【目的】 城市交通需求的规模、分布、方式结构与交通流是人类社会经济及其在不同区位上的空间相互作用的结果，社会经济运行的复杂系统性决定了交通需求预测必须从城市系统出发，才能破解当前交通需求预测“就交通论交通”的技术难题。【方法】 本文解析了城市交通的系统性特征，提出了土地-人口-住房-交通一体化模拟技术框架，总结了基于城市系统的交通需求模拟预测技术。技术涵盖交通需求分布、交通方式分担与路径分配、土地利用模拟、人口与就业分布、房地产价格、碳排放等子模块以反映完整的城市系统；设置广义出行成本、区位可达性、房地产价格、职住关系系数、用地混合度等一系列子模块关联变量，反映子系统间的相互影响与时滞效应；设计子模块核心算法实现城市系统模拟预测。【结果】 本文以北京为例，展示了该技术在交通需求模拟预测上的技术效果与应用：将2020年北京市的真值与模拟值进行比较，发现对交通需求、拥堵情况、土地利用、人口分布等模拟结果的准确度可达85%以上；进一步应用该技术平台，对北京市2030年的交通需求、交通流量、拥堵指数等进行了预测。【结论】 本文提出的基于城市系统的交通需求模拟预测技术完善了城市交通理论，为城市交通规划提供了的新方法与新技术支撑。

【意义】 在全球城市多灾害风险频发的当下，如何建设具有高水平防灾韧性的交通系统已成为学界关注的焦点。相较于传统的数据类型，时空大数据以其高精细度和高信息密度的优势，在交通系统韧性研究中发挥日益显著的重要作用。然而，目前对于时空大数据在交通系统韧性研究中进展脉络的理解相对不清晰，客观上缺少对交通系统韧性领域中时空大数据的类型、应用场景和发展趋向的综合分析。【进展】 本文利用系统性文献综述方法，对在CNKI中国知网和Web of Science数据库中检索到的中英文相关文献进行了系统的综述分析，全面探讨了时空大数据应用于交通系统韧性研究的主流数据类型，量化评估、监测预警、模拟预测与系统优化4个具体实践领域及在各领域所运用的研究方法，以及相关研究的发展趋势。【展望】 在总结当前时空大数据在交通系统韧性研究中的应用成就与不足的基础上，进一步展望了若干交通系统韧性研究领域未来可能的发展方向，以期为我国时空大数据赋能交通可持续发展、推进交通强国战略目标落实提供有益思考与借鉴。

【目的】 OD数据可以反馈交通流起讫点，对交通规划与管理具有重要价值。然而，OD数据缺乏移动的过程细节，这导致现有研究多集中于分析孤立的OD数据，缺乏将OD数据组织为具有移动上下文信息的高阶单元展开探索研究。在此背景下，本文基于厦门市巡游车和网约车2种类型的出租车订单数据，以单个出租车为主体串联其多次连续的接单行为，构建出租车移动链（TMC）新型研究模型。【方法】 分别从出租车的使用和TMC的特性两个维度出发设计了相应指标作为时空特征的分析工具。特别地，本文引入了自然语言处理领域的词嵌入技术并衔接聚类算法，探索车辆运营过程中形成的时空模式特征。【结果】 通过对比分析运营模式不同（“车找人”和“人找车”）的2种车辆，结果表明： ① 单辆出租车日均接单量在工作日和非工作日差异不大，但巡游车司机在接单时自主性更强，连续接单量更多，工作强度更大； ② 巡游车运营呈现更强的聚集性，网约车则具有更大的空间服务范围； ③ 在聚类分析中，不同的聚类数可以帮助发现不同结论。如K=2时聚类结果的空间分布大致对应两类出租车的主次运营区域，K=6时巡游车的聚类结果与高密度路网的空间分布更相关，而网约车与行政区划更相关。【结论】 论文利用基于移动链的聚类分析手段，可以更好地识别出租车运营的时空特征，为精准预测交通需求、优化调度服务等提供数据支撑。

