传统聚落集聚了大量的古代建筑和民俗等传统文化资源，以其突出的历史、文化和艺术等价值而备受关注，提取其丰富的历史文化信息并服务于现代产业发展具有积极的意义。针对当前尚缺乏从地理知识提取和表达视角对传统聚落丰富的历史文化信息进行知识抽取、组织和表达，进而实现“数据-信息-知识-智慧”转换这一问题，本文提出传统聚落景观基因本体（Geographic Ontology of Cultural Landscape Genes of Traditional Settlements, GeoOnto-CLGTS），并探索传统聚落景观基因的内在关联特征。首先，结合地理信息本体和传统聚落景观基因特征分析了GeoOnto-CLGTS的概念及表达方法，并提出GeoOnto-CLGTS模型的构建方法。其次，结合七步法的地理信息本体建模方法，梳理景观基因概念、关联关系和数据属性特征，自顶向下构建GeoOnto-CLGTS的概念层。并以123个中国传统聚落为案例，通过protégé工具进行实例补充，实现了GeoOnto-CLGTS模型的实例层构建。最后，通过Neo4j图数据库对本体数据进行存储，构建传统聚落景观基因知识图谱，实现了景观基因信息的查询。结果表明，本文构建的GeoOnto-CLGTS可以为今后开展传统聚落文化资源的知识发现及促进传统聚落的数字化保护提供有益的借鉴。

随着城市规模的不断扩大，城市居民通勤中混合交通模式普遍出现，即需要借助不同交通工具之间的换乘完成行程。精确提取和分析城市居民换乘行为，对城市交通模式及设施便捷性等研究具有重要意义。目前，换乘行为的提取多采用GPS（Global Positioning System）、GTFS（General Transit Feed Specification）等数据，基于步行速度或经验选取距离阈值或时间阈值，进而实现换乘行为的识别。但这种方式忽略了城市空间内公交或地铁站点密度的差异性特征，识别精度可能受到较大影响。因此，本研究基于公交地铁IC卡数据，提出了一种时间-距离阈值双约束的换乘行为识别算法，即根据公共交通刷卡数据的统计特征，实现时间和距离阈值的自动选择，进而精准提取换乘行为。在此基础上，本文根据前后半程的旅行时间/距离长短将换乘行为分为九类换乘模式：长-长换乘、长-中换乘、长-短换乘、中-长换乘、中-中换乘、中-短换乘、短-长换乘、短-中换乘、短-短换乘，并分别对其出行特征进行分析。结果表明，所有类型的换乘行为的早高峰均早于公交和地铁的出行早高峰，短-长换乘的早高峰时间甚至比一般出行的早高峰时间提前了30 min，充分说明了以换乘模式通勤的乘客需要付出更大的努力。相比之下，晚高峰出行时间则各有早晚，如长-长、长-短换乘模式晚高峰明显滞后于一般出行的晚高峰时间，更凸显了换乘群体的通勤成本负担之重。从出行距离上来说，九种换乘行为的通勤距离峰值远大于一般出行的峰值，甚至多分布于20~40 km之间。总之，本文所提出的换乘行为提取算法能够实现城市换乘行为的精确提取，结合对不同换乘行为模式的有效分析，为城市交通、城市活力、公共交通设施和城市规划等方面的研究提供有效的模型算法支撑。

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量，尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例，采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时，引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明： ① 相比于重力模型和辐射模型，街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83），且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构，呈现出“环形散射状”特征； ② 在本研究所选各空间尺度下，对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离，O、D点周围公司企业数量、餐饮服务数量以及购物服务数量； ③ 同一特征对OD流预测模型的局部影响不同于全局，如科教文化和体育休闲类POI在全局尺度下对模型影响较小，但在局部尺度下却表现出极大的影响。

亚洲是国际人口迁移的活跃区域。除区域社会经济因素外，迁移流之间的时空依赖也不可忽视。本文基于1990—2020年6个时期亚洲国家双边移民流量数据，采用零膨胀负二项回归以及与之相结合的特征向量空间滤波和时空滤波模型（时空同期和时空滞后），分析亚洲内部国际人口迁移的影响因素，并对2020—2025年人口迁移流进行预测。结果初步表明： ① 亚洲国际人口迁移流存在显著的时空自相关，且同期邻近迁移流比过去邻近迁移流影响更大，加入表征时空依赖的特征向量能够有效提高模型拟合能力； ② 人口规模、经济水平、战乱情况以及邻近性是影响亚洲国际人口迁移流的主要因素，在1990—2020年，人口规模效应先减后增，经济差异驱动力则先强后弱，因战乱死亡人数仍具有较强的推力，地理距离的阻碍作用在减小，语言邻近和经济合作依然对人口迁移具有显著的促进作用； ③ 综合时空同期和时空滞后2种模型的预测结果，2020—2025年巴基斯坦和印度之间、印度 \to沙特、巴基斯坦 \to阿富汗和叙利亚 \to约旦的迁移趋势明显； ④ 根据2种时空滤波模型的结果，2020—2025年亚洲国际人口迁移流总量约为1.8×10⁷人。揭示亚洲内部国际人口迁移的时空依赖特性和其他规律有助于准确预测未来人口迁移趋势，同时为国家经济社会发展的宏观政策制定等提供科学决策参考。

可解释的准确预测PM_2.5浓度变化可以有助于人类规避暴露风险，对人类健康风险评估和政策实施具有重要意义。目前已有PM_2.5浓度预测模型过多专注于提升模型预测精度，但忽略了模型的可解释性，造成模型可复用性和可信任度较差。鉴于此，本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型（Attentional SpatioTemporal Ordinary Differential Equation，ASTODE）用于PM_2.5浓度预测任务。具体而言，本文将神经常微分方程集成至PM_2.5浓度预测任务中，以提升预测模型的可解释性。此外，针对传统神经常微分方程难以挖掘PM_2.5浓度数据中空间依赖关系的挑战，本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM_2.5浓度数据中长期依赖关系的挑战，本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM_2.5浓度数据集对提出的ASTODE模型进行了验证。实验结果表明，ASTODE模型不仅在预测精度上优于或逼近于存在的6个基线方法，并且在可视化的视角下具有良好的可解释性。