图1 地理空间人工智能技术体系
Fig. 1 Technological framework of geospatial artificial intelligence
北京大学学报(自然科学版) 第62卷 第2期 2026年3月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 2 (Mar. 2026)
doi: 10.13209/j.0479-8023.2026.013
国家自然科学基金(42525101, 42130402)、深圳市科技计划优秀科技创新人才培养项目(RCBS20221008093330064)和深圳市科技计划资助项目(JCYJ20220818100810024, KQTD20221101093604016)资助
收稿日期: 2025–03–02;
修回日期: 2025–03–26
摘要 通过交叉学科技术框架重构、分阶段问题解耦与策略优化、政策导向的未来领域研判, 系统地综述地理空间人工智能(GeoAI)在交通需求预测中的代表性应用进展。针对交通需求预测四阶段(交通生成、交通分布、交通方式划分和交通流分配)的共性特征及差异化需求, 重点分析交通需求预测面临的复合技术难题, GeoAI 集成空间表征学习、空间显式建模与隐式建模、模型评估与解释等技术, 形成提升预测精度和可靠性的高效解决方案。GeoAI 弥补了传统预测模型在处理高维、多模态复杂数据时的局限, 增强了模型鲁棒性和时空预测能力。面对大数据多模态、交通系统耦合和时空关系演化等挑战, 未来研究方向应聚焦于优化多模态交通数据要素治理体系、构建交通领域大模型跨任务自适应学习框架, 为交通强国和数字中国战略下的交通需求预测理论研究与应用实践提供科学参考。
关键词 地理空间人工智能; 交通需求预测; 图神经网络; 数据要素; 多模态大模型
地理空间人工智能(geospatial artificial intelligen-ce, GeoAI)是地理空间科学与计算机科学融合演进的研究领域, 着重利用人工智能技术在知识发现与推理方面的计算优势, 对多模态地理空间数据要素进行高效处理、深度分析和交叉应用, 以便提升地理信息系统对地理现象和过程的动态感知、全面认知及精准预测能力[1–2]。动态感知的本质是识别时序的地理要素空间位置、几何形态、地理语义和属性特征, 全面认知的本质是挖掘与解译隐含的地理要素关系、相互作用机制和时空分布模式[3]。精准预测通过感知与认知建立的地理信息基础, 模拟地理演化过程并推算未知的地理空间变量, 从而支撑科学决策。基于上述特质, GeoAI 协同地理关联泛在大数据成为地理系统表达和城市社会计算的关键路径, 进一步释放地理信息在交通出行、生态环境、公共卫生和能源系统等领域的潜在价值[4–7]。
交通态势的实时感知与准确预测是智能交通系统的重要研究内容, 旨在提高交通系统管理、控制、服务和决策的智能化水平, 推动数字经济社会的科学发展[8]。经典的交通“四阶段法”将交通需求预测分为交通生成、交通分布、交通方式划分和交通流分配[9–10]。城市生产生活的多样化和交通系统的革新重构给交通需求预测带来更多的挑战, 其核心问题是如何全面地刻画庞大且复杂的交通网络, 从海量多模态数据中提取高维动态时空特征, 解析和推理交通供需关系及其影响因素的作用机制, 进而实现各阶段交通需求的精准预测与评估[11]。面对这一问题, 相比传统交通需求预测模型, GeoAI能够达到更高的准确度以及更大范围的时空一致性, 逐渐形成以交通理论深化为指导、以智能模型优化为基础的新型交通预测研究范式[12]。
如图 1 所示, 当前地理空间人工智能技术体系由 3 个关键部分构成: 空间表征学习、GeoAI 模型构建、GeoAI 模型评估与解释。
地理信息具有多要素、多模态和多尺度等特点, 其组织形式不同于人工智能领域普遍使用的结构化数据。空间表征学习采用数据科学方法对地理要素进行量化表示和特征提取, 形成符合人工智能算法输入与输出规则的地理特征向量或地理特征图谱[13]。基础的空间表征学习通过特征工程实现地理数据的时空尺度统一和语义信息对齐, 并结合领域知识完成特征选取与关联。进阶的空间表征学习运用机器学习自动化技术, 从地理数据中提取高质量特征以及地理要素之间的关联关系, 并为各类地理数据建立标准化的特征表达方式, 提升地理空间人工智能模型的运行效能[14]。面向地理要素关联关系的表征学习, 空间嵌入图结构优势凸显, 并得到广泛应用。它不仅能够表示以欧几里得距离为度量的物理空间关系, 还可以有效地表示范围可变的空间交互等非欧几里得距离的社会空间关系[15]。因此, 使用空间嵌入图编码地理要素成为空间表征学习的重要研究方向。
目前, GeoAI 建模方法主要分为空间隐式建模和空间显式建模两类。空间隐式建模将地理空间属性作为人工智能模型多维特征向量中的普通维度, 而空间关系及其他空间约束未被引入模型[1]。空间显式建模在模型设计中引入地理空间概念和规则, 输入数据包含研究对象的空间表征形式, 并且考虑空间异质性、地理相似性以及时空依赖性等空间特性[16–17]。人工智能技术的快速发展促使 GeoAI 模型的丰富度和复杂度不断提升。应用到 GeoAI 的人工智能模型主要包括 6 类: 图卷积网络(GCN)、卷积神经网络(CNN)、递归神经网络(RNN)、Trans-former 模型和注意力机制(Attention)、生成对抗网络(GAN)以及强化学习(RL)[18]。图卷积网络能够有效地捕获空间嵌入图结构中的拓扑信息, 既涵盖图节点及其关联节点的特征信息, 也包括图节点之间的空间关系信息[19]。将图卷积网络与其他人工智能模型结合, 是研究交通需求预测和城市动力学的主要方法[20]。
图1 地理空间人工智能技术体系
Fig. 1 Technological framework of geospatial artificial intelligence
多源地理空间数据具有空间自相关性和空间异质性, 致使 GeoAI 模型的评估不仅需要考虑人工智能模型评估中的性能指标, 还应将空间公平性纳入模型评估范畴[21]。模型总体性能可结合人工智能模型通用指标与专业领域特定指标进行评估[22]。模型性能的空间公平性用来衡量同一研究区域内各子区域的模型性能的差异水平或变化程度[23]。这一公平性在可变面元问题中体现为尺度效应和区划效应对 GeoAI 模型性能的影响[24–25]。为进一步理解模型支持决策的过程, 从而更科学地优化模型, 研究人员提出多种人工智能解释方法[26]。地理空间特性和地理过程的影响给 GeoAI 模型的解释带来更大挑战, 需将地理空间结构和地理知识图谱等集成到人工智能解释方法中, 形成具有地理语义的智能模型解释框架(GeoXAI)[27]。目前, GeoXAI 已应用于揭示预测机理和主要交通特征贡献, 包括面向图神经网络和面向非图神经网络的解释技术[28]。
交通需求预测的第一阶段是交通生成预测。传统的预测方法难以捕获交通需求时序数据的周期性、随机性和非线性等特点, 无法响应面向动态交通分配的交通生成预测要求[29]。交通需求预测的第二阶段是交通分布预测。交通分布可表示为特定时段内的交通单元出行起点–终点(Origin-Destina-tion, OD)交通流形成的矩阵, 揭示各地区人群流动模式与区域联结关系[30]。交通分布预测面临交通网络的时空动态性带来的两大挑战, 即地理空间的异质性和交通单元空间关系的时变性[31]。交通需求预测的第三阶段是交通方式预测。交通方式选择是个人需求与城市系统供给的博弈结果, 经典离散选择模型难以量化动态供需[32]。如何挖掘供需关系时空分异情况下的个体决策模式是当前交通方式预测面临的难题。交通流预测是交通需求预测的最后阶段。不同于常见的时间序列预测问题, 交通流预测面临复杂时空关系耦合的挑战, 例如高密度路网的拓扑结构、区域交通流量的动态相似性和差异性, 以及交通事故、极端天气等偶发外部因素的影响[8,33], 使得交通数据的时空分布产生随机干扰波动, 限制了非线性交通流在数理分析方法中的高度可表达性。
针对交通需求预测面临的一系列问题与挑战, 持续演进的 GeoAI 技术体系提供了解决方案(表1)。首先, GeoAI 的空间表征学习可智能化处理高维交通数据, 自动挖掘交通地理要素中的时空特征及其依赖关系, 将跨模态数据映射到统一语义空间, 解决大规模交通数据的非线性表达问题[34–35]。其次, GeoAI 模型构建方法能够克服统计分析模型的约束, 利用地理上下文信息嵌入空间多维关系, 采用自注意力机制动态捕获时间和空间相关性, 实现交通需求预测中的时空异质性建模[36–37]。基于深度强化学习模型, GeoAI 可实现多因子作用下空间交互过程中的出行决策模拟, 感知交通系统状态和界面变化, 优化全局交通方式划分策略[38]。第三, GeoAI 的模型评估与解释方法能够识别最关键的交通特征, 帮助提高交通需求预测模型的透明度与精确性。通过解耦交通需求预测模型并增加因果分析层, 可以增强交通需求预测模型的鲁棒性[39]。
