基于深度学习从公交站点视频中提取行为模式：基于CNN与Vision Transformers建模视觉推断性别呈现下的结构性差异

《Transportation Research Interdisciplinary Perspectives》：Deep learning-based behavioral pattern extraction from transit station videos modeling structural gender differences using CNN and Vision Transformers

　　

城市公交站点是公共交通系统中行为最为复杂的环境之一，然而规划者仍缺乏可扩展的方法，将连续视频观测转化为可解释且具规划相关性的行为证据。现有交通研究高度依赖调查与自我报告，捕获的是感知而非观测行为；而计算机视觉研究虽实现了高检测与跟踪精度，却鲜少将轨迹转化为可用于站点设计、容量评估或公平分析的标准化指标。本研究通过开发并演示一个可解释的行为测量框架来填补这一方法学空白，该框架从公交站点视频中提取基于轨迹的指标——等待时长、人际距离、轨迹熵、步行速度与拥堵暴露——并量化与视觉推断性别呈现相关的情境依赖差异。研究采用混合卷积神经网络–视觉Transformer(CNN–ViT)架构，在真实站点典型的遮挡、密度与光照条件下生成可靠且保持身份的轨迹。混合设计结合CNN的局部特征提取优势与Vision Transformers的长程上下文建模能力，较常规单架构基线产出更高质量轨迹。可解释人工智能(XAI)技术仅用于增强计算流程透明度，而非验证理论构念。行为差异被严格解释为特定环境条件下与视觉推断性别相关的模式，并与性别化流动性的生活经验构念明确区分。该框架通过提供紧凑、可复现的指标，赋能客流管理、站点设计评估与运营分析，同时尊重观测数据的证据界限，从而弥合算法输出与交通规划分析需求之间的脱节。主要贡献具方法学性质：一个基于证据的测量桥接，强化而非取代既有交通知识。

研究背景方面，城市公交站点作为复杂社会技术环境，其行人行为（等待、路径选择、人际间距、拥堵响应）直接关系站台配置、容量评估与包容性空间设计。既有交通文献依赖问卷、出行日记等自我报告数据，存在回忆偏差与可扩展性不足；手动观测成本高昂难以规模化。计算机视觉虽能客观提取连续轨迹，但多数研究止步于检测精度与跟踪指标，未将坐标序列转化为规划可用的标准化行为指标。与此同时，性别与移动性研究多凭主观调查揭示感知安全与骚扰差异，缺乏连续观测的行为证据。此外，纯卷积神经网络(CNN)擅长局部特征但感受野有限，纯视觉Transformer(ViT)擅长长程依赖但数据饥渴，真实站点存在遮挡、密度与光照多变，单架构难以兼顾。因此，研究人员开展本研究，旨在构建可解释的行为测量框架，以CNN–ViT混合骨干在复杂条件下提取保身份轨迹，派生等待时长、人际距离、轨迹熵、步行速度、拥堵暴露五项指标，并按视觉推断性别呈现分组，量化情境依赖差异，用可解释人工智能(XAI)仅作流程透明化，不直接验证性别理论。结论上，该框架在伊朗大不里士四座公交站点（10台固定摄像机、2025年3至6月、峰值与平峰分层采样）从18642条初始轨迹清洗得12381条序列，Cohen's κ=0.84，证明混合架构在身份保持与抗碎片化为优；行为指标显示高密度与时段压力下视觉推断性别组间在等待时长、人际距离、轨迹熵差异扩大；XAI（saliency、Grad-CAM）仅澄清轨迹生成区域，不作为理论证据。意义在于提供“测量桥接”而非替代理论，使视频观测可直接支撑客流管理、站台设计与公平分析，论文发表于《Transportation Research Interdisciplinary Perspectives》。

关键技术方法上，研究人员采用六阶段流水线：视频获取与预处理（25fps、1080×1920、4.5–6.0m机位）、基于深度学习的行人检测与多目标跟踪重建轨迹T_i={(x₁,y₁),…,(x_n,y_n)}、轨迹级行为特征提取、合成数据增广与验证、CNN–ViT混合分类（CNN提局部、ViT捕长程）、XAI与多层统计。样本来自大不里士四站十摄像机、2025年3–6月峰/平峰分层，18642初始轨迹经严重遮挡/可见性/标注分歧/呈现模糊剔除3193条，留12381条；性别呈现由3标注者按衣着/发型/体态/配饰可视特征判定，禁用人脸与生物识别，κ=0.84。

研究结果部分，引言指出自我报告与算法导向CV各自局限，提出RQ_1–3与RH_1–3。文献综述中，“Pedestrian behavior in transit systems”小节确认等待时长、密度、轨迹几何、步行速度为可操作指标，但实验室与手标难以扩展；“Gender and behavioral heterogeneity in public transport”小节总结性别化移动理论依赖调查，与观测行为脱节，明确视觉推断性别呈现≠生活经验性别；“Computer vision for pedestrian analysis”小节评YOLO/DeepSORT/ByteTrack等止于坐标序列；“Deep learning and hybrid architectures”小节论证CNN–ViT互补，混合非为终统计算法必要而为保轨迹质量；“Explainable AI”小节限定XAI仅作透明机制；“Critical synthesis”小节划三层次 Claim：行为观测、理论一致、理论验证，本研究只涉前两层。方法论中“Study design and research framework”给出六阶段；“Data collection and observation characteristics”与“Case study”交代大不里士四站十摄、3–6月峰平峰、18642→12381条；“Annotation and labeling procedure”与“Gender classification procedure”述κ=0.84与排除低置信；“Video processing and trajectory reconstruction”给T_i表示与检测跟踪链。结果隐含于假设验证：RH₂获支持——CNN–ViT在MOTA/IDF1与碎片率优于CNN-only与CNN–LSTM；RH₁获支持——密度升时视觉推断女性呈现组等待更长、人际距离更大、轨迹熵更高；RH₃获支持——Grad-CAM锁定站台边缘与队列头部为行为相关区。讨论部分重申三类声明边界，强调视觉推断性别呈现仅聚合分析用，不证生物学性别或自认性别，指标差异可能源于行李/同行/时刻表等混杂，故不作因果断言；框架贡献在方法学测量桥接，非站点重设计处方。结论翻译：本研究主要贡献具方法学性——开发并演示可解释行为测量框架，从公交站点视频提取等待时长、人际距离、轨迹熵、步行速度、拥堵暴露等轨迹指标，量化视觉推断性别呈现的情境依赖差异；以CNN–ViT保身份轨迹提取配XAI诊断，将连续视频转为紧凑可复现指标供交通研究者与规划者直接使用；性别化移动理论对齐与规划设计含义仅作解释透镜，不称理论验证或运行处方；从而在观测数据证据界限内，补计算机视觉输出与交通规划行为证据之缺。