【目的】 粗放式设施配置已无法保障社会公平和生活品质，提高感知服务质量成为城市公共交通发展和改革的重要方向。以往研究存在以下不足： ① 传统基于交通调查的分析方法难以揭示感知服务质量的区域差异； ② 现有使用社交媒体平台大数据的研究容易受到信息偏差、极化等影响，不易反映公众真实诉求，且对制度化平台数据的利用多停留在舆情分析层面，缺乏具体可行的优化路径。【方法】 提出了一种结合公众网络参与和语义分析的方法，并以武汉都市发展区为研究区域，基于政-民在线互动平台的公共交通相关网络留言，通过时空特征信息提取验证了数据的可靠性，运用情感分析、主题聚类和空间分析识别了感知服务质量的特征，并结合公交系统服务效能针对不同区域提出优化建议。【结果】 ① 公众网络参与数据能够反映实际出行活动的时空规律，具有较高可信度； ② 公众的情感表达在个体和区域上存在差异，对服务质量的感知维度可以分为“公共交通规划建设”、“公共交通出行路况”、“居住小区公交配置”、“公共交通线路设置”和“公共交通运营服务”5个主题，且感知服务质量在空间上呈现不均衡和聚集的特征； ③ 针对主城区道路系统、远城区地铁站点、主城区与远城区交界处公交线路提出了相应的优化建议。【结论】 研究成果为城市公共交通感知服务质量的空间差异精细化识别与优化提供了新方法，也展现了公众网络参与数据在促进政府决策方面的应用价值。

【目的】 识别高速公路规律出行群体是精准引导出行需求、提供个性化出行服务的前提与基础。【方法】 既有研究主要面向城市交通、基于时间-频率指标提取出行特征来识别规律出行群体，而针对高速公路出行用户的周期性规律特征分析未能得到充分探索，导致部分周期性出行用户识别的缺失。【结果】 本文基于广西壮族自治区高速公路联网收费数据，以用户进出收费站轨迹作为信号输入，通过傅立叶变换计算前3幅值对应周期的方差作特指标研判该用户是否为高速公路公路规律出行群体。【结论】 研究提出了基于傅立叶变换的“轨迹绘制-频谱变换-周期分析”高速公路周期性用户识别与分析方法，以广西壮族自治区为案例研究，结果发现: ① 广西壮族自治区高速公路出行记录具有一定的头部效应，20%的车辆提供了55%~60%的通行记录； ② 在0.5的周期方差阈值下约有12%的客、货车辆为规律用户；在1.0和1.5的周期方差阈值下，约18%的客、货车辆为规律用户；在2.0的周期方差阈值下，约25%的客、货车辆为规律用户； ③ 高频的出行客车不一定具有更强的周期性规律；而周期性规律强的客、货车通常具有更短的出行距离，且在出行时刻上亦更具稳定性。本文的研究对于拓展公路规律用户识别方法、探索公路用户出行周期性特征具有一定的参考意义。

【目的】 超宽带测距误差分布表明，在存在显著重尾的情况下，高斯混合模型比简单的高斯概率包络更接近经验分布。通过传统的超界分布（Overbounding Distribution）模型获得的保护水平过于保守，会降低系统可用性。【方法】 为提高系统可用性，提出了基于高斯混合模型（GMM）的超界框架来处理基于TOA(Time of Arrival)定位的超宽带测距误差样本。首先，结合EM算法获得测距误差的双组分GMM概率密度函数，并修正边界参数，使左右边界均满足双边超界条件，以构建双组分GMM形式的距离域双边超界模型。随后，基于GMM双边超界模型推导出计算位置域保护级（PL）的方法，对距离域的概率密度函数进行卷积以获得位置概率密度函数，求逆运算出PL。【结果】 最后，开展实验验证应用GMM双边超界模型收紧PL的效果，采集3~93 m范围内的样本数据用于误差模型的构建，真实测试的性能评估表明，基于GMM双边超界模型比传统高斯双边超界模型计算所得的PL减小了20%以上。【结论】 GMM双边超界模型能够以较小的计算成本收紧PL，增强系统可用性。

