探索骑行者中的行为异质性：骑行模式、停留行为与骑行安全性的比较分析

《Journal of Transport & Health》：Exploring behavioral heterogeneity among cyclists: A comparative analysis of cycling patterns, stay behavior, and cycling safety

　　

摘要

引言
骑行作为一种日益增长的活动出行方式，为可持续的城市移动性和公共健康作出了贡献。本研究聚焦于中国西安，这是一座拥有庞大且多样化的骑行人口的城市，包括复杂的城市和山地地形混合。越来越多的骑行者在出行模式、停留行为和骑行安全方面表现出显著的行为异质性，然而目前尚无系统的方法来捕捉和分析大规模城市休闲骑行者的行为。理解这种异质性对于设计支持安全高效骑行的针对性干预措施和基础设施至关重要。

方法
我们分析了 2019 年至 2023 年间收集的 7188 条城市休闲骑行者 GPS 轨迹，包含超过 1300 万个轨迹点。行为模式识别：采用一种过程导向的无监督机器学习方法——语义轨迹计算（STC），用于检测一致的骑行模式。原始轨迹被分割为带有语义信息的离散片段，并通过基于 KNN 的网络结合 Infomap 社区检测算法进行聚类。停留行为识别：使用停留点检测（SPD）算法检测停留点，并通过整合兴趣点（POI）数据与高斯核密度估计来推断这些停留背后的动机。骑行安全识别：使用基于最大速度和持续时间联合累积概率的异常检测方法，将持续高速行为识别为替代安全指标。

结果
识别出三种主要行为模式：低强度休闲（LIL）、地形挑战（TC）和高强度耐力（HIE）。根据克鲁斯卡尔 - 沃利斯检验，不同模式间的停留行为存在显著差异，其中 TC 骑行者因山地地形表现出最长的持续时间和最高的停留频率，而 LIL 和 HIE 骑行者的城市停留时间较短。TC 骑行者的持续高速行为最高，由 prolonged high-speed events 驱动。模式在停留动机上也显示出显著差异（卡方检验），LIL 骑行者专注于观光，TC 骑行者在人口稀疏区域停留，而 HIE 骑行者主要因功能性补充而暂停。

结论
行为异质性强烈塑造了骑行模式、停留行为和骑行安全。这些发现凸显了需要考虑多样化骑行者子群体的有针对性的基础设施、风险缓解策略和政策干预的必要性。过程导向的轨迹分析为理解动态骑行行为并提供城市交通规划和公共健康策略的信息提供了一个稳健的框架。

引言
随着对全球气候变化和公共健康的担忧日益增加，主动出行已成为可持续交通系统的重要组成部分（Strauss 等，2017；Fang 和 Gao，2025）。作为主动出行的主要形式，骑行因其增强个人健康和缓解城市流动压力的作用而受到越来越多的关注（Lambert 等，2026；Antón-González 等，2023；Güldü 等，2025）。骑行首先在荷兰和丹麦等欧洲国家蓬勃发展，这些国家如今报告了全球最高的自行车分担率，随后传播到北美和亚洲（Kaplan 等，2015）。新冠疫情进一步加速了这一趋势，休闲骑行越来越多地受到城市地区的青睐，作为一种追求户外活动、体育锻炼和情绪健康的手段（Chen，2023）。因此，城市休闲骑行人口现在正在迅速扩大并变得越来越多样化。他们远非一个同质群体，在时空资源使用、活动动机和风险容忍度方面表现出显著的行为异质性（Tsitoura 等，2021；Xing 等，2020；Kruger 等，2016）。忽视这种内部多样性往往导致交通规划和公共政策中的“一刀切”方法，从而损害骑行的社会效益（Damant-Sirois 等，2014；Kruger 等，2016）。