GeoAI 在交通生成预测中的广泛应用得益于此类模型捕获动态时空相关性的卓越能力[40]。在交通生成数据时间相关性的特征挖掘方面, RNN 成为预测时序交通生成量的主要网络框架, 包括长短期记忆网络(LSTM)和门控递归单元(GRU)等。在交通生成数据空间相关性的特征挖掘中, 早期应用较多的是卷积神经网络 CNN 衍生模型[41]。Zhou 等[42]基于 CNN 与 LSTM 构建编码器–解码器框架, 捕获交通产生和交通吸引的时空交互影响, 并预测城市尺度的交通生成量。Liu 等[43]结合 CNN 与 GRU, 挖掘交通生成量的多视图时空特征, 并运用注意力机制提取影响交通生成的外部环境信息。虽然 CNN能够基于地理邻近关系学习交通单元间的局部空间相关性, 但是对于距离较远且存在空间交互的交通单元, 难以捕获更大范围的全局空间关系[44]。
可表示空间交互拓扑结构的图卷积网络 GCN有效地解决了上述问题, 并且提升了交通生成量的预测准确度[45–46]。然而, 静态或单一的 GCN 结构不足以表示动态交通分配过程中时序变化的交通单元空间关系[47]。因此, 动态 GCN 的应用研究逐渐兴起, 用来解决交通生成预测的时空异质问题。Wen 等[48]采用多头注意力机制来增强模型对交通生成时空特征的学习能力, 并引入 Transformer来提升模型的预测效能。Wu 等[49]提出自适应图神经扩散网络来模拟交通生成的动态性, 能够同时刻画全局和局部的空间关系及其时变特征。随着 GCN 模型结构丰富度的增加和交通生成数据量的增长, 模型的计算复杂度与之俱增。Nazzal 等[50]提出面向异构 GCN 的半分散推理方式, 优化了交通生成预测模型的计算效率和时空延展性。
早期交通分布预测模型以物理规律为依据, 关注人口和距离等基本因素对交通分布产生的影响, 代表性模型包括重力模型、辐射模型和介入机会模型等[51–53]。虽然这类模型无法捕获交通网络结构特征和交通分布动态特征, 但其经典理论为交通需求建模带来诸多启示, 促进了物理模型与深度学习方法的结合, 例如面向 OD 矩阵生成的深度重力模型[54]和重力指导的图自动编码器[55]等。随着 Geo-AI 和城市感知技术的发展, 形成数据驱动的智能交通分布预测框架, 其先进性主要体现在交通分布预测在时间和空间维度的效能提升[40]。
表1 交通需求预测四阶段面临的挑战及地理空间人工智能应对策略
Table 1 GeoAI-based strategies for addressing challenges in the four stages of traffic demand forecasting
预测阶段核心挑战GeoAI应对策略空间表征学习空间模型构建模型评估与解释 交通生成难以捕获交通需求时序数据的周期性、随机性和非线性特点多尺度时空嵌入特征提取, 融合地理语义与多模态数据显式: 注入物理规则解析确定性趋势隐式: 生成深度网络捕捉随机波动时空交叉验证及敏感性分析, SHAP值量化非线性特征贡献 交通分布地理空间的异质性和交通单元空间关系的时变性显著异构图编码区域空间功能关联, 动态构建时变交互模式显式: 动态图网络融合地理衰减定律隐式: 高阶图网络挖掘潜在交互模式自适应损失函数优化, 图注意力权重热力图可视化 交通方式难以挖掘动态供需情况下的个体决策模式行为轨迹嵌入聚合, 构建时空活动链语义空间显式: 多智能体博弈框架量化供需平衡隐式: 强化学习自适应探索决策策略反事实推理量化政策效应, 决策树解析个体决策路径 交通流复杂时空关系耦合及突发外部因素影响拓扑结构编码保留路网层级, 时空嵌入交通流量路径传播显式: 因果干预分离偶发事件干扰隐式: 神经微分方程刻画连续动态系统脆弱性指数识别关键瓶颈, 因果图分离混杂因素
时间维度的交通分布预测根据历史时序 OD 矩阵预测未来时段相同地区的交通分布情况。Jiang等[56]提出随时间迁移的图神经网络来模拟动态变化的 OD 流空间关联, 并且采用基于注意力机制的LSTM 网络预测短期的城轨交通需求分布。Chen 等[57]构建混合时空网络捕获交通单元间的地理邻近性和功能相似性, 以及 OD 流之间的时空相关性, 实现长时序交通分布的精准预测。上述研究皆基于固定的时间步长, 缺乏对交通需求分时多样性的表达。Xu 等[58]提出一种面向连续时间和离散时间的OD 矩阵预测方法, 为不同时间分辨率影响下的交通分布建模提供了有效途径。针对时序扩增交通分布预测任务, Huang 等[59]根据 OD 流的周期性构建稀疏注意力模块来降低计算复杂度, 并引入 Trans-former 进一步提升 OD 矩阵预测模型的多情景泛化能力。
空间维度的交通分布预测根据影响交通需求分布的多方因素(如建成环境、用地类型、人口结构和职住分布等), 生成交通单元之间的 OD 矩阵[60]。Cai 等[61]构建空间注意力 GCN 模型, 融合路网密度与城市设施等多模态空间属性, 精准地预测格网交通单元的 OD 流。Rong 等[62]采用高阶特征交叉技术处理空间依赖关系的多样性, 并引入对抗训练策略来提升 OD 矩阵生成模型在不同城市之间的可迁移性。Yuan 等[63]考虑空间交互的距离衰减效应, 通过显式表达交通需求的空间分异, 优化 OD 矩阵的预测效能。同类 GeoAI 技术可以应用到区域、国家等多个尺度的交通分布预测中[64–65]。
GeoAI 在交通方式识别中的应用基础是多源大数据的融合, 包括 GPS 轨迹数据[66]、手机信令数据[67]和多模态传感器数据[68–70]等。研究表明, 融合移动出行大数据与地理空间环境数据能够提升交通方式识别的准确性和泛化性[71]。基于 GeoAI 的交通方式识别方法分为 3 类: 监督学习、半监督学习和无监督学习。其中, 监督学习应用最广泛, 通过分析轨迹的运动学特征及其时空关系, 结合每条轨迹对应的交通方式标签来训练 GeoAI 模型[72]。然而, 交通方式标签数据的获取难度较大, 有效地利用未标记数据的半监督学习和无监督学习解决了这一问题, 使 GeoAI 能够应对更大规模、更多样化的交通需求预测挑战[73–75]。
GeoAI 在交通方式选择建模中的应用以机器学习为核心框架, 如随机森林、支持向量机、决策树和人工神经网络等[76]。相比以 Logit 模型为代表的离散选择模型, 机器学习模型不受限于严格的假设条件, 适合高维且复杂的决策过程建模[77]。为提升交通方式选择建模中的预测效能, 一系列优化策略被应用到机器学习模型中, 如使用贝叶斯优化算法自动调整模型超参数[78], 运用粒子群优化算法降低随机森林预测误差[79], 采用集成学习方法改善模型的精度和鲁棒性[80]。深度学习方面, 实体嵌入技术增强了神经网络的特征表示效果[81], 迁移学习方法提升了模型在多个情景中的泛化能力[82], 引入推荐系统算法能够模拟个体偏好影响下的交通出行方式选择过程[83]。此类 GeoAI 方法在通勤和非通勤的交通方式预测中都得到良好的应用[84]。
鉴于路网交通流数据的拓扑图结构特性, 当前GeoAI 在交通流预测中的应用聚焦于大数据驱动的图卷积网络 GCN 及其衍生模型的构建与优化[85]。交通流预测的本质是时空流数据预测任务, 其中GCN 主要负责深度提取交通流节点的隐含空间关系特征, 并结合各类时间卷积网络, 实现交通流量的预测。空间建模方面, 早期采用 GCN 的交通流预测方法多基于固定的空间关联结构图[86–87], 在控制计算复杂度的同时, 达到优于传统机器学习算法的预测效果。然而, 预定义静态图难以反映空间相关性的时变特征, 动态时空图卷积应运而生[88–89]。当前动态图卷积多基于注意力机制来实现, 通过集成多头注意力或分层注意力, 动态地调整交通节点的空间关系表达, 并获取不同层次的交通路网空间特征[90–92]。数据驱动的图结构创建是空间特征自动更新的另一种方式, 结合扩散卷积、渐进式图卷积和尺度自适应等模块, 实现无需先验知识的空间依赖关系推断与提取[93–95]。
时间建模方面, 长短期记忆网络 LSTM 和门控递归单元 GRU 广泛应用于交通流的时序预测, 取得领先于递归神经网络 RNN 的预测效果[96]。Mén-dez 等[97]和 Yin 等[98]在时间建模中纳入交通流时序依赖关系的方向性, 显著地提升了模型挖掘双向交通流上下文信息的能力。Zhang 等[99]针对交通流预测结果的时空一致性问题, 运用 GAN 构建时空判别网络, 增加模型优化目标的时间和空间约束。Karimzadeh 等[100]采用强化学习方法, 实现基于交通数据的自动化时间建模, 提高了面向不同数据集的交通流预测建模效率。对于长时序预测, 基于GCN 的交通节点信息在传播过程中逐渐衰减, 通过Transformer 的自注意力机制建立长时序依赖关系, 能够达到更好的长期交通流预测效果[101]。Jiang 等[102]提出 PDFormer, 动态感知远程交通状况, 并解决交通信息的传播延迟问题。Wen 等[103]采用关键掩码技术, 减少长时序中缺失的交通数据对模型预测性能的影响。综上所述, 作为语言大模型基础架构的 Transformer 在交通流量预测中的应用值得进一步探索。
