《Journal of Urban Mobility》:Artificial intelligence to environmental sustainability in urban mobility: A scoping review and a conceptual framework
编辑推荐:
人工智能(Artificial Intelligence,AI)已被广泛应用于城市交通(urban mobility),但关于其环境影响的证据仍然零散。本项范围综述(scoping review)绘制了AI在城市交通中的应用图谱,并提出一个概念框架(conce
人工智能(Artificial Intelligence,AI)已被广泛应用于城市交通(urban mobility),但关于其环境影响的证据仍然零散。本项范围综述(scoping review)绘制了AI在城市交通中的应用图谱,并提出一个概念框架(conceptual framework)。研究人员分析了2015年至2025年间发表的71篇期刊文章。通过主题分析(thematic analysis)将背景、交通模式(transport modes)、AI技术(AI techniques)和环境指标(environmental indicators)的信息进行综合,并组织成因果循环图(causal loop diagrams)。结果显示,机器学习(Machine Learning,ML)和深度学习(Deep Learning,DL)方法占主导地位。应用主要集中在需求预测(demand prediction)、车队与交通优化(fleet and traffic optimisation)以及排放与空气质量监测(monitoring of emissions and air quality),从而提高了能源效率并减少了出行时间。然而,只有当交通模式显著转向公共交通和主动出行方式(active modes)时,才出现实质性的减排效果。现有证据主要仍是相关性证据,且集中在高收入国家的大城市。综述得出结论:当AI与土地使用政策(land-use policies)和数据治理(data governance)相结合时,它可以成为低碳出行策略(low-carbon mobility strategies)的核心组成部分。
城市交通面临日益严重的拥堵、能源消耗和污染物排放等环境挑战,亟需可持续解决方案。人工智能(AI)虽被广泛用于城市交通领域,但其环境效应的系统性证据仍零散且碎片化。现有综述多聚焦于特定技术、交通模式或应用领域,未能捕捉系统层面的动态关系;环境可持续性常被作为次要维度处理,且缺乏对因果机制的表征。为填补这一空白,研究人员开展了一项范围综述,系统梳理AI在城市交通中环境可持续性方面的应用,并提出一个多尺度概念框架。研究分析了2015—2025年间71篇期刊文章,通过主题分析和因果循环图(Causal Loop Diagram, CLD)整合信息,最终得出:AI可与土地使用政策、数据治理协同,成为低碳出行策略的核心组成部分。该论文发表于《Journal of Urban Mobility》。
在关键技术方法上,研究人员遵循PRISMA-ScR扩展指南进行范围综述,检索Scopus和Web of Science数据库,构建包含“人工智能”、“城市交通”和“可持续性”及其同义词的检索式,限定为2015—2025年间的英文期刊文章。经去重、筛选后纳入71篇研究。通过结构化数据提取表收集文献计量、地理位置、AI方法、交通模式及环境指标等信息,使用VOSviewer进行关键词共现网络分析,并通过迭代构建三个空间尺度的CLD(微、中、宏观),变量和因果链接均来自多篇独立研究的明确报告或一致暗示,未进行外部正式验证(此为局限性之一)。
研究结果部分包括以下小标题:
3.1 地理分布:研究地点集中于中国(21%)和美国(15%),欧洲也有一定比例,但拉丁美洲、非洲和东南亚代表性严重不足。约25%的研究无明确地点(含理论框架、模拟或全球尺度分析),4项为多地点比较研究。
3.2 关键词共现网络分析:网络显示“机器学习”和“深度学习”与“碳排放”“能源消耗”强共现,表明ML/DL是关联环境效益的主要工具;“智能城市”节点与AI紧密连接,说明AI驱动的出行解决方案多嵌入智慧城市生态系统。此外,“电动汽车”“能源效率”“碳排放”的紧密关联凸显电动化作为主流脱碳策略。LSTM、交通流预测、深度强化学习等反映预测和实时优化研究趋势;区块链、IoT、政策等处于网络外围。
3.3 主题分类与AI方法:研究分为六大主题——出行管理与规划(30%,以DL和多方法为主)、车辆与能源(25%,ML和DL为主)、主动与共享出行(21%,ML为主)、公共交通(11%,ML/DL)、排放与环境评估(7%,DL和ML均衡)、综述(6%)。ML和DL占主导,决策支持系统(DSS)和经典AI优化方法(如遗传算法、蚁群算法)在部分研究中出现。
3.4 研究特征:61%的研究使用真实世界数据,21%采用混合数据(实证+模拟),13%纯模拟或概念性报告,6%为文献综述。分析类型中,38%为预测性,31%为相关性/关联性,24%为模拟或理论性,仅1%采用正式因果推断方法。主要局限性包括静态单时间点分析、地理样本局限、缺乏外部实证验证。
讨论部分指出:AI对环境可持续性的贡献通过减少燃烧排放和更高效利用能源实现,具体机制包括支持规划与政策(如可解释AI XAI)、实时系统优化、增强可持续交通模式吸引力、促进电动化以及环境监测。跨三个尺度(微观、中观、宏观)的CLD揭示了反馈机制:微观尺度下,需求预测、优化与数据反馈形成强化回路,但需公平导向规划和土地利用混合;中观尺度下,电动化、车队管理与公共交通的协调可产生叠加效应,但需结合TOD等政策;宏观尺度下,AI与IoT整合通过拥堵预测、多模态融合实现减排,但环境效果取决于制度能力。治理与公平方面,AI依赖大规模数据引发隐私问题,效率增益往往集中于基础设施良好的区域,且存在回弹效应(短期10–12%,长期26–29%),AV若未与铁路和土地利用政策整合可能加剧城市蔓延。未来需优先关注因果推理、纵向研究、全球南方情境、生命周期评估及XAI与行为因素的整合。
研究结论翻译(5. Conclusion):本范围综述绘制了71项研究,表明AI已在城市交通中发挥跨领域作用,支持需求预测、运营优化、环境监测和多模式整合。通过采用范围综述方法,本研究提供了比以往技术或模式特定综述更广泛、更具整合性的综合。文献被组织为六大主题类别,并跨越微观、中观和宏观尺度,通过因果循环图合成,提出了一个将环境可持续性作为核心分析维度的概念框架,明确揭示了链接AI技术、交通系统和环境结果在不同尺度上的反馈机制。结果表明,AI不应仅被理解为预测精度的增量提升,而应被视为更广泛决策架构的组成部分。环境效益的阈值证据(需要高比例公共交通和主动出行才能实现实质性减排)挑战了线性技术进步观,并强调可持续性依赖于结构性变革。空间、城市设计和地域公平因素在决定环境结果方面至少与严格的操作变量同等重要。研究局限性包括11篇非开放获取文章被排除、仅关注环境维度、未进行正式质量评价、CLD未外部验证。尽管如此,本研究提供了AI应用于可持续城市交通的综合视图,当与土地使用政策、多模式整合策略以及以公平和可持续性原则为指导的治理框架相结合时,AI可以成为向更高效、低碳城市交通系统转型策略的核心要素。