《Urban Science》：GeoAI and Multimodal Geospatial Data Fusion for Inclusive Urban Mobility: Methods, Applications, and Future Directions
Atakilti Kiros,
Yuri Ribakov,
Israel Klein and
Achituv Cohen
城市出行是可持续与包容性城市面临的核心挑战，气候变化、交通拥堵和空间不平等日益揭示出行模式是更深层社会与空间结构的表达。包容性城市出行研究关注交通系统能否公平支持历史上被边缘化和服务不足人群的日常出行与可达性需求。将人工智能与地理信息科学相结合，并利用多模态地理空间数据融合技术，可通过整合卫星影像、全球定位系统（GPS）轨迹、公交记录、自发性地理信息和社会感知数据等多源异构数据，构建可扩展的、高分辨率的城市出行分析模型，为诊断与解决这些不平等问题提供了有力工具。本文系统综述了近期融合多模态地理空间数据以解决关键城市出行任务（包括可达性制图、需求预测和起讫点（OD）流量预测）的地理人工智能研究，特别强调了以包容性和公平性为导向的应用。该综述通过PRISMA-ScR（系统综述优先报告条目）筛选流程，从2019年至2025年间发表的57篇候选出版物中，最终纳入并分析了18项多模态地理人工智能研究。综述综合分析了数据级、特征级和决策级融合策略的方法论趋势，突出了深度学习架构的日益广泛应用，并审视了知识图谱、联邦学习（FL）和可解释人工智能（XAI）等新兴技术如何支持跨多样城市情境的公平相关洞察。基于此综合分析，该综述指出了在人口覆盖、多模态集成、公平性优化、可解释性、验证和治理方面存在的持续差距，这些差距目前制约了地理人工智能在城市出行研究中的包容性和稳健性。为应对这些挑战，本文提出了一份结构化的研究路线图，将这些差距与具体的方法论和治理方向相联系，包括公平感知的损失函数、自适应多模态融合流程、参与式和人在环（HITL）工作流程以及城市数据信托，以更好地使多模态地理人工智能与包容、公正和可持续的城市出行系统目标保持一致。
城市出行从根本上塑造了发展，影响着经济机会的分配、获取基本服务的能力以及整体的社会参与度[1,2]。然而，显著的不公平现象依然存在，尤其在那些面临可靠且可达交通系统结构性障碍的边缘化群体中[3,4]。研究证实，在交通依赖型和少数族裔社区中，公共交通和微出行服务的获取存在显著差异。例如，对德克萨斯州奥斯汀市的空间分析发现，近80%的居民，特别是那些交通依赖型社区和黑人占多数的区域，无法使用自行车和滑板车，凸显了微出行服务的极端不公平[5]。同样，对圣安东尼奥等城市的研究表明，低收入和少数族裔社区通常面临有限的公共交通和共享单车系统服务，这加剧了沿收入、种族和阶级线的现有分化[6,7]。在全球范围内也观察到了类似的不公平模式。在欧洲的马尔默、曼彻斯特和乌得勒支，低收入人群使用共享微出行服务的机会几乎低了一倍，即使在基础设施看似空间上可用的地区也是如此[8]。在哥伦比亚波哥大，快速公交（TransMilenio BRT）系统每天服务约240万乘客，然而由于拥挤和站点位于外围，低收入用户的通勤时间延长了20-30%[9]。这些案例共同表明，交通系统中的结构性障碍如何跨越地域、收入群体和交通模式发挥作用[10]。这种公共交通和微出行服务获取上的不平等加剧了社会隔离，并限制了弱势群体的机会。出行模式和技术障碍可能进一步限制了不同性别、年龄和残障状况群体的出行[5,6,7,11]。这些排斥产生了叠加性的劣势，包括获取就业、教育和医疗服务的受限，以及不成比例地暴露于交通污染和不安全的街道条件等环境风险之下[12]。因此，城市出行不仅日益被视为一个交通问题，更是一个关于空间正义和社会公平的关键议题。