随着人工智能技术和地理空间科学的发展与融合, 基于 GeoAI 的交通模拟预测水平不断提升, 在交通规划的各个阶段都取得先进的研究成果。同时, 面对大数据的多模态、算法的交叉异构、交通系统的耦合和时空关系的演化, 交通需求预测中的GeoAI 应用仍然存在诸多挑战。
多源大数据的涌现丰富了交通系统的信息维度, 为城市交通的实时态势感知与趋势预测提供了强大且全面的支撑。然而, 大数据自身特性的衍生问题给基于 GeoAI 的交通需求预测带来新的挑战。1)交通数据与地理空间数据的时空基准及语义表征差异, 导致 GeoAI 模型在特征对齐中损失大量的有效信息。2)大数据的时空分布不均衡使模型对长尾场景的预测误差区域化, 制约 GeoAI 模型的全局泛化能力。3)鉴于数据安全和隐私保护, 高精度交通数据的敏感性与 GeoAI 模型的大规模训练需求相互矛盾, 难以发挥数据的价值。
数据要素是根据特定生产需求汇聚、整理和加工而成的计算机数据及其衍生形态[104]。数据技术经历了支撑业务贯通和推动数智决策的两个阶段,已进入可信流通对外赋能阶段[105]。这一阶段有 3个重要的发展方向。首先是高质量的数据供给, 可采用湖仓一体、软硬协同和向量数据库等技术高效处理和存储多模态大数据, 从而满足交通需求预测对优质数据的需求。其次是安全可控的数据流通, 可运用数据编织、隐私计算、智能合约和图联邦等技术实现数据的密态流转与可信流通, 解决交通数据的跨域协同安全问题。最后, 借鉴国际数据空间的标准化通信接口、统一的连接与交互网络的架构设计[106], 未来应构建专业化的交通地理数据空间来促进智能交通系统的可持续发展。
GeoAI 凭借其卓越的时空特征挖掘能力, 实现大规模交通需求预测精度的显著提升。同时, 交通系统的复杂演化使得 GeoAI 的建模难度不断增加, 表现在时空动态分异、多级尺度效应、交通方式高频交互和交通环境长期变化等方面。因此, 如何增强不同场景下交通需求预测模型的通用性, 是亟需探索的 GeoAI 重要研究方向。大模型具备多场景、多用途和跨学科的任务处理能力, 其训练与推理方式为构建通用的交通需求预测框架提供了新的思路。参考大模型在语言、视觉以及科学计算领域的落地实践经验, 地理大模型、城市大模型和交通大模型的联合发展具有广阔的应用前景[107–109]。
首个基于大模型的交通模拟器 TransWordNG能够自动学习, 并准确地生成大量符合真实环境的交通模式, 具备场景规模自适应缩放能力[110]。交通元宇宙大模型通过集成联邦智能与并行学习, 增强对城市交通态势的认知和预测, 有效地支撑了智能交通系统的分布式自治[111]。多模式交通大模型MT-GPT 引入分层学习概念来提高对交通方式相互作用的解析能力, 并初步实现跨城市场景与稀疏感知的数据补全和模型迁移[112]。时空融合的交通需求预测大模型采用冻结预训练策略微调大模型, 通过多头交叉注意力捕获时空嵌入的交叉关系, 进而提高交通流预测的准确性[113–114]。
未来, 基于 GeoAI 的交通需求预测应进一步聚焦于跨尺度、跨区域和跨模式的通用模型构建与优化。首先, 交通大模型的预训练需针对交通系统的时空动态特性, 设计多模式自监督学习任务, 包括交通数据的时空掩码重建与跨模式对比学习等。其次, 交通大模型需支持从宏观到微观的跨尺度任务迁移, 基于交通场景元特征构建任务分布, 通过模型无关元学习实现少样本快速适配。最后, 为增强大模型对复杂交通系统演化的模拟能力, 需耦合 AI多智能体框架与交通物理引擎, 支撑“全域感知–全局预测”的一体化建模。
地理空间人工智能技术体系通过融合多模态数据语义表征与尺度对齐、地理规律引导的模型架构设计和地理知识服务的模型机制解释, 系统性地解决了交通需求预测中的高维特征挖掘与关联、动态时空交互建模以及决策透明化等核心问题。这些问题的突破显著地提升了交通需求预测的准确性与可靠性, 促进了交通需求预测研究从数据驱动到知识嵌入的范式革新。与此同时, 城市交通系统的快速发展给交通需求预测领域带来更高层级的挑战, 未来基于地理空间人工智能的交通需求预测研究可聚焦以下方向: 优化多模态交通数据治理体系, 实现数据要素安全流通与高效融合, 解决跨域联合建模难题; 构建垂直交通领域的人工智能大模型, 设计跨任务元学习框架, 解决标注样本稀缺的新场景自适应问题; 响应交通强国和数字中国战略需求, 为空天地海一体化交通系统的智能协同、新型城镇化建设的低碳转型提供关键技术引擎。
参考文献
[1] 高松. 地理空间人工智能的近期研究总结与思考. 武汉大学学报(信息科学版), 2020, 45(12): 1865–1874
[2] 张永生, 张振超, 童晓冲, 等. 地理空间智能研究进展和面临的若干挑战. 测绘学报, 2021, 50(9): 1137–1146
[3] 俞肇元, 袁林旺, 吴明光, 等. 地理学视角下地理信息的分类与描述. 地球信息科学学报, 2022, 24 (1): 17–24
[4] 程涛, 张洋, Haworth J. 基于网络和图的时空智能——概念、方法和应用. 测绘学报, 2022, 51(7): 1629–1639
[5] 丁建丽, 葛翔宇, 王瑾杰, 等. 地理学领域的人工智能应用与思考. 新疆大学学报(自然科学版)(中英文), 2023, 40(4): 385–397
[6] 史文中, 迈克尔·古特柴尔德, 迈克尔·巴蒂, 等. 城市信息学展望. 国际城市规划, 2024, 39(1): 11–20
[7] 吴田军, 骆剑承, 李曼嘉, 等. 地理时空数字化底座理论框架构建与应用实践. 地球信息科学学报, 2024, 26(4): 799–830
[8] 姚俊峰, 何瑞, 史童童, 等. 基于机器学习的交通流预测方法综述. 交通运输工程学报, 2023, 23(3): 44–67
[9] McNally M G. The four-step model // Hensher D A, Button K J. Handbook of Transport Modelling. Leeds: Emerald Group Publishing Limited, 2007: 35–53
[10] Wilson C E. The transportation system: an evaluation of alternative land use and transportation systems in the Chicago area. Radial Highways, 1968, 10(1): 8
[11] 杨晓光, 马成元, 王一喆, 等. 交通人工智能及其发展综述研究. 人工智能, 2022(4): 18–29
[12] Shaygan M, Meese C, Li W, et al. Traffic prediction using artificial intelligence: review of recent advances and emerging opportunities. Transportation Research Part C: Emerging Technologies, 2022, 145: 103921
[13] Janowicz K, Gao S, McKenzie G, et al. GeoAI: spatial-ly explicit artificial intelligence techniques for geogra-phic knowledge discovery and beyond. Abingdon: Tay-lor & Francis. 2020: 625–636
[14] Mai G, Li Z, Lao N. Spatial representation learning in GeoAI // Handbook of Geospatial Artificial Intelligen-ce. Boca Raton: CRC Press, 2023: 99–120
[15] Zhu D, Zhang F, Wang S, et al. Understanding place characteristics in geographic contexts through graph convolutional neural networks. Annals of the American Association of Geographers, 2020, 110(2): 408–420
[16] Goodchild M. Issues in spatially explicit modeling // Parker D C, Berger T, Manson S M. Agent-based Mo-dels of Land-use and Land-cover Change Report and Review of an International Workshop. Irvine, 2001: 12–15
