Trasformatore Spaziale Basato su Anelli Supera GWR nella Previsione del Flusso Pedonale Intorno alle Stazioni di Tokyo

Uno studio recente introduce un modello di Trasformatore Spaziale basato su anelli, volto a comprendere le interazioni spaziali non lineari tra le funzioni degli edifici e il movimento pedonale intorno alle stazioni ferroviarie. Questa ricerca, pubblicata su arXiv (2608.14660), stabilisce buffer anulari concentrici a incrementi di 100 metri, estendendosi fino a 800 metri da 100 stazioni scelte casualmente a Tokyo, con ogni anello che funge da token spaziale. Utilizzando l'attenzione automatica (Self-Attention), il modello apprende le interazioni tra zone direttamente dai dati, senza assunzioni strutturali preesistenti. I conteggi dei viaggi a piedi basati su GPS fungono da variabile target, con la Regressione Geograficamente Ponderata (GWR) come benchmark. In 30 prove indipendenti, il Trasformatore Spaziale ha costantemente superato la GWR in accuratezza predittiva. L'analisi SHAP ha indicato che le caratteristiche delle zone a media e lunga distanza influenzano significativamente il flusso pedonale, mentre la zona 0-100m ha avuto un impatto minimo. La matrice di attenzione ha rivelato che ogni zona di distanza si concentra principalmente su zone più distanti, evidenziando il ruolo delle interazioni non locali nel flusso pedonale. Questa ricerca è significativa per la pianificazione urbana e la modellazione dei trasporti, fornendo una prospettiva basata sui dati su come gli usi degli edifici a diverse distanze dalle stazioni contribuiscano al movimento pedonale. Condotto a Tokyo, Giappone, lo studio suggerisce che le architetture transformer catturano efficacemente le complesse dipendenze spaziali negli ambienti urbani.