【目的】 为提高交叉口中车辆轨迹预测精度，解决交叉口多车交互场景中的轨迹预测难题。【方法】 构建强化邻接图卷积（EAG-GCN-T）的车辆轨迹预测模型，采用公共数据集INTERACTION并对数据噪声进行平滑处理，开展模型对比验证试验，与不同基准模型比较误差评估指标，验证轨迹预测精度、对比交互能力、分析泛化能力与驾驶行为识别。在模型构造上，EAG-GCN-T模型将强化邻接图卷积网络（EAG-GCN）与Transformer模型结合，EAG-GCN模块通过考虑相对速度与距离，利用强化加权邻接矩阵精确建模车辆空间交互关系，Transformer模块捕捉时间依赖性并生成未来轨迹，提升了时空预测能力。【结果】 在预测效能方面，单车轨迹长时段预测时，平均位移误差（ADE）和最终位移误差（FDE）较CV、ARIMA、CNN-LSTM分别降低69.4%、39.8%、33.3%和71.9%、32.5%、27.4%；多车交互预测中，与GRIP模型相比，FDE降低19.5%和20.6%；与3种交互机制对比，EAG-GCN-T在所有时域下总体误差最低，ADE/FDE分别为0.53和0.74，且行驶区域符合度（DCA）和轨迹点丢失率（MR）更合理，在匝道和环形交叉口适应性良好。在驾驶行为方面，模型能精准预判跟驰、变道、避让等行为及其对轨迹的影响，预测轨迹与真实轨迹高度一致。【结论】 EAG-GCN-T模型有效解决了交叉口多车交互场景中的车辆轨迹预测问题，具有高精度、强交互性和良好的泛化能力，为智能交通系统的车辆轨迹预测提供了新的解决方案。

【目的】 随着城市化进程的加速和机动车数量的剧增，城市交通系统面临着巨大的压力。智能交通系统作为智慧城市的重要组成部分，被广泛应用于改善城市交通状况，交通速度预测即是其中的一个关键研究领域。实时且准确的交通速度预测对于缓解交通压力、优化交通运输和建设智能城市交通至关重要。然而城市交通网络节点间存在复杂的耦合关系和动态随机的时变特征，现有的预测方法往往难以准确捕捉其潜在的动态时空相关性。【方法】 本文将城市交通速度预测视为多变量时间序列预测问题，提出了一种基于多元时间序列动态图神经网络（MTDGNN）的交通速度预测模型。该模型基于实时交通信息，通过图学习层自适应地生成交通动态图，结合预定义的道路网络静态图，从多方面捕捉空间依赖性。同时，图卷积模块和时间卷积模块交替使用，构建多层次的空间邻域与时间感受野，充分提取交通数据的空间特征和时间特征。【结果】 本文在北京市东部城区2017年4月1日—5月31日397条路段的真实交通数据集上对 MTDGNN 模型进行了实验测试，并将预测结果与9个基准模型和7个消融实验模型进行对比。与9种基准模型相比， MTDGNN模型的平均MAE降低了至少2.24%，平均RMSE降低了至少3.98%。【结论】 MTDGNN模型在MAE、RMSE和MAPE评估指标上均取得了最优的预测精度，表明该模型在复杂交通场景中的优越性与鲁棒性。