地理人工智能（GeoAI）的最新进展为诊断和潜在缓解传统分析方法难以捕捉的系统性出行不公平现象提供了强大的新工具。地理人工智能兴起于机器学习、地理信息科学和城市分析的交叉领域，它将先进的人工智能（AI）技术与地理空间数据集相结合，推动从描述性制图转向对复杂城市现象的预测性和规范性建模[1]。与通常依赖定期调查和聚合统计数据的传统交通规划方法不同，地理人工智能整合了包括卫星影像、街景影像、GPS移动轨迹、传感器网络和自发性地理信息在内的大规模异构数据集[13,14,15]。这种能力使研究人员和规划者能够以前所未有的时空分辨率分析城市出行系统。当代地理人工智能技术，如用于从影像中提取特征的卷积神经网络（CNN）、用于空间网络分析的图神经网络（GNN）、用于多模态数据融合的Transformer架构，以及用于隐私保护协作分析的联邦学习（FL）框架，能够刻画城市环境、检测可达性障碍，并支持跨分布式机构或城市的联合模型训练[16,17,18,19,20]。这些方法针对阻碍公平城市出行分析的具体挑战：数据异构性——整合具有不匹配分辨率和格式的多源模态[17]；算法偏差——检测和纠正训练数据中对边缘化社区的系统性代表不足[18]；可扩展性——处理跨城市和区域的大规模地理空间大数据[19]；以及可解释性——使用可解释人工智能（XAI）技术确保模型决策可审计且受利益相关者信任[20]。
尽管取得了这些进展，但仍存在若干局限性。数据质量、代表性偏差、计算资源约束、隐私治理以及模型跨城市情境可迁移性有限等挑战，继续制约着地理人工智能在城市出行研究中的应用[21,22,23]。因此，近期研究强调整合迁移学习、多模态数据融合、联邦学习、可解释人工智能（XAI）和人在环（HITL）方法的重要性，以开发既技术稳健又具社会责任的地理人工智能系统[21,22,23]。近期已有若干综述审视了地理空间分析、地理信息科学-交通（GIS-T）方法和智能交通系统。然而，这些综述通常侧重于交通建模技术、地理空间数据基础设施或智慧出行技术，而未能系统性地审视地理人工智能框架内的多模态地理空间数据融合，或其对公平导向的城市出行分析的意义。本研究通过综合那些整合多模态地理空间数据以解决城市出行任务的实证地理人工智能研究，并评估当前方法如何纳入公平性、可解释性和参与式设计考量，从而填补了这一空白。论文其余部分组织如下：第2节介绍PRISMA-ScR系统综述方法论；第3节阐述包容性城市出行和空间公平的理论基础；第4节回顾多模态地理人工智能技术和数据融合策略；第5节提供所综述研究的比较分析；第6、7、8节综合应用、技术挑战和评估方法；第9节讨论关键研究空白和未来方向；第10节总结论文。
系统综述方法部分：
本研究采用PRISMA-ScR引导的系统性综述来综合地理人工智能与多模态地理空间数据融合在城市出行领域的最新进展。该综述结合了透明的文献检索策略、明确的纳入排除标准、结构化的数据提取和定性比较综合。这种方法适用于一个快速演变的跨学科领域，其中术语、数据集和建模实践在地理信息科学、交通研究和人工智能领域间存在差异。综述设计与范围方面，本研究遵循PRISMA-ScR指南，旨在综合近期地理人工智能与多模态地理空间数据融合在城市出行领域的进展。综述进行透明的文献检索程序，设定明确的纳入标准，并进行比较性质量综合。综述范围聚焦于运用多模态地理空间数据和机器学习方法解决城市出行问题的实证研究，特别关注可达性分析、需求预测、起讫点（OD）流量以及与公平相关的出行结果。