[17] Mai G, Hu Y, Gao S, et al. Symbolic and subsymbolic GeoAI: geospatial knowledge graphs and spatially exp-licit machine learning. Trans GIS, 2022, 26(8): 3118–3124
[18] Gao S, Rao J, Liang Y, et al. GeoAI methodological foundations: deep neural networks and knowledge graphs // Gao S, Hu Y, Li W. Handbook of Geospatial Artificial Intelligence. Boca Raton: CRC Press, 2023: 45–74
[19] Mai G, Janowicz K, Hu Y, et al. A review of location encoding for GeoAI: methods and applications. Inter-national Journal of Geographical Information Science, 2022, 36(4): 639–673
[20] Jiang W, Luo J. Graph neural network for traffic fore-casting: a survey. Expert Systems with Applications, 2022, 207: 117921
[21] Xie Y, Jia X, Chen W, et al. Heterogeneity-aware deep learning in space: performance and fairness // Gao S, Hu Y, Li W. Handbook of Geospatial Artificial Intelli-gence. Boca Raton: CRC Press, 2023: 151–176
[22] Bandi A, Adapa P V S R, Kuchi Y E V P K. The power of generative ai: a review of requirements, models, input–output formats, evaluation metrics, and challen-ges. Future Internet, 2023, 15(8): 260
[23] Xie Y, He E, Jia X, et al. Fairness by “where”: a statistically-robust and model-agnostic bi-level lear-ning framework // Proceedings of the AAAI Confe-rence on Artificial Intelligence, 2022, 36(11): 12208–12216
[24] Wong D W. The modifiable areal unit problem (MAUP) // WorldMinds: Geographical Perspectives on 100 Pro-blems: Commemorating the 100th Anniversary of the Association of American Geographers 1904–2004. Dordrecht: Springer, 2004: 571–575
[25] Chen Y, Zhao P, Lin Y, et al. Semantic-enhanced graph convolutional neural networks for multi-scale urban functional-feature identification based on human mo-bility. ISPRS International Journal of Geo-Informa-tion, 2024, 13(1): 27
[26] Lundberg S M, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2020, 2(1): 56–67
[27] Liu P, Zhang Y, Biljecki F. Explainable spatially ex-plicit geospatial artificial intelligence in urban analy-tics. Environment and Planning B: Urban Analytics and City Science, 2023, 51(5): 1104–1123
[28] García-Sigüenza J, Llorens-Largo F, Tortosa L, et al. Explainability techniques applied to road traffic fore-casting using graph neural network models. Informa-tion Sciences, 2023, 645: 119320
[29] Lana I, del Ser J, Velez M, et al. Road traffic forecas-ting: recent advances and new challenges. IEEE Intel-ligent Transportation Systems Magazine, 2018, 10 (2): 93–109
[30] Liu Y, Liu X, Gao S, et al. Social sensing: a new approach to understanding our socioeconomic environ-ments. Annals of the Association of American Geogra-phers, 2015, 105(3): 512–530
[31] Zhang D, Xiao F. Dynamic auto-structuring graph neural network: a joint learning framework for origin-destination demand prediction. IEEE Transactions on Knowledge and Data Engineering, 2021, 35(4): 3699–3711
[32] Rasouli S, Timmermans H. Activity-based models of travel demand: promises, progress and prospects. Inter-national Journal of Urban Sciences, 2014, 18(1): 31–60
[33] 叶宝林, 戴本岙, 张鸣剑, 等. 基于图卷积网络的交通流预测方法综述. 南京信息工程大学学报(自然科学版), 2024, 16(3): 291–310
[34] 李岩, 王泰州, 徐金华, 等. 面向动态交通分配的交通需求深度学习预测方法. 交通运输系统工程与信息, 2024, 24(1): 115–123
[35] 滕建, 滕飞, 李天瑞, 基于3D卷积和LSTM编码解码的出行需求预测. 计算机科学, 2021, 48(12): 195–203
[36] Guo S, Lin Y, Wan H, et al. Learning dynamics and heterogeneity of spatial-temporal graph data for tra-ffic forecasting. IEEE Transactions on Knowledge and Data Engineering, 2021, 34(11): 5415–5428
[37] Wang Y, Jing C, Xu S, et al. Attention based spatio-temporal graph attention networks for traffic flow forecasting. Information Sciences, 2022, 607: 869–883
[38] Gu Z, Wang Y, Ma W, et al. A joint travel mode and departure time choice model in dynamic multi-modal transportation networks based on deep rein-forcement learning. Multimodal Transportation, 2024, 3(3): 100137
