五大全球城市交通分析中的城市混合隐含模式

本研究利用超过 20 万名波士顿、芝加哥、香港、伦敦和圣保罗居民的大规模旅行调查数据。凭借丰富的个人层面数据，我们进行系统比较，揭示了社交混合模式，这些模式无法仅通过分析高分辨率交通数据来识别。使用相同数据集，从居住社区推断社会经济地位后，社交混合水平比使用自报告调查数据低 16%。此外，年龄大于 66 岁的个体经验的社交混合水平高于年龄在 55-65 岁之间的职业人群，这为“第二青年”假设提供了数据驱动的支持。青少年和承担照护责任的女性表现出较低的社交混合水平。在五个城市中，靠近主要交通站点可减少个体社会经济地位对社交混合的影响。最后，我们使用图神经网络为每个城市构建详细的时空场所网络。将家庭场所、活动场所和人口统计属性嵌入并输入到监督式自编码器中，以预测个体暴露向量。结果表明，个体活动空间的结构，即人们去哪里旅行，解释了大部分场所暴露的差异，这表明交通方式比社会经济特征、居住环境和交通接近性更能塑造所经历的社交混合。消融测试进一步发现，尽管不同收入群体可能经验相似的社交混合水平，但他们的活动空间 remain 受收入分层，导致结构性不同的社交混合体验。