文献检索策略方面，利用Elicit平台（聚合Semantic Scholar和OpenAlex索引的超过1.38亿学术记录）进行语义文献检索。选择语义检索是为了捕捉跨学科、概念相关但术语描述不同的研究。检索针对2019年至2025年间发表的同行评审期刊文章和高质量会议论文，该时期地理人工智能和多模态数据融合技术在城市分析中趋于成熟。检索查询组合了与以下主题相关的概念：地理人工智能和地理空间人工智能；多模态或多源数据融合；城市出行、交通、可达性和公平性；交通预测、需求预测和起讫点（OD）建模；参与性和伦理性。初始语义检索返回2847条记录，经语义排名和相关性筛选缩减至57篇候选研究，随后通过标题、摘要和全文审查进行筛选。
研究筛选与选择部分：
研究选择采用两阶段筛选过程。标题和摘要筛选排除以下论文：涉及非城市或非出行领域；依赖单一数据模态；或聚焦于纯概念性或方法论主题而无实证应用。全文筛选根据预定义的纳入标准评估全文文章。若研究满足以下条件则予以保留：整合了两种或多种地理空间数据模态（如GPS轨迹、手机数据、卫星影像、公交记录、众包地图）；应用了数据级、特征级或决策级融合技术；解决了城市出行任务如可达性制图、交通或需求预测、出行行为建模和OD分析；报告了定量评估指标或与基线的对比性能。经过此筛选流程，最终有18项研究被纳入综合分析。研究选择过程遵循PRISMA-ScR框架，并在PRISMA流程图（图1）中展示。
数据提取与分析框架部分：
对每项纳入研究应用结构化数据提取方案，捕获一组共同属性。对于每篇论文，提取的信息涵盖城市出行任务和应用领域、地理背景和空间尺度、以及所组合的地理空间数据模态。融合策略（数据级、特征级或决策级）和核心建模方法（例如CNN、RNN/LSTM、GNN、Transformer或知识图谱模型）的细节也被记录，连同报告的评估指标（如均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、准确率（Accuracy）或F1分数），以及任何关于公平性、可解释性或公正性的明确考量。为支持比较性综合，研究随后根据融合策略和应用领域分组，从而能够跨研究比较方法论的有效性、可扩展性和可解释性。提取的属性用于构建所综述研究的结构化比较摘要，该摘要在结果部分呈现。
综合与评估方法部分：
鉴于数据集（数据源）、建模架构和评估指标在研究间的异质性，本研究采用定性比较综合而非元分析。模型有效性相对于报告的单源或非融合基线进行评估，并关注预测性能、计算复杂度和可解释性之间的权衡。比较综合主要沿两个维度组织：融合策略（数据级、特征级或决策级集成）和城市出行应用领域（如可达性分析、需求预测、方式选择建模）。在可获得的情况下，也考虑了子群结果，如不同社区或时间段的性能差异，及其对公平导向出行分析的潜在影响。由于研究间实验设计和验证协议的多样性，未应用正式的数值质量评分。相反，基于模型设计的透明度、基线比较的使用、验证策略、报告结果的清晰度以及是否融入可解释人工智能技术或公平导向评估标准，对方法论的稳健性进行定性评估。
理论与概念基础部分：
城市出行公平性方面，城市出行是可持续城市发展的基础，是社会包容、经济机会和环境质量的关键决定因素。然而，出行机会获取仍然极不均衡，尤其是在边缘化人群中。持续存在的不平等，如少数族裔社区比多数白人社区获得更少的公共交通服务[12]，反映了城市交通系统中长期存在的结构性不公。这些差距延伸到传统公共交通之外，研究表明在某些城市，高达80%的居民，特别是低收入群体，无法获得共享单车和电动滑板车等新兴微出行选择[13]，这进一步限制了出行能力并加剧了社会和经济排斥。由性别、年龄、残障和收入构成的交叉性障碍加剧了劣势，需要进行考虑复杂、重叠脆弱性的公平性评估。