编辑推荐：
本研究探讨了图论和图神经网络（Graph Neural Networks, GNN）如何仅利用公开可用的城市数据，来支持圣保罗大都市区（S?o Paulo Metropolitan Region）铁路网络扩展的战略规划。该方法整合了来自多个公共来源的信息，开发
本研究探讨了图论和图神经网络（Graph Neural Networks, GNN）如何仅利用公开可用的城市数据，来支持圣保罗大都市区（S?o Paulo Metropolitan Region）铁路网络扩展的战略规划。该方法整合了来自多个公共来源的信息，开发了一种基于集水区（catchment-area）的公式来估算潜在乘客需求，应用随机森林（Random Forest）识别最具影响力的社会人口特征，并实现了一种GraphSAGE模型，该模型结合网络拓扑结构、社会经济特征及起讫点（Origin-Destination, OD）行程来提取预测能力。需求近似值与观测到的车站上车量进行了核对，预测排名与观测排名一致。在预测代理需求指标时，GraphSAGE模型取得了R2= 0.874 ± 0.042的成绩，且过拟合程度极低，优于Random Forest基线，并在过拟合显著减少的情况下达到了与XGBoost基线相当的准确度；在空间交叉验证下，这一性能保持稳定。该模型计算效率高，且除拓扑结构外不需要任何特定于铁路系统的信息，使其适用于快速、低成本地比较扩展方案，而非作为详细交通需求模型的替代品。研究人员利用该模型评估了圣保罗大都市区的十一个真实项目和建议。就业岗位、住宅和人们就餐目的地共同代表了该模型约65%的预测能力。
研究背景与意义
轨道交通规划是当今大都市区面临的共同挑战，其核心在于如何通过科学的需求预测和网络拓扑分析来指导交通投资。圣保罗大都市区作为西半球人口最多的地区，其轨道交通系统虽广受认可，却面临着客流量下降的现实压力。与此同时，该地区存在严重的空气污染问题，研究表明扩大轨道交通的覆盖范围能显著减少私家车的使用。因此，识别驱动铁路使用的因素并预测未来项目的潜在需求具有重要的现实意义。然而，传统的交通需求模型往往需要大量特定的运营数据和复杂的参数校准，限制了其在资源有限地区的广泛应用。在此背景下，研究人员提出了一种创新的方法，旨在仅利用公开的聚合区域数据和网络拓扑结构，生成计算成本低廉且可靠的需求估计，以支持轨道交通网络的战略扩展规划。该研究发表于国际期刊《Smart Cities》。
主要关键技术方法
研究人员首先重建了2023年圣保罗完整的铁路网络地图，并利用Google Maps地理编码接口进行坐标校验。在数据层面，研究整合了涵盖人口统计、社会经济和城市出行等多维度的OD调查数据。为了将区域级数据转化为车站级需求，研究人员开发了基于步行集水区（Ped-Shed）的空间分配算法，并设定882米的步行半径作为近似阈值。在特征工程方面，利用Random Forest进行特征选择，剔除冗余变量以确保模型的泛化能力。在模型构建上，研究人员采用了GraphSAGE（图采样与聚合）框架，该框架通过学习局部邻域的特征聚合函数来生成节点嵌入，能够处理未见过的节点，非常适合多场景测试。此外，研究还引入了蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）作为自动化站点选择的辅助算法，并通过空间交叉验证来评估模型因空间自相关性可能导致的性能高估。
研究结果
3.1. 乘客数量估计