【目的】 准确、可靠的交通状态预测信息是智能交通系统（ITS）中许多应用的基础。然而，城市道路网络连接关系复杂，且存在较大的空间依赖性建模挑战。传统的图卷积神经网络（GCN）广泛应用于交通预测中，但其并未专门为交通问题设计，无法充分考虑交通网络的特性，如路段的行驶方向、转向规则等。因此，本研究旨在提出一种新的图卷积网络模型，能够有效建模城市交通路网中的转向关系，从而提升交通预测精度。【方法】 研究从交通网络的特性出发，考虑到中心路段与其邻居路段的转向关系和相对位置构建了新型的图卷积网络，称为转向图卷积神经网络（Turn-based Graph Convolution Neural Network, TurnGCN）。TurnGCN方法将城市路网建模为异构图，图中的边代表路段间的转向关系。在计算过程中，TurnGCN通过引入转向表来标记邻居节点，并将节点特征映射为欧氏空间的特征栅格后，利用卷积神经网络（CNN）对节点特征进行融合。【结果】 在2个现实世界交通数据集上进行了模型的对比实验：韩国首尔的Urban-150数据集和中国上海的SHSpeed数据集。实验结果表明，在多个评估指标上，TurnGCN的预测精度均达到最高，且参数量小于基于空间注意力机制的GCN变体。【结论】 TurnGCN为城市路网交通预测提供了一种有效的解决方案，显式地建模了基于转向的空间关系。它有效克服了传统GCN和注意力机制模型的局限，显著提高了预测性能，同时参数共享的机制保持了模型的计算效率。这些优势突出了TurnGCN在智能交通系统中的实际应用潜力，尤其在交通流量优化、拥堵管理和智能导航系统中具有广泛的应用前景。

【目的】 我国诸多城市采用的多中心空间战略，被认为是解决各类“城市病”的有效手段，而对多中心空间结构的建设效果进行评估是建立和完善城市空间格局的基础。【方法】 本研究提出一种新的技术方法，用于求解平均通勤距离最低时的最优多中心格局，通过比较现状与最优城市空间结构之间的差异性，实现对城市空间结构的量化评估。具体而言，本研究： ① 将城市结构对通勤格局的主要影响路径概括为“多中心结构-工作地分布-居住地分布-通勤流分布”； ② 整合多种机器学习模型，解析上述动态过程，识别现状各中心的发展水平； ③ 使用智能优化算法，以平均通勤距离最短为优化目标，计算出各中心对应的最优权重； ④ 构建并计算可优化度和均衡化趋势两项空间结构评估指标。【结果】 本研究选取京津冀大都市区全部13个地级市的中心城区为研究对象开展实证检验，结果表明，上述的技术方法可以较好地识别城市的现状多中心结构特征，推断城市空间未来的优化方向，对城市空间策略的实施效果进行有效的评估。【结论】 实验结果将研究范围内的城市分为4个类别，并提出针对性的优化方向和策略，为城市治理提供决策支持。

【目的】 城市交通流量预测对智能交通系统至关重要。传统方法常将路网划分为栅格进行区域预测，但忽略了道路间的关联，导致预测结果无法准确反映交通流变化。基于道路段数据的方法虽能捕捉道路间的空间联系，却面临轨迹映射时数据冗余、轨迹错配和数据稀疏等问题。【方法】 为了解决这些问题，本文提出了一种用于道路级稀疏交通流预测的注意力时空神经网络(ASTNN)模型。模型首先对轨迹数据做预处理和基于隐马尔可夫模型（HMM）的地图匹配，得到各道路段的交通流数据；并采用面向路网的自适应紧凑二维图像表示方法，将路网表示为以道路段为像素点的二维图像。在分析交通流时空特征的基础上，提出了两种新的注意力时空模块：注意力时空记忆块（ASTM block）和注意力时空聚焦块（ASTF block），分别用于时间相关性挖掘和空间稀疏特征提取。基于这2个模块，并融合外部信息，构造了ASTNN模型实现道路级交通流预测。 【结果】 本研究以成都出租车轨迹数据为研究对象，在成都市三环区域内的五级路网中，完成了轨迹数据的预处理和流量的映射，并对流量预测模型进行了验证。 结果显示，本文所提出的数据处理方法可使轨迹与路网匹配时间降低73.6%。在与CNN、ConvLSTM、GRU、STNN等现有方法的对比实验中，本文方法在RMSE、MAE以及R²等指标上均取得了最优的预测准确度。在此基础上，进一步验证了在ASTNN中引入温度信息对提高预测准确度的显著作用，为模型性能优化提供了新的思路。【结论】 本研究提出的ASTNN模型为城市道路级稀疏交通流预测提供了可行的实施思路和技术路线。