[39] Zhang L, Fu K, Ji T, et al. Granger causal inference for interpretable traffic prediction // 2022 IEEE 25th Inter-national Conference on Intelligent Transportation Sy-stems (ITSC). Macau, 2022: 1645–1651
[40] Cheng T, Haworth J, Ozkan M C. Spatiotemporal AI for transportation // Gao S, Hu Y, Li W. Handbook of Geospatial Artificial Intelligence. Boca Raton: CRC Press, 2023: 248–259
[41] Yao H, Tang X, Wei H, et al. Revisiting spatial-tem-poral similarity: a deep learning framework for traffic prediction // Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 5668–5675
[42] Zhou X, Shen Y, Zhu Y, et al. Predicting multi-step citywide passenger demands using attention-based neu-ral networks // Proceedings of the Eleventh ACM International Conference on Web Search and Data Mi-ning. Los Angeles, 2018: 736–744
[43] Liu T, Wu W, Zhu Y, et al. Predicting taxi demands via an attention-based convolutional recurrent neural net-work. Knowledge-Based Systems, 2020, 206: 106294
[44] 黄昕, 毛政元, 基于时空多图卷积网络的网约车乘客需求预测. 地球信息科学学报, 2023, 25(2): 311–323
[45] Du B, Hu X, Sun L, et al. Traffic demand prediction based on dynamic transition convolutional neural net-work. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(2): 1237–1247
[46] Ye J, Sun L, Du B, et al. Coupled layer-wise graph convolution for transportation demand prediction. Pro-ceedings of the AAAI Conference on Artificial Intel-ligence, 2021, 35(5): 4617–4625
[47] 李欢欢, 黄添强, 丁雪梅, 等. 基于多尺度时空图卷积网络的公共交通出行需求预测. 计算机应用, 2024, 44(7): 2065–2072
[48] Wen Y, Li Z, Wang X, et al. Traffic demand prediction based on spatial-temporal guided multi graph Sand-wich-Transformer. Information Sciences, 2023, 643: 119269
[49] Wu Y, Zhang X, Wang Y. Adaptive graph neural diffu-sion for traffic demand forecasting // Proceedings of the 32nd ACM International Conference on Informa-tion and Knowledge Management. Birmingham, 2023: 4350–4354
[50] Nazzal M, Khreishah A, Lee J, et al. Semi-decentrali-zed inference in heterogeneous graph neural networks for traffic demand forecasting: an edge-computing approach. IEEE Transactions on Vehicular Technology, 2024, 73(12): 19400–19416
[51] Simini F, González M C, Maritan A, et al. A universal model for mobility and migration patterns. Nature, 2012, 484: 96–100
[52] Stouffer S A. Intervening opportunities: a theory rela-ting mobility and distance. American Sociological Re-view, 1940, 5(6): 845–867
[53] Zipf G K. The P1P2/D hypothesis: on the intercity movement of persons. American Sociological Review, 1946, 11(6): 677–686
[54] Simini F, Barlacchi G, Luca M, et al. A deep gravity model for mobility flows generation. Nature Commu-nications, 2021, 12(1): 6576
[55] Salha G, Limnios S, Hennequin R, et al. Gravity-in-spired graph autoencoders for directed link prediction // Proceedings of the 28th ACM International Con-ference on Information and Knowledge Management. Beijing, 2019: 589–598
[56] Jiang W, Ma Z, Koutsopoulos H N. Deep learning for short-term origin–destination passenger flow predict-tion under partial observability in urban railway sys-tems. Neural Computing and Applications, 2022, 34: 4813–4830
[57] Chen T, Nie L, Pan J, et al. Origin-destination traffic prediction based on hybrid spatio-temporal network // 2022 IEEE International Conference on Data Mining (ICDM). Orlando, 2022: 879–884
[58] Xu Y, Han L, Zhu T, et al. Continuous-time and discre-te-time representation learning for origin-destination demand prediction. IEEE Transactions on Intelligent Transportation Systems, 2023, 25(3): 2382–2393
[59] Huang B, Ruan K, Yu W, et al. ODformer: spatial–temporal transformers for long sequence origin–desti-nation matrix forecasting against cross application sce-nario. Expert Systems with Applications, 2023, 222: 119835