通过应用基于集水区的分配公式，研究人员发现模型估算的铁路机动化出行比例为15.15%，与2023年OD调查中15.30%的实际数据高度吻合。在车站级别的验证中，预测上车量与观测上车量的斯皮尔曼秩相关系数为0.75，肯德尔tau系数为0.57，表明模型在相对排序上具有较强的一致性。此外，敏感性分析显示，在600米至1200米的步行半径范围内，车站需求的排序指标保持稳定，证明了研究结论对特定半径参数的选择不敏感。
3.2. 特征选择
利用Random Forest进行特征重要性分析后，研究人员识别出八个最相关的社会经济发展指标。其中，就业岗位面积、住宅面积以及餐饮目的地共同贡献了该模型约65%的预测能力。这表明圣保罗的轨道交通潜在需求主要由通勤和就餐等典型出行模式驱动。当将这些特征应用于车站级分析时，Random Forest基线的确定系数（R2）达到了0.826，显示出良好的预测性能。
3.3. GraphSAGE
GraphSAGE模型在预测潜在需求指标时表现出色，测试R2达到了0.874 ± 0.042，且训练与测试的性能差距极小（仅0.004），证明其几乎不存在过拟合现象。虽然XGBoost模型取得了与之相当的测试精度（R2= 0.896），但其过拟合程度显著高于GraphSAGE。这凸显了GraphSAGE在处理未见过的候选车站时的鲁棒性优势。在计算效率方面，结合GraphSAGE与MCTS的模型（Model 2）在添加50个新车站时仅需9分钟，远快于传统算法的4小时以上，展现了极高的计算效率。
3.4. 空间交叉验证
为了排除空间自相关性的干扰，研究人员实施了空间交叉验证，即在每次划分训练集时排除距离测试站1公里内的相邻车站。结果显示，标准交叉验证（R2= 0.874）与空间交叉验证（R2= 0.853）的结果差异微小，且训练与测试的差距依然保持在0.004的低位。这证实了模型学习到的是社会经济特征、网络拓扑与客流量之间的真实关系，而非简单的邻近插值。
3.5. 未来线路
研究人员将该模型应用于评估现有的十一条轨道交通扩展项目。模型不仅量化了每个项目的绝对客流增益，还计算了每站或每公里的相对效率。例如，分析指出正在投标的19号线在总影响、每站影响和每公里影响方面均表现最高。这证明了该模型能够作为一种高效的定量工具，对不同基础设施提案进行系统性的初步比较。
讨论与结论翻译
本研究应对了协助规划圣保罗大都市区铁路网络扩展的挑战，应用了图论和图神经网络的概念。研究人员开发了一种方法，结合了多公共来源的数据整合、创建基于集水区的乘客潜在需求估计公式、使用Random Forest选择相关特征，以及实施GraphSAGE模型进行潜在需求预测。属性重要性分析显示，就业岗位、住宅和餐饮目的地占预测能力的65%，表明圣保罗的潜在铁路需求与典型的通勤模式一致。
总量一致性检验显示，模型将15.15%的机动化出行归因于铁路，而2023年OD调查为15.30%。轻微的低估是预期的：调查捕捉了乘客通过公交或其他方式到达车站的多模式出行，而公式仅考虑每个车站周围的步行集水区。882米半径源自中国南京进行的研究，南京的人口密度较低，可能导致对公共交通服务的期望较低，更能接受较长的步行距离。此外，圣保罗的犯罪率高于南京，这可能降低长距离步行至车站的意愿。
敏感性分析显示，秩相关系数在整个过程中保持稳定。换句话说，按潜在需求对车站进行的相对排序对集水区半径的选择不敏感。882米的值还产生了15.15%的总量覆盖估计，在所有测试值中最接近2023年OD调查中的15.30%，为圣保罗背景下的该参数提供了实证依据。此外，采用固定集水区半径假设了大都市区相似的步行行为，而可达性可能因城市设计、地形、安全条件和步行基础设施而异。