环境不公正加剧了这些问题：弱势社区往往不成比例地暴露于交通产生的污染物。研究表明，在多伦多社会经济条件较差的地区，超细颗粒物浓度高出34%[14,25]。社会和空间隔离，尤其是在大都市区外围，使许多低收入和少数族裔社区的交通选择有限，强化了被排斥于就业、医疗和教育之外的系统性循环，并延续了空间不平等[4]。此外，有限的出行机会可能不成比例地剥夺某些群体的公民权利。迁徙自由意味着一个国家境内的公民不仅有权离开和返回该国，而且有权在该国任何地区旅行、居住和工作，不受政府干涉[26]。例如，《世界人权宣言》（UDHR）第13条规定“[27]人人有权在各国境内自由迁徙和居住。”一般来说，对公民权利的限制必须由法律规定（或依据立法法案）。相比之下，受限的出行机会排除了某些群体充分行使这一基本自由的可能性，从而在事实上造成了对迁徙权的限制，这不同于正式的、法律颁布的限制。
可达性与空间公平理论方面，出行障碍源于建成环境、服务供给和社会政策的相互作用。两个有影响力的框架指导着空间公平分析：城市权（Right to the City），由列斐伏尔和哈维提出，主张城市居民塑造和获取城市空间的集体权利，强调公平交通作为包容的基础[28,29]；能力方法（Capability Approach），森的框架将公平解释为个人追求有价值成果所需的实质自由，将关注点从单纯的物理出行转向实现生活目标的灵活性和机会[30]。包容性在几个关键维度上进行评估[31]：可用性（Availability）：出行选择的丰富性和多样性；可及性（Accessibility）：到达期望目的地的便捷程度；可接受性（Acceptability）：文化和社会适宜性；灵活性（Flexibility）：适应不同用户需求的能力。这些标准为评估交通系统如何培育或限制城市包容性提供了多维基础。
建成环境与包容性方面，建成环境的特征、步行适宜性、骑行适宜性以及公交整合程度对出行公平性有关键影响。连接良好、安全且可达的网络能促进主动出行并扩展机会[32,33]，而碎片化或投入不足的基础设施则不成比例地阻碍了边缘化社区中的残障人士、老年人和低收入居民[34]。因此，包容性城市设计和公平规划对于减少出行差距和提高城市生活质量至关重要。
地理人工智能与多模态城市出行框架部分：
地理人工智能时代的地理信息科学（GIScience）演进方面，传统GIScience历来关注城市研究中的空间数据管理、制图和基础空间分析。近期向地理人工智能的范式转变整合了机器学习（ML）、深度学习（DL）和先进空间统计与地理空间数据，从描述性制图推进到对复杂、动态城市现象的预测性建模[17]。地理人工智能利用大规模异构数据集，包括卫星影像、传感器数据馈送和参与式地图，实现对复杂出行模式、可达性障碍和公平结果的自动解释[16]。
多模态地理空间数据源方面，在描述具体地理空间数据集之前，有必要区分多源数据（multi-source data）和多模态数据（multimodal data），这两个术语在文献中有时互换使用，但代表不同的概念。多源数据指来源于不同提供者或收集系统的数据集，如市政交通数据库、商业GPS提供者和公民贡献的OpenStreetMap编辑。相比之下，多模态数据指根本不同的数据类型或测量模态，如卫星影像、轨迹追踪、传感器时间序列、语义地图或社会感知数据。在本综述中，我们特别关注多模态地理空间数据集成，即至少结合两种不同的数据模态来捕捉城市出行系统的互补方面。地理空间数据源的主要类别、相关挑战和公平性影响总结见表1。这种区分很重要，因为多模态融合允许地理人工智能模型整合城市环境的异构表示，提高了分析复杂出行模式和公平相关可达性结果的能力。