[60] Chen Y, Zhao P, Chen Q. Forecasting the commuting generation using metropolis-informed GCN and the topological commuter portrait. Transportation, 2026, 53: 483–510
[61] Cai M, Pang Y, Sekimoto Y. Spatial attention based grid representation learning for predicting origin–des-tination flow // 2022 IEEE International Conference on Big Data. Osaka, 2022: 485–494
[62] Rong C, Feng J, Ding J. GODDAG: generating origin-destination flow for new cities via domain adversarial training. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(10): 10048–10057
[63] Yuan J, Zhao Y, Yi D, et al. Exploring multi-relational spatial interaction imputation with distance-decay ef-fects. International Journal of Digital Earth, 2024, 17 (1): 2300316
[64] Terroso-Sáenz F, Muñoz A. Nation-wide human mobi-lity prediction based on graph neural networks. App-lied Intelligence, 2021, 52(4): 4144–4160
[65] Wang Y, Yao X, Liu Y, et al. Generating population migration flow data from inter-regional relations using graph convolutional network. International Journal of Applied Earth Observation and Geoinformation, 2023, 118: 103238
[66] Zeng J, Yu Y, Chen Y, et al. Trajectory-as-a-sequence: a novel travel mode identification framework. Tran-sportation Research Part C: Emerging Technologies, 2023, 146: 103957
[67] 郭煜东, 杨飞, 周涛, 等. 基于手机信令的城市机动化方式细分双层模型研究. 交通运输系统工程与信息, 2023, 23(3): 101–109
[68] Alam M G R, Haque M, Hassan M R, et al. Feature cloning and feature fusion based transportation mode detection using convolutional neural network. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(4): 4671–4681
[69] Deliali A, Tainter F, Ai C, et al. A framework for mode classification in multimodal environments using radar-based sensors. Journal of Intelligent Transportation Systems, 2023, 27(4): 441–458
[70] Lee S, Lee J, Lee K. DeepVehicleSense: an energy-efficient transportation mode recognition leveraging staged deep learning over sound samples. IEEE Tran-sactions on Mobile Computing, 2023, 22(6): 3270–3286
[71] Hong Y, Stüdeli E, Raubal M. Evaluating geospatial context information for travel mode detection. Journal of Transport Geography, 2023, 113: 103736
[72] 张驰, 顾益军. 基于多尺度相位聚合轨迹表示的出行方式识别模型. 计算机工程, 2023, 49(10): 289–297
[73] Dutta S, Patra B K. Inferencing transportation mode using unsupervised deep learning approach exploiting GPS point-level characteristics. Applied Intelligence, 2023, 53(10): 12489–12503
[74] Sadeghian P, Golshan A, Zhao M X, et al. A deep semi-supervised machine learning algorithm for detecting transportation modes based on GPS tracking data. Transportation, 2025, 52: 1745–1765
[75] Yazdizadeh A, Patterson Z, Farooq B. Semi-supervised GANs to infer travel modes in GPS trajectories. Jour-nal of Big Data Analytics in Transportation, 2021, 3: 201–211
[76] Hillel T, Bierlaire M, Elshafie M Z, et al. A systematic review of machine learning classification methodolo-gies for modelling passenger mode choice. Journal of Choice Modelling, 2021, 38: 100221
[77] Salas P, de la Fuente R, Astroza S, et al. A systematic comparative evaluation of machine learning classifiers and discrete choice models for travel mode choice in the presence of response heterogeneity. Expert Systems with Applications, 2022, 193: 116253
[78] Aghaabbasi M, Ali M, Jasiński M, et al. On hyperpara-meter optimization of machine learning methods using a Bayesian optimization algorithm to predict work travel mode choice. IEEE Access, 2023, 11: 19762–19774
[79] 李文权, 邓安鑫, 郑炎, 等. 基于机器学习的中型城市居民出行方式选择行为研究. 交通运输系统工程与信息, 2024, 24(2): 13–23
[80] 苏跃江, 温惠英, 袁敏贤, 等. 基于集成学习和居民属性数据的出行方式预测模型. 交通运输系统工程与信息, 2023, 23(3): 153–160
[81] Ma Y, Zhang Z. Travel mode choice prediction using deep neural networks with entity embeddings. IEEE Access, 2020, 8: 64959–64970
[82] Buijs R, Koch T, Dugundji E. Applying transfer lear-ning and various ANN architectures to predict tran-sportation mode choice in Amsterdam. Procedia Com-puter Science, 2021, 184: 532–540