现有关于骑行者行为异质性的研究大多依赖于通过出行前后调查收集的自报数据（Damant-Sirois 等，2014；Kruger 等，2016）。虽然这些方法为出行动机和陈述性偏好提供了有价值的见解（Kruger 等，2016；Xu 等，2019；Damant-Sirois 等，2014），但它们受到回忆偏差、样本量有限和时间分辨率受限的制约。因此，它们难以捕捉大规模骑行群体的客观行为特征（Bhowmick 等，2025；Rimu 和 Deb，2025），其发现也难以转化为对快速演变的城市骑行环境的及时响应。智能设备的普及使得大规模收集高分辨率 GPS 轨迹数据成为可能（Gao 等，2026），为从基于实际执行行为的观察视角考察主动出行提供了新的机遇。

GPS 衍生的行为特征已被证明对骑行者细分有效（Lee 等，2022）。基于人口统计学的分类特征描述骑行者是谁，而基于行为的聚类则捕捉他们实际的骑行方式。由此产生的模式直接为基础设施规划、路线设计和针对性安全干预提供信息，在个人级属性通常不可用的大型城市环境中尤为宝贵。先前的研究表明，轨迹中嵌入的时间、空间、运动和环境信息共同塑造了骑行者的行为模式（Mendiate 等，2020；Mou 等，2022）。例如，Zhuang 等（2021）证明仅时间和空间维度就能恢复有意义的行为模式。Lee 等（2022）使用出行持续时间、平均速度、出行距离、最短距离和漫游距离对骑行者进行聚类。除此之外，路线选择（例如简单与复杂路线）、道路状况（例如是否存在自行车道）和道路坡度也被证明能揭示骑行者的潜在偏好（Skov-Petersen 等，2018；Bernardi 等，2018）。基于这一证据，本研究使用直接从骑行过程中提取的运动和环境特征对骑行者进行聚类。

具体而言，我们提出了语义轨迹计算（STC），这是一种过程导向的无监督机器学习方法，通过模拟骑行行为在整个行程中如何展开来分析大规模 GPS 轨迹数据。STC 通过网络结构表示进行聚类，使得能够同时探索轨迹之间的全局关系和单个轨迹内的局部关系，超越了 K-means 等传统聚类方法（Xing 等，2020；Lee 等，2022）。对于理解基于轨迹的行为模式而言，全局和局部关系都是必不可少的（Liu 和 Guo，2020）。此外，STC 采用过程导向的轨迹建模技术，将原始 GPS 流分解为行为一致的活动片段，并用环境和运动语义对其进行丰富（Bhowmick 等，2025；Gao 等，2023）。

为了进一步揭示这些模式的社会行为含义，有必要将骑行异质性的分析范围扩展到包括停留活动和骑行安全识别。现有文献强调，停留行为不仅仅是旅程的简单中断，而是个体与建成环境相互作用的体现，反映了决策动机和空间偏好（Xing 等，2020；Choe 等，2023；Prince 等，2025）。区分停留活动的功能属性——如休息、补充或观光——对于优化基础设施供应和路线规划至关重要。同时，安全是持续参与主动出行的关键决定因素（Lee 和 Hong，2026；Li 等，2021；Niaki 等，2019）。Egan 和 Philbin（2023）强调了应对与骑行相关的风险及风险管理以加强骑行者公共空间权利的重要性。然而，尽管这些问题受到越来越多的关注，骑行伤害率仍在上升（Li 等，2021；Hoffman 等，2010）。不安全的骑行行为，特别是持续高速骑行，增加了交通相关伤害的可能性，并对公共健康构成重大挑战。然而，现有关于停留活动和骑行安全的研究通常将骑行者作为单一总体人口进行分析，留下了这些行为在不同骑行模式中如何变化的问题未受探索。这一遗漏限制了针对子群体的基础设施和安全干预设计。

基于上述考虑，本研究以中国西安为典型案例——一个骑行人口迅速增长、骑行基础设施网络发达、休闲骑行活动日益多样化的城市。在此基础上，我们提出了一个集成的行为分析框架，将基于 STC 的模式识别与停留活动和骑行安全分析相结合，研究行为异质性如何与停留相关需求和安全结果相互作用。本研究包括两个目标：(1) 使用提出的无监督机器学习方法 STC，从大规模 GPS 轨迹数据中识别城市休闲骑行者的行为模式和特征；(2) 然后我们将调查不同行为组之间在停留相关需求（例如停留频率、持续时间和动机）和不安全行为倾向（例如持续高速骑行）方面的差异。该框架和提出的 STC 模型旨在可转移至其他城市环境，因为所需的输入在各城市和国家广泛可用。STC 的无监督性质进一步减少了对特定区域先验知识或标记样本的依赖。框架的模块化设计，涵盖轨迹模式分类、停留活动识别和骑行安全分析，也允许各个组件根据当地研究需求独立应用或调整。