多模态地理空间数据构成了地理人工智能系统的基础输入层，能够整合异构的城市信息源用于出行分析。传统来源，如静态调查数据、人口普查记录和公交时刻表，为人口统计和公平分析提供了基线，但往往缺乏揭示出行差异所需的时空精度[39]。相比之下，新的地理空间数据类型，如GPS轨迹、物联网（IoT）传感器馈送、OpenStreetMap（OSM）、高分辨率卫星影像和参与式地图，提供了关于移动、基础设施和体验的丰富实时信息[14,35]。众包和参与式数据，包括公民生成的地图和社交媒体，进一步丰富了关于生活体验、感知和独特出行视角的分析[37,38]。其他来源如人口普查微观数据、市政地理信息系统（GIS）图层、遮荫地图和街景影像，通过将出行与社会结构、气候暴露和可感知的步行适宜性联系起来，进一步丰富了公平性评估。这种综合方法表明，全面的、以公平为导向的城市出行分析不仅依赖于数据融合的技术进步，还依赖于对每个数据源中代表性偏差和可及性的批判性评估。
地理人工智能模型架构方面，地理人工智能采用多样化的模型和计算范式，从经典机器学习和空间统计方法，如随机森林（RF）、支持向量机（SVM）和地理加权回归（GWR），这些对于分析土地利用、公交可达性和社会经济出行结果具有基础作用[18,20]，到卷积和循环神经网络（CNN/RNN），这些能从影像中自动检测障碍并模拟服务不可靠性，常常揭示出交通运营中的不公平现象[19,46]。图神经网络（GNN）将城市街道和交通网络表示为互联系统，能够预测城市街道网络中的连通性差距和可达性脆弱性[47,48]。基于Transformer的架构融合多模态城市数据并提取上下文依赖性用于公平分析。可解释人工智能（XAI）技术（如SHAP、LIME）通过促进透明度和可解释性来支持公平性审计和政策信任，而联邦学习（FL）支持跨司法管辖区的隐私保护协作分析，这对于多城市和多机构的公平研究至关重要[16,49,50]。
数据融合技术方面，地理人工智能驱动的城市分析受益于多模态数据融合策略[51]，这些策略整合了来自传感器、卫星影像、OpenStreetMap（OSM）和移动轨迹等多源异构数据，以捕捉复杂的城市动态。根据所综述的研究，可以区分出三种典型的融合层级，每种都有不同的方法论含义：数据级融合（Data-level fusion）在特征提取之前，通过时空对齐、插补或生成式增强来整合原始异构数据集。这种方法保留了最大量的原始信息，并允许多模态的端到端学习；然而，它需要仔细预处理以解决空间分辨率、时间频率和数据质量上的差异，且通常计算成本较高。特征级融合（Feature-level fusion）结合从不同数据模态提取的特征或学习到的嵌入表示，创建统一表示用于模型训练。这种策略在深度学习架构中广泛使用，因为它在信息整合和计算效率之间取得了平衡。然而，融合特征空间的可解释性可能有限，并且需要仔细设计特征提取管道以确保模态间的兼容性。决策级融合（Decision-level fusion）聚合来自多个在不同数据模态上训练的模型的预测，通常通过集成或后期融合技术实现。这种方法在计算上灵活且模块化，允许单独更新个体模型；然而，它仅在预测阶段捕获跨模态交互，因此可能错过更早融合策略能够利用的模态间更深层关系。
参与式方法与人在环设计方面，开源地理空间平台如QGIS、GeoPandas和Google Earth Engine降低了进行空间分析的技术和财务壁垒，尤其对于研究人员、地方政府和拥有有限专有软件访问权限的民间团体。公民生成的地图和社会感知，包括OpenStreetMap编辑、参与式地理信息系统（PGIS）和地理标记的社交媒体，将生活体验嵌入出行模型中，并使非专业贡献者更容易影响城市环境的呈现方式。人在环（HITL）地理人工智能工作流程和协同设计研讨会通过将利益相关者参与直接嵌入分析和决策过程来促进程序正义[35,36]。
