GeoAI与多模态地理空间数据融合：构建包容性城市交通的新路径

本文综述GeoAI与多模态地理空间数据融合技术在包容性城市交通中的应用，分析2019-2025年57篇核心文献，揭示技术发展轨迹，提出公平导向的交通系统发展路线图，为城市规划者和政策制定者提供实践指导。核心聚焦城市交通不平等困境，探索如何通过技术创新解决边缘化社区的出行难题。

城市化带来繁荣的同时制造空间不平等，历史边缘化社区面临公共交通覆盖不足、通勤时间长、成本高等问题。传统交通规划因数据局限和视角单一难以解决系统性不平等，GeoAI与多模态地理空间数据融合技术的兴起为构建包容性交通系统提供新可能。

GeoAI是AI与地理空间科学的深度融合，能处理大规模多样数据集，自动发现时空模式。多模态数据融合是其核心能力，城市交通数据类型包括GPS轨迹、卫星影像、社交媒体、传感器网络等。主要融合策略有：特征级融合（预处理阶段整合相似特征）、决策级融合（各模态独立分析后综合）、深度学习融合（神经网络自动学习跨模态关联）。

研究强调"公平性"核心地位，传统优化易加剧不平等。案例包括：可达性分析识别服务盲区，揭示边缘社区被排除情况；需求预测通过多模态融合捕捉边缘群体出行模式；资源分配用公平感知算法确保投资向underserved社区倾斜。

关键技术包括：图神经网络（GNN）建模道路网络和出行模式；CNN与视觉Transformer分析卫星/街景影像识别土地利用；LSTM/Transformer时序模型预测交通流量和需求；联邦学习解决数据隐私问题，实现跨机构协作训练。

挑战：数据偏见（固化现有不平等）、技术门槛（发展中国家缺乏基础设施和人才）、隐私安全问题。未来方向：开发少样本学习适应数据稀缺；推进因果推断理解机制；加强多模态大语言模型应用；建立跨学科协作机制；制定AI伦理准则和治理框架。

GeoAI与多模态融合为包容性交通提供强大工具，但技术中性，需以人的尊严和社会公平为核心。建议规划者和政策制定者在技术应用中注重可解释性（XAI技术）、参与式方法，确保决策透明公正，让智慧城市真正服务所有人。