基于众源数据的种族多元化城市自行车骑行量建模：以美国奥克兰市为例

本研究针对传统自行车计数方法在种族多元化城市中的局限性，创新性地利用Strava Metro众源数据构建扩展模型，通过地理预测变量选择（如自行车基础设施、碰撞密度）和lasso回归分析，验证了模型在奥克兰市的适用性。结果显示，众源数据能有效表征多元化城市的骑行模式（RMSE=145 AADB），为交通公平性评估和基础设施规划提供了新工具。

　　

论文解读

自行车骑行量统计是评估城市交通安全性、优化基础设施投资的关键依据，但传统计数方法存在显著缺陷：永久计数器成本高昂，临时计数器依赖人工部署，而人工计数往往局限于通勤路线和高峰时段。更严峻的是，现有模型多基于白人主导城市开发，其在种族多元化城市的适用性存疑。奥克兰作为美国种族最多元的城市之一（白人仅占34%，黑人26%，拉丁裔27%），为验证模型的普适性提供了理想场景。

研究团队整合了奥克兰市三类数据源：3个永久Eco-Counter站点、36个路口人工计数点，以及通过自行车街景分层抽样新增的5个临时计数点。通过lasso回归筛选变量，构建了城市特异性模型（含Strava AADB、自行车基础设施等变量）和通用模型（含收入、通勤比例等）。关键发现包括：1）模型误差（RMSE=161-171 AADB）与既往研究相当；2）种族变量未被选中，可能与居住-骑行地分离有关；3）通用模型在低收入区域存在高估倾向。

方法精要
团队采用分层抽样策略，基于人口统计、土地功能和自行车基础设施类型部署临时计数器。利用10折交叉验证的lasso回归筛选变量，比较城市特异性模型与通用模型的性能。数据扩展采用"日均骑行量（AADB）"算法，以永久计数器为基准校准时空偏差。

研究结果

3.1 Lasso变量选择
商业密度（系数0.02）和自行车基础设施（系数5.16）成为关键预测因子，而种族变量因与收入高度相关（r>0.7）未被选中。Strava AADB（系数8.20）和碰撞密度（系数4.77）的强相关性印证了众源数据的有效性。

3.2 城市特异性与通用模型对比
城市特异性模型在商业区和高标准自行车道预测更精准（如奥克兰市中心），而通用模型因包含收入变量（系数-3.48×10^-6）在低收入社区出现系统性高估。两者在隧道路（休闲骑行热点）均低估实际流量达40%，反映模型对特殊场景的局限性。

4.讨论与意义
该研究首次证实众源数据在种族多元化城市的适用性，其创新性体现在：1）通过街景分层抽样改善数据代表性；2）揭示基础设施变量在模型中的核心地位；3）提出通用模型在服务不足社区的校准建议。成果发表于《Geomatica》，为全球城市（尤其少数族裔聚居区）的交通公平评估提供了方法论突破——既能弥补传统计数的空间盲区，又能通过Strava数据捕捉非通勤骑行模式。未来需在更多元城市验证模型，并探索动态收入数据的整合方式。