[83] Lai Z, Wang J, Zheng J, et al. Travel mode choice prediction based on personalized recommendation mo-del. IET Intelligent Transport Systems, 2023, 17(4): 667–677
[84] Kashifi M T, Jamal A, Kashefi M S, et al. Predicting the travel mode choice with interpretable machine learning techniques: a comparative study. Travel Be-haviour and Society, 2022, 29: 279–296
[85] 户佐安, 邓锦程, 韩金丽, 等. 图神经网络在交通预测中的应用综述. 交通运输工程学报, 2023, 23 (5): 39–61
[86] Fang Z, Long Q, Song G, et al. Spatial-temporal graph ode networks for traffic flow forecasting // Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. Singapore, 2021: 364–373
[87] Li M, Zhu Z. Spatial-temporal fusion graph neural networks for traffic flow forecasting // Proceedings of the AAAI Conference on Artificial Intelligence, 2021, 35(5): 4189–4196
[88] Diao Z, Wang X, Zhang D, et al. Dynamic spatial-temporal graph convolutional neural networks for tra-ffic forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 890–897
[89] Guo S, Lin Y, Feng N, et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 922–929
[90] Hu J, Chen L. Multi-attention based spatial-temporal graph convolution networks for traffic flow forecasting // 2021 International Joint Conference on Neural Net-works (IJCNN). Shenzhen: IEEE, 2021: 1–7
[91] Huang X, Ye Y, Yang X, et al. Multistep coupled graph convolution with temporal-attention for traffic flow prediction. IEEE Access, 2022, 10: 48179–48192
[92] Peng Y, Guo Y, Hao R, et al. Network traffic prediction with attention-based spatial-temporal graph network. Computer Networks, 2024, 243: 110296
[93] Shin Y, Yoon Y. PGCN: progressive graph convolu-tional networks for spatial–temporal traffic forecasting. IEEE Transactions on Intelligent Transportation Sys-tems, 2022, 25: 7633–7644
[94] Wang Y, Jing C, Huang W, et al. Adaptive spatiotem-poral inceptionnet for traffic flow forecasting. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(4): 3882–3907
[95] Wu Z, Pan S, Long G, et al. Graph wavenet for deep spatial-temporal graph modeling // Proceedings of the Twenty-Eighth International Joint Conference on Arti-ficial Intelligence. Macao, 2019: 1907–1913
[96] 曹阳, 朱镕琦, 沈琴琴, 等. 基于时域图卷积神经网络的交通流预测模型. 计算机工程与设计, 2023, 44(12): 3700–3706
[97] Méndez M, Merayo M G, Núñez M. Long-term traffic flow forecasting using a hybrid CNN-BiLSTM model. Engineering Applications of Artificial Intelligence, 2023, 121: 106041
[98] Yin L, Liu P, Wu Y, et al. ST-VGBiGRU: a hybrid model for traffic flow prediction with spatio-temporal multimodality. IEEE Access, 2023, 11: 54968–54985
[99] Zhang J, Li H, Zhang S, et al. A spatiotemporal graph generative adversarial networks for short-term passen-ger flow prediction in urban rail transit systems. Inter-national Journal of General Systems, 2023, 52(6): 694–721
[100] Karimzadeh M, Aebi R, de Souza A M, et al. Reinfor-cement learning-designed LSTM for trajectory and traffic flow prediction // 2021 IEEE Wireless Commu-nications and Networking Conference (WCNC). Nan-jing, 2021: 1–6
[101] 曹威, 王兴, 邹复民, 等. 融合多种时空自注意力机制的Transformer交通流预测模型. 计算机系统应用, 2024, 33(4): 82–92
[102] Jiang J, Han C, Zhao W X, et al. Pdformer: propagation delay-aware dynamic long-range transformer for traffic flow prediction // Proceedings of the AAAI Confe-rence on Artificial Intelligence, 2023, 37(4): 4365–4373
[103] Wen Y, Xu P, Li Z, et al. RPConvformer: a novel Transformer-based deep neural networks for traffic flow prediction. Expert Systems with Applications, 2023, 218: 119587
[104] 中国信息通信研究院. 数据要素白皮书(2022 年) [EB/OL]. (2023–01–07) [2025–01–05]. http://www. caict.ac.cn/kxyj/qwfb/bps/202301/t20230107_413788.htm
[105] 中国信息通信研究院. 数据要素白皮书(2023 年) [EB/OL]. (2023–09–26) [2025–01–05]. http://www.cai ct.ac.cn/kxyj/qwfb/bps/202309/t20230926_462892.htm