本文其余部分组织如下。第 2 节回顾了关于骑行行为一致性、行为模式分类以及停留活动和骑行安全识别的文献。第 3 节介绍了研究区域、数据准备和方法论。第 2.2 节 基于 GPS 轨迹数据的行为模式分类，2.3 节 停留活动和骑行安全识别（讨论）呈现了主要发现，以及理论和实际意义。最后，第 6 节总结了论文并概述了局限性和未来研究方向。

部分摘录

骑行行为的异质性
骑行者并不构成一个同质群体（Tsitoura 等，2021）。随着主动出行参与度的持续上升，显然骑行者并不遵循单一的行为模板（Bakhshi 等，2025；Yang 和 Li，2025）。相反，他们基于不同的动机运作，以独特的方式与城市环境和交通基础设施互动（Antón-González 等，2023；Xu 等，2019；Xing 等，2020）。因此，对骑行者进行系统分析……

方法论
我们提出了一个集成的、过程导向的分析框架，系统地连接数据准备、行为建模和比较分析（见图 1）。该框架由三个主要组件组成。数据准备依赖于三个互补的数据源：来自 OpenStreetMap 的道路网络数据、来自高德地图的兴趣点（POI）数据以及从 2bulu 收集的 GPS 轨迹数据（详见第 3.2 节）。这些数据集共同提供了时空、运动和环境信息……

骑行距离和骑行时间分布
图 4 显示，西安的城市休闲骑行主要以短至中距离活动为特征。大多数行程在 35 公里内发生（81.45%）且持续时间少于 5 小时（81.29%），99.54% 的参与者在一天内完成他们的旅程。虽然大多数行为符合单日骑行，但一小部分极端群体（2.56%）覆盖的距离超过 100 公里（最大：296.4 公里）。

时间分布
图 5 呈现了西安城市休闲骑行的时间分布……

从结果导向向过程导向范式的转变
本研究提出的无监督机器学习方法 STC，为利用大规模 GPS 轨迹数据揭示城市休闲骑行者的行为异质性提供了一个新颖的视角。STC 方法采用过程导向范式而非结果导向。这是因为，作为主动出行的代表性形式，骑行特别强调道路上的体验（Lamont，2009；Lumsdon，2000；Xu 等，2019）。相比之下，主流……

结论
为了揭示主动出行快速扩张中城市休闲骑行者的异质性和相关行为，本研究提出了一个使用大规模 GPS 轨迹数据进行骑行行为分析的集成、过程导向框架。通过采用无监督机器学习方法 STC，我们识别了不同的行为模式，并考察了它们在停留活动和骑行安全方面的变化。主要结论如下：
(1) 识别出三种不同的模式……

CRediT 作者贡献声明
焦梦云：概念化，资金获取，可视化，撰写 - 原稿，撰写 - 审阅与编辑。高原：概念化，方法论，撰写 - 原稿，撰写 - 审阅与编辑。曲博婷：数据管理，资金获取，方法论，软件。严建强：方法论，撰写 - 审阅与编辑。江耀义：概念化，撰写 - 审阅与编辑。

利益冲突声明
作者未报告任何潜在的利益冲突。

致谢
我们衷心感谢中国国家自然科学基金（62306236）（曲博婷）和中国西北大学博士研究生科研创新项目（CX2024017）（焦梦云）的支持。

焦梦云是中国西北大学经济与管理学院的一名博士生。她的研究兴趣包括旅游行为和轨迹数据挖掘。邮箱：[e-mail]

焦梦云 | 高原 | 曲博婷 | 严建强 | 江耀义
中国西北大学经济与管理学院，西安，中国