地理人工智能数据融合流程方面，地理人工智能多模态数据融合的整体工作流程总结如图2所示。该流程整合了多样化的地理空间输入，包括卫星影像、GPS轨迹、参与式GIS数据、人口普查记录、市政GIS图层、街景影像和社交媒体数据，通过数据级、特征级和决策级融合进行处理。这些输入使用空间机器学习模型、深度学习架构、基于图的地理人工智能方法和可解释人工智能工具进行处理，生成可达性地图、公平性指标和需求预测，以支持包容性城市出行规划。该流程凸显了多模态地理人工智能模型如何通过将异构地理空间数据与公平性感知评估相结合，来识别不同人口群体间的可达性差距和出行缺口，从而支持以公平为导向的城市出行分析。
系统性综述结果部分：
所包含的18项研究的方法论模式分析显示，大多数研究聚焦于出行需求预测、交通预测或起讫点（OD）流量建模，反映了当代地理人工智能研究中对预测性出行分析的强烈侧重。约三分之二的综述研究涉及预测任务，而较小一部分研究探讨出行方式选择、步行适宜性评估或可达性分析。这种不平衡表明，相对于预测性出行建模，行为和公平导向的出行问题相对探索不足。在建模方法方面，深度学习架构在文献中占据主导地位，特别是图神经网络（GNN）、循环神经网络（RNN）、卷积神经网络（CNN）和混合时空模型。这些架构常用于整合多源异构数据流，包括GPS轨迹、传感器数据、天气信息和兴趣点（POI），使模型能够捕捉城市出行系统中复杂的时空依赖性。如表2所示，多模态融合通常将移动轨迹与背景城市数据层（如天气条件、基础设施属性和社会经济指标）相结合。与单源方法相比，这种整合提高了预测精度，并支持对城市出行动态更细致的刻画。在综述研究中，特征级融合（Feature-level fusion）成为最常见的集成策略，允许模型在深度学习管道中结合来自多个地理空间模态的学习表示。数据级融合（Data-level fusion）和决策级融合（Decision-level fusion）出现频率较低，通常与较简单的多模态数据集或集成预测框架相关。地理分布上，文献高度集中在数据丰富的城市环境，特别是中国和美国的城市，而研究拉丁美洲、非洲或其他数据受限背景城市的研究则相对较少。这种地理不平衡限制了当前地理人工智能模型向出行不平等现象往往最为突出的地区的可迁移性。所综述的研究主要使用预测性能指标进行评估，包括RMSE、MAE、MAPE、准确率和F1分数。虽然这些指标展示了预测精度的提升，但相对较少的研究明确纳入公平性评估、可解释人工智能技术或参与式验证方法。因此，大多数多模态地理人工智能模型继续优先考虑预测性能而非公平性、透明度和政策相关性。这些发现既突显了多模态地理人工智能在方法论上的快速进步，也指出了未来研究需要整合公平感知建模、可解释分析和地理多样化的案例研究，以更好地支持包容性城市出行规划。
应用领域部分：
步行、微出行与可达性方面：可达性制图与公平性评估。地理人工智能驱动的数据融合通过整合街景影像、交通网络拓扑、物联网（IoT）传感器流、参与式地图和人口普查微观数据，显著推进了可达性分析，评估交通基础设施的空间分布并揭示细粒度的获取差异[12,35,70,71,72]。例如，一些研究使用CNN从街景影像中提取行人障碍特征，然后将其与公交时刻表和人口统计数据融合，绘制出老年人和残障人士面临复合障碍的可达性社区地图。模型发现，低收入人口普查区34%的公交站缺乏无障碍人行道连接，而富裕地区仅为8%，量化了传统审计常遗漏的公平差距[50,70]。然而，关键局限依然存在。