract要約: 土地利用と移動需要の複雑な非線形相互作用による都市交通の流れ 本研究では,交通流パターンをモデル化するGeoAI Hybrid frameworkを提案する。 このフレームワークを2つの対照的な都市形態にまたがる6都市にわたる350の交通分析ゾーンのデータセットに適用すると、4つの結果が浮かび上がっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 都市交通の流れは、土地利用形態と時空間的に不均一な移動需要の間の複雑で非線形な相互作用によって制御される。 従来のグローバル回帰モデルと時系列モデルは、複数の移動モードをまたいだこれらのマルチスケールダイナミクスを同時に捉えることはできない。 本研究では,交通流パターンの時空間的不均一性をモデル化し,自動車,公共交通機関,アクティブトランスポートの3つのモビリティモードにおける土地利用との相互作用をモデル化するために,大規模地理的重み付き回帰(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)を順次統合したGeoAIハイブリッド分析フレームワークを提案する。 このフレームワークを、2つの対照的な都市形態にまたがる6つの都市で350の交通分析ゾーンを経験的に調整したデータセットに適用すると、4つの重要な発見が浮かび上がっています。 (i)GeoAI Hybridは0.119の根平均二乗誤差(RMSE)と0.891のR^2を達成し、全てのベンチマークを23～62%上回る。 (二)SHAP分析は、公共交通機関の交通機関の交通機関の交通機関の交通機関密度と交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関の交通機関における交通機関の交通機関の交通機関の予測を行う。 3)DBSCANクラスタリングは,シルエットスコア0.71の都市交通タイプ5種を同定し,GeoAIハイブリッド残基はモランのI=0.218(p<0.001)を示す。 (4) 都市間移動実験により, 都市形態の優越性を裏付ける中程度のクラスタ内移動可能性 (R^2>=0.78) と, クラスタ間一般可能性の制限が示された。 このフレームワークは、エビデンスベースのマルチモーダルモビリティ管理と土地利用ポリシー設計のための解釈可能でスケーラブルなツールキットを提供する。

関連論文リスト

• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
  局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。 ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。 これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
  論文  参考訳（メタデータ） (2025-09-22T14:05:23Z)
• Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
  ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。 制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。 我々のフレームワークはドメイン転送技術による適応性を実証する。
  論文  参考訳（メタデータ） (2025-03-20T01:41:28Z)
• How Cars Move: Analyzing Driving Dynamics for Safer Urban Traffic [12.414957984956043]
  PriorMotionは、動的解析を駆動することで、運動パターンを体系的に発見するように設計されたデータ統合フレームワークである。 提案手法は,都市交通の空間的時間的傾向を捉えるために,マルチスケールな経験的観察とカスタマイズされた分析ツールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-05T09:56:24Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Cross-domain Multi-step Thinking: Zero-shot Fine-grained Traffic Sign Recognition in the Wild [49.20086587208214]
  クロスドメイン マルチステップシンキング (CdMT) は、野生におけるゼロショットきめ細かなトラフィックサイン認識(TSR)の性能を改善することを提案した。 CdMTはトレーニングデータとは独立であり、単純で均一な命令のみを必要とするため、クロスカントリーのTSRを実現することができる。 フレームワークは5つのデータセット上の他の最先端メソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2024-09-03T02:08:47Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。