车站级秩相关系数比较了公式产生的需求排名与源自OD的真实上车量。由于公式是设计用于对候选地点按潜在需求进行排序，而不是预测绝对客流量，这是最相关的验证指标。根据这个标准，结果是令人鼓舞的：78.4%的一致概率和67%的前15位精确率，表明模型正确地排序了大多数车站对。
车站级估计依赖于这样一个假设，即每个OD区域内的出行和社会经济特征是空间均匀的，这是一种必要的简化，因为公开数据是按区域级别而非单个车站聚合的。虽然这一假设基于OD调查自身的设计标准，但该假设仍然是一种简化。因此，该方法应被解释为空间需求模式的近似值，而不是特定车站乘客流量的直接测量。
一个额外的限制源于OD调查数据的空间聚合。尽管OD区域旨在实现内部同质，但真实的城市环境通常包含异质性的土地利用模式、人口密度和社会经济特征。因此，该方法可能会平滑可能影响车站级结果的局部变化。这个问题与可修改面单元问题（MAUP）有关，即分析结果可能因所采用空间单元的大小和边界而异。虽然OD区域的使用提供了一种与公开数据兼容的实用解决方案，但未来的工作可以评估结果对替代分区方案或更细粒度空间数据集的敏感性。
所选特征的相对重要性进一步揭示了圣保罗大都市区铁路需求的构成。Random Forest分析确定就业岗位、住宅和餐饮目的地是三个主导属性，共同占模型预测能力的65%。这些结果表明，圣保罗的铁路需求与居住地和工作地之间的通勤模式密切相关，就餐出行成为该系统的第三重要组成部分。这一结果与公共交通出行总量的53.55%用于工作相符。次要属性的重要性值在0.05至0.08之间，表明社会经济因素和非强制性出行对潜在需求预测的影响较小但可测量。
GraphSAGE改进了Random Forest基线，将测试R2从0.826提高到0.874。XGBoost达到了相当的测试R2（0.896）；五次交叉验证的配对t检验和Wilcoxon符号秩检验发现这种差异在统计学上不显著，表明在采用的评估协议下预测性能相似。因为XGBoost仅使用社会经济特征而没有网络信息，这一结果表明，在现有网络上实现强准确性本身并不需要拓扑结构，并且相对于Random Forest的提升反映了模型更强的表现力，而不是单独使用了网络结构。GraphSAGE的价值反而在于它如何泛化以及它可以应用在哪里。其训练-测试差距远小于XGBoost，表明对训练车站的过拟合明显较少，这在模型应用于未包含在训练数据中的车站位置时是非常理想的，这也是本研究的主要用例。作为归纳式模型，GraphSAGE还可以估计训练期间不存在的车站和网络配置的潜在需求，并且通过结合连通性，它可以区分在铁路网络中位置不同但在人口统计上相似的位置，这种区分在评估新车站而非重现现有车站需求时变得重要。总之，这些特性，而不是更高的样本内R2，使得基于图的模型成为本研究的合适选择。
尽管结合拓扑结构并没有提高现有网络上的预测准确性，但它仍然是动机充分的，因为车站的位置和连通性是已知的影响客流量的因素。这与一项研究发现一致，该研究发现覆盖度、连通性和最大换乘次数等拓扑指标与全球19个系统的地铁交通潜在需求之间存在很强的关系。在26个中国城市中，网络拓扑的演化阶段被发现显著影响日常铁路客流量；在车站层面，介数和接近中心性等中心性指标随着网络扩展而塑造客流量增长。铁路车站不是独立实体，而是互联系统的组成部分，其中潜在需求模式由每个节点的位置和连通性塑造，随着网络的演变，基于图的模型自然适合捕捉这些关系。
该方法的实际贡献在于将这些预测转化为比较需求指标，允许仅使用公开可用数据快速评估替代扩展场景并进行系统比较。模型的速度进一步允许分析许多替代方案，这在资源有限的情况下尤其相关，因为多个扩展提案在成本、延伸范围和位置方面存在差异。将模型应用于十一个真实的扩展项目，可以使用总影响、每公里效率和系统百分比改进等指标进行定量比较。