街景影像本身存在显著的地理偏差：Google Street View在富裕的北美和欧洲城市提供全面覆盖，但在全球南方、非正规住区和农村地区覆盖稀疏或过时[44,45]。因此，使用此数据源的研究可能使受可达性障碍影响最大的人群变得不可见[38]。此外，在高收入城市训练的模型在迁移到低收入城市环境时常常失败，这些地方非正规交通方式（如辅助公交、没有正式地址系统的非正规住区）和非标准基础设施占主导地位[17]。只有少数综述研究[50,70]通过领域适应或公平约束明确解决了这一可迁移性挑战；大多数假设在纽约或伦敦训练的模型可以直接部署在圣地亚哥或拉各斯而无需特定情境验证——这一假设是公平导向研究应系统性拒绝的。此外，仅靠可达性制图并不能保证公平结果。一项制图研究可能指出投资方向，但如果没有与受影响社区的参与式协同设计，技术建议可能会忽略关于安全性、文化适宜性和实际使用模式的地方知识[37,38]。
需求预测与情景分析方面，整合多模态数据（包括手机记录、公交智能卡使用和社交媒体情绪），地理人工智能能够准确预测出行需求和用户流量[73]。深度学习模型如RNN和Transformer预测客流量模式，并评估事件或城市变化对出行需求的影响[4,72]。此外，由多模态数据融合增强的情景分析工具支持交通系统韧性测试和针对未来城市增长或中断情景的政策驱动模拟[74]。这一局限表明，情景分析工具应与实时参与式反馈机制和持续的模型再训练相结合，这种做法在已部署系统中仍不常见。
基础设施规划与政策决策支持方面，地理人工智能应用通过融合卫星影像、众包地图和物联网（IoT）传感器数据来评估当前状况、预测维护需求和优化网络扩展，改进了交通基础设施规划[17,39]。联邦学习（FL）框架支持多机构协作，同时保护隐私，并支持区域和跨司法管辖区的交通分析[74]。公平的投资优先级排序和政策评估工具现在利用时空融合模型来确保效益惠及最需要的社区[4]。关键的是，在没有实质性社区参与的情况下部署优化计划，可能会复制现有的权力不平衡。优化算法基于历史数据对“需求”或“效益”做出假设，这些数据反映了过去的投资模式，可能编码了历史排斥。近期强调参与式和人在环（HITL）方法的研究[35,36]表明，整合社区优先事项和生活体验可以显著修正基础设施优先级，但这种整合方法在实践中仍然罕见。
专门领域：海事出行、微出行方面，除了传统城市公交，地理人工智能技术已应用于专门领域，如海事出行和新兴的微出行服务。在海事研究中，自动识别系统（AIS）船舶轨迹、卫星影像和地理空间数据库的多模态数据融合揭示了航线模式、检测非法活动（“幽灵船”检测）并改进港口可达性分析[75,76]。对于微出行（电动滑板车和共享单车），融合模型结合GPS轨迹、众包基础设施数据和实时用户反馈来研究安全性、可达性和使用公平性[5,20]。这一应用凸显了一个重要潜力：地理人工智能可以揭示不可见的经济行为体和排斥现象，尽管其重点通常在于监控和执法而非赋权。
对城市规划与政策的启示方面，近期地理人工智能研究对规划者和政策制定者在实践中如何使用这些工具提出了若干启示，同时也强调了重要的注意事项。近期研究表明，多模态地理人工智能可以通过揭示在公交、步行或微出行方面存在系统性缺口的社区来支持识别“服务荒漠”，从而指导对线路、站点或步行基础设施进行更精准的投资[77]。研究还显示，地理人工智能可用于评估替代性政策和规划情景，使公共机构能够依靠定量模拟来优化实施，并在智慧和健康城市倡议中减少社会和财务成本[51]。基于情景的应用进一步允许规划者评估干预措施（如公交扩展、土地使用变化或新的微出行法规）如何影响不同人口群体的可达性。与传统的聚合指标相比，这提供了对分配影响的更细致理解。