揭示城市交通的时空机制：柏林图神经网络的多尺度影响因素与可解释街道层面动态
Unveiling spatiotemporal mechanisms of urban traffic: Multi-scale determinants and explainable street-level dynamics of a graph neural network in Berlin
发表于 2026年7月1日 · 收录于雷达 2026年11月5日
中文摘要
研究结合GraphSAGE图神经网络与地理时空加权回归（GTWR），预测柏林街道交通速度并解释模型结果。模型能够再现交通速度的总体空间格局；道路类型和限速与预测速度正相关，人口密度、街景行人数量及交通信号灯数量通常与较低速度相关。