第2节中描述的空间交叉验证证实，模型的预测性能并未因铁路网络内的空间自相关而大幅膨胀。标准交叉验证与空间交叉验证R2之间的差异在两种估计的标准偏差范围内，且接近零的平均训练-测试差距表明该模型并非简单地从相邻车站插值需求。在铁路网络背景下，这是一个有意义的结果，因为同一走廊内的车站共享社会经济概况、土地利用模式和拓扑结构，这些条件使得空间泄漏成为一个可信的担忧。该模型对即时邻居被排除在训练之外的车站以相似的准确性进行泛化，这表明特征与客流量之间的学习关系是基于结构的，而不是由邻近性驱动的。
提出的方法论旨在作为一种计算高效的筛选工具，用于初步比较替代铁路扩展场景，而不是替代传统的交通需求模型。交通规划中常用的变量，如出行时间、服务频率、广义出行成本、模式竞争、路线选择行为和可达性指标，未被明确建模；因此，结果应解释为比较需求潜力估计，而不是现实世界客流量的精确预测。MCTS组件是作为一个概念验证包含的，而不是作为优化方法。其目的是测试GraphSAGE需求预测是否携带足够的信息来指导候选扩展上的自动搜索，而不是证明MCTS比其他搜索策略产生更好的网络。该实现故意简单，使用随机rollout并优先考虑计算效率而非搜索复杂性，因此它不能保证全局最优解。在这些限制内，它证明了模型的预测可以以低计算成本驱动自动化场景生成，这允许在早期比较分析中探索许多替代方案。最后，特征重要性分析不应被解释为因果关系的证据；Random Forest重要性分数识别与预测性能相关的变量，但不能隔离独立的因果效应，因为某些变量可能反映更广泛的城市特征，如密度、中心性或可达性。
该模型假设当前的出行模式保持稳定，没有考虑潜在的人口变化、土地利用变化、人口重新分布、铁路扩展引发的新经济活动或工作模式的转变。虽然当前的出行模式为识别具有即时需求潜力的区域提供了宝贵信息，但大型基础设施项目本身可能会显著改变这些模式；因此，提出的模型应被解释为规划支持工具，而不是长期城市发展模拟器。集水区半径固定为882米，该值源自中国南京进行的研究；虽然敏感性分析表明车站排名结论在600至1200米半径内成立，但绝对需求估计对该参数更敏感，并且给定环境的适当半径取决于本地特征，如安全条件、地形和城市基础设施，这些在此未明确建模。该模型也未考虑与其他交通方式的整合，也未区分潜在的诱增铁路需求和现有铁路用户在附近车站之间的重新分配。因此，与新车站相关的一些估计需求增益可能反映了车站接入模式的变化，而不是进入铁路系统的全新乘客；因此，报告值应解释为估计的可达性增益和项目评估的比较指标，而不是净客流量增长的精确预测。重叠车站集水区需求的平等分配也是一种简化。在实践中，由于连通性、服务频率、可达性或感知便利性的差异，乘客可能更喜欢一个车站而不是另一个车站。
该方法论专门专注于最大化乘客潜在需求，而未纳入与实施可行性相关的因素，如土壤条件、征收限制、每公里建设成本、不同路线的技术可行性以及环境影响。真实的交通规划决策平衡了多个目标，包括公平获取、区域经济发展和财政可持续性，这些未被当前模型捕获。分析还可能受益于关于车站容量和线路速度的数据。考虑到在步行集水区外的区域，一部分用户通过其他方式前往最近的车站，因此也可以包括在铁路车站出行或离开车站前往目的地的行程；对此类接驳和离站行为进行建模将提供更完整的有效车站需求情况。
尽管包括了Random Forest和XGBoost作为基线，但与替代图神经网络架构的比较代表了未来工作的重要方向。未来的研究还可以整合土地利用预测和动态城市增长模型，以更好地捕捉基础设施投资与城市变化之间的反馈效应，包括诱发的土地利用转移、人口重新分布和新的经济活动。