来自GPS、传感器网络和众包来源的实时高频数据的整合，也实现了对系统性能的持续监控和对不成比例影响弱势群体的服务中断的快速检测。然而，这些数据驱动的方法也带来了重大挑战。它们可能无意中优先考虑产生密集数字轨迹的走廊和用户群体，从而可能加剧现有的不平等。因此，需要采取主动保障措施，以确保监控框架不会进一步边缘化数据覆盖有限的区域[51,78]。同时，纳入参与式地理信息系统（PGIS）、人在环（HITL）工作流程以及社区对模型输出的审查，有助于将技术洞察植根于地方知识，提高决策的合法性，并识别建模可达性与生活体验之间的不匹配。尽管如此，这些方法需要持续的机构承诺、协调能力和长期的利益相关者参与。从决策支持的角度看，公平约束模型和公平导向评估标准可用于优先考虑基础设施升级和服务扩展，以满足出行差距最大的社区，而非仅仅关注整体效率。然而，这些工具不能替代政治判断，因为公平和公正的定义本质上是规范性的，必须随着条件变化而持续辩论和细化。最后，虽然从数据丰富的大城市获得的见解提供了有价值的方法论指导，但它们向中等规模或资源受限城市的可迁移性仍然有限。制度能力、数据可用性和出行文化方面的差异，需要进行细致的、情境敏感的适应，而非在城市间直接进行一对一的政策转移。
技术、伦理与实践挑战部分：
数据异构性与分辨率失配方面，整合多模态地理空间数据在技术上仍具挑战性，源于空间分辨率、数据格式和覆盖范围的差异。卫星影像、GPS轨迹、众包OSM图层和传感器流通常提供不兼容尺度的信息，导致分析和融合差距[17,74]。例如，高分辨率卫星影像可以清晰捕捉狭窄的非正规人行道或路缘坡道，而较粗的人口普查区或交通分析区则将这些特征聚合成单一单元，使得将细粒度行人障碍与区域级可达性指标对齐变得困难。分辨率失配尤其影响非正规住区和细微行人障碍的绘制，这些在粗略数据集中常常被忽视。
偏见、代表性与验证问题方面，以公平为导向的城市出行分析持续受到数据源和模型中偏见的影响。OSM和社交媒体数据集通常代表性不足于低收入地区、老年人和非数字连接用户[35]。如果不仔细评估，模型训练可能继承并放大这些偏差[50]。因此，公平性结果的验证需要仔细关注代表性抽样、透明度和公平性评估[70,73]。
地理人工智能中的伦理、公平与治理原则方面，地理人工智能应用日益涉及伦理和治理关切，涵盖用户隐私、数据使用同意以及算法问责。联邦学习（FL）方法为分布式模型训练提供了隐私保护的替代方案；然而，数据共享、匿名化和纳入的治理框架仍在发展中，尤其是在融合需要强大保护和伦理审查的可识别个人出行轨迹时。与此同时，知识引导的地理人工智能将领域专业知识、因果推理和情境约束整合到模型设计中，可以提高预测性能和推断的伦理有效性。公平感知的地理人工智能从后置偏差纠正转向将公平性目标直接嵌入模型训练和优化，例如为边缘化社区强制执行最低服务阈值。最后，可重复性和开放性——通过透明文档、适当的开放数据共享以及与受影响群体的参与式协同设计——增强了信任、可复制性以及城市出行分析的长期影响[16,36,39,50]。
计算资源约束方面，机器学习模型，特别是深度网络和集成融合框架，计算密集且通常需要大量资源用于训练、存储和实时预测[16,20]。这给资源有限的市政机构和组织的公平部署造成了障碍。
验证方法与评估差距部分：
验证仍是地理人工智能在城市出行应用中最薄弱的环节之一。许多研究报告预测精度或交叉验证指标，但很少系统评估公平性、稳健性或可推广性，且模型在不同城市或人口背景之间的可迁移性很少在单一留出区域或时间切片之外进行测试[20,70,72]。在若干案例中，平均误差指标表现良好的模型仍然错误地表示了低收入或交通依赖型社区