[106] Otto B, Jarke M. Designing a multi-sided data plat-form: findings from the international data spaces case. Electronic Markets, 2019, 29(4): 561–580
[107] Mai G, Huang W, Sun J, et al. On the opportunities and challenges of foundation models for geospatial artifi-cial intelligence. ACM Transactions on Spatial Algo-rithms and Systems, 2024, 10(2): Article No. 11
[108] Zhang S, Fu D, Liang W, et al. Trafficgpt: viewing, processing and interacting with traffic foundation mo-dels. Transport Policy, 2024, 150: 95–105
[109] Zhang W, Han J, Xu Z, et al. Towards urban general intelligence: a review and outlook of urban foundation models [EB/OL]. (2024–01–30) [2025–01–05]. https: //arxiv.org/abs/2402.01749
[110] Wang D, Wang X, Chen L, et al. Transworldng: traffic simulation via foundation model // IEEE 26th Interna-tional Conference on Intelligent Transportation Sys-tems (ITSC). Bilbao, 2023: 6007–6012
[111] Zhao C, Wang X, Lv Y, et al. Parallel transportation in transverse: from foundation models to decast. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(12): 15310–15327
[112] 周臻, 顾子渊, 曲小波, 等. 城市多模式交通大模型MT-GPT: 点线面的分层技术与应用场景. 中国公路学报, 2024, 37(2): 253–274
[113] Liu C, Yang S, Xu Q, et al. Spatial-temporal large language model for traffic prediction // 25th IEEE International Conference on Mobile Data Management (MDM). Brussels, 2024: 31–40
[114] Xu Y, Liu M. GPT4TFP: spatio-temporal fusion large language model for traffic flow prediction. Neurocom-puting, 2025, 625: 129562
A Review on the Application of Geospatial Artificial Intelligence in Traffic Demand Forecasting
Abstract This paper provides a comprehensive review of the technological advancements in geospatial artificial intelligence (GeoAI) and its applications in traffic demand forecasting. It systematically analyzes the evolution of GeoAI technologies, with a particular focus on its role in addressing the challenges inherent in the four key stages of traffic demand forecasting: traffic generation, traffic distribution, traffic mode choice, and traffic flow assignment. Through the reconstruction of interdisciplinary frameworks, the decomposition of traffic demand forecasting problems into manageable phases, and the optimization of corresponding strategies, this review highlights how GeoAI integrates spatial representation learning, explicit and implicit spatial modeling, and advanced model evaluation techniques to improve prediction precision and reliability. The application of GeoAI has yielded substantial improvements in the accuracy of traffic forecasts, overcoming the limitations of traditional predictive models that often struggle with the complexity of high-dimensional, multimodal data. By enhancing spatiotemporal prediction capabilities and facilitating a more comprehensive understanding of traffic dynamics, GeoAI has been shown to enhance the robustness of predictive models, enabling more effective traffic management and policy formulation. Looking forward, the paper outlines key directions for future research in GeoAI for traffic demand forecasting. These include the optimization of multimodal traffic data governance, the development of large-scale generative models tailored to the transportation domain, and the establishment of cross-task adaptive learning frameworks. Addressing challenges such as data heterogeneity, traffic system coupling, and the dynamic evolution of spatiotemporal relationships will be crucial for advancing the field. Ultimately, these innovations will support China’s national strategy of building a strong transportation country, delivering key theoretical and practical insights for intelligent transportation systems and sustainable urban mobility.
Key words geospatial artificial intelligence (GeoAI); traffic demand forecasting; graph neural networks; data elements; multimodal large models