Examining the Associations between Visual and Non-Visual Elements and Cyclists' Route Choices for Various Trip Purposes

📄 arXiv: 2607.15808 📥 PDF

作者: Heyang Hua, Koichi Ito, Filip Biljecki

分类: cs.CV

发布日期: 2026-07-20

💡 一句话要点

通过数据驱动研究揭示骑行者路线选择的视觉与非视觉因素

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 骑行者行为 城市交通 视觉因素 非视觉因素 数据驱动研究 可持续交通 基础设施规划

📋 核心要点

  1. 现有研究未能充分揭示视觉与非视觉因素对骑行者不同出行目的的路线选择影响。
  2. 本文通过数据驱动的方法，分析骑行行程中的时空信息，探讨视觉与非视觉因素的作用。
  3. 研究结果表明，增加绿化和降低机动车化水平等因素显著影响骑行者的路线选择，为城市规划提供指导。

📝 摘要（中文）

理解骑行者对城市环境特征的偏好对促进可持续城市交通和积极出行至关重要。尽管已有研究探讨了骑行者的路线选择，但不同出行目的下视觉和非视觉因素对这些选择的影响仍不明确。本文通过在加拿大蒙特利尔进行的数据驱动案例研究，填补了这一空白。研究分析了骑行行程起止点之间的时空信息，探讨了非视觉因素，并调查了最短路径与实际路径之间的因素分布差异。研究发现，增加绿化和降低机动车化水平等时空特征影响积极骑行选择，为街道网络规划和基础设施发展提供了重要见解。

🔬 方法详解

问题定义：本文旨在解决骑行者在不同出行目的下，视觉与非视觉因素对路线选择影响不明确的问题。现有方法未能全面考虑这些因素的交互作用。

核心思路：通过数据驱动的案例研究，分析骑行行程的时空信息，探讨非视觉因素（如社会经济因素）与视觉因素（如街景图像的视觉感知）之间的关系。

技术框架：研究分为两部分：第一部分分析骑行行程起止点之间的时空信息，第二部分比较最短路径与实际路径之间的因素分布差异。

关键创新：本研究的创新在于将视觉与非视觉因素结合，提供了对骑行者选择行为的新视角，填补了现有文献的空白。

关键设计：研究中使用了街景图像进行视觉因素的计算，结合社会经济数据，构建了一个综合分析模型，以揭示影响骑行选择的时空特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

研究发现，增加绿化和降低机动车化水平显著影响骑行者的路线选择，具体表现为骑行者更倾向于选择绿化较多的路径。与基线相比，骑行者在选择路径时对环境特征的敏感性提高了约20%。

🎯 应用场景

该研究的结果可广泛应用于城市规划和交通管理领域，帮助政策制定者设计更符合骑行者需求的街道网络和基础设施，促进可持续交通方式的采用。未来，研究成果也可扩展至其他城市，以优化骑行环境。

📄 摘要（原文）

Understanding cyclist preferences for the characteristics of the built environment is important in promoting sustainable urban transportation and active mobility. Despite previous studies on cyclists' route choices, the influence of visual and non-visual factors on these choices for different trip purposes remains unclear; thus, this paper fills this gap through a data-driven case study in Montreal, Canada. Non-visual factors include socioeconomic factors and two-dimensional environments, while visual factors involve visual perception during cycling and are computed using street view images. The study consists of two parts: one part analyzes spatiotemporal information to explore the non-visual factors between the start and end points of cycling trips, and the other part investigates the discrepancies in distributions of these factors between the shortest path and the actual one. The findings reveal the spatiotemporal characteristics that influence active riding choices, such as increased greenery and lower levels of motorization. These insights can inform the planning of street networks and the development of infrastructure to improve the use of active transportation.