收益：
- 能够定义人工智能在交通需求、行程生成和交通建模工作流程中的数据、场景和报告中的作用
- 使用人工智能分析流量和可达性数据时能够考虑假设、校准和验证的需要
- 能够理解交通模型结果必须通过官方方法、现场普查和有能力的交通专家进行验证。
城市如何移动是其规划方式的一面镜子。人们在什么时间、乘坐什么交通工具从哪里去往哪里；新的住宅开发项目将位于哪个十字路口？地铁线路应该画在哪里？交通需求模型回答了这些问题。经典方法是四阶段模型：出行生成（每个区域生成/吸引多少出行）、分布（出行在哪些区域之间出行）、模式选择（车辆/公共交通/行人）和分配（出行采取哪些路线）。人工智能在此过程的数据准备、场景构建、结果解释和报告阶段提供了强大的帮助。但流量模型代表一个物理系统，如果没有校准（将模型与实际站点数量相匹配），它是不可靠的。 AI本身并不进行分配计算；解释校准模型的输出。最终评价属于有能力的交通专家。
四阶段模型的逻辑
出行生成：每个交通分析区域根据人口、就业、学校等数据生成并吸引出行。住宅区产生早间通勤，而商业中心则吸引人们。
分布：生成的出行在区域之间共享；通常，距离较近且有吸引力的区域会获得更多的行程（类重力模式）。
方式选择：出行是乘坐私家车、公交车还是步行？成本决定时间和可达性。
分配：行程分布在整个道路网络中；哪条路线、哪个路口将被装载以及装载量将变得清晰。
该链条中的每个环节都基于数据和假设。人工智能有助于调整假设和比较场景，但产生链条数字核心的是经过校准的模型。
注意：未经校准的流量模型可能会产生与现实无关的流量。仅仅因为交叉点看起来“无缝”可能意味着模型与实际计数不匹配。在使用模型输出之前始终查询校准和验证状态。
除了现代交通规划中的四阶段模型之外，新的数据源也变得越来越重要：手机运动数据（匿名位置信号）、公共交通卡数据、导航应用程序的速度数据。这些来源提供了比传统实地普查更广泛、更连续的情况。人工智能在清理这些庞大而混乱的数据、提取模式并将其塑造成模型的输入方面具有无价的价值。但这些数据带来了严重的隐私风险：即使个人运动数据被认为是匿名的，但汇总后也可以使个人被识别。因此，位置数据只能在适当汇总和匿名的情况下使用，并符合相关的隐私立法；原始的个人痕迹永远不应该被分发。
AI的适当角色
- 数据组织：计数、GTFS（公共交通出行数据）、OD（源-目的地）矩阵清理和制表。
- 场景设置：配置“新建桥梁”、“新增公交线路”、“车辆限制”等场景。
- 结果注释：模型输出中的数量、延迟和服务级别的简单语言摘要。
- 可访问性分析草稿：编辑“15分钟城市”等分析（同样使用真实网络数据）。
- 报告：使利益相关者和理事会能够理解调查结果。
一步一步：人工智能驱动的交通分析
- 定义问题。 “新住房将如何影响十字路口 X？”
- 收集数据。实地人口普查、人口/就业数据、网络、公共交通。
- 选择模型/分析。四个阶段还是简单的可访问性？
- 验证校准。模型与实际计数相符吗？
- 用人工智能设置场景。每个场景的假设都很清楚。
- 评论一下结果。用AI总结，但把决定留给专家。
- 核实并报告。写下校准、假设和不确定性。
弱提示/强提示
微弱提示：“这个路口堵了吗？”
人工智能既不知道数据也不知道模型；给出了一个毫无根据的答案，即猜测。
强烈提示：“我正在解释校准交通模型的输出。以下是交叉口两种情况（现有/新住房后）的高峰时段交通量和服务水平（LOS）值
第二个提示让AI继续扮演翻译角色；模型产生数字，人工智能对其进行简化。
四个可复制模板
任务：在适合议会的简单备忘录中总结以下流量结果（校准模型的输出）。解释服务水平、延迟和数量。说明假设（情景年份、需求、校准状态）和不确定性。不要自己生成数字。输出：[...]
任务：配置以下运输场景：目的、更改的输入、保持不变、要测量的指标（数量、延迟、可用性）。写下您需要进行比较的“基本场景”。场景想法：[...]
任务：对以下交通/运输数据进行质量控制。列出缺失、不一致或过时的要点。指定通过现场计数进行校准所需的数据。决策。数据：[...]
任务：在词汇表中用简单的土耳其语解释术语四阶段模型、校准、服务水平 (LOS)、OD 矩阵和可访问性。用一句话强调为什么每一项都需要真实数据。
表：分析类型和验证
分析
什么给了
人工智能的作用
关键验证
四阶段模型
网络量
剧本+解说
现场计数校准
无障碍（15 分钟）
接近度/覆盖范围
小说+报告
网络和时间数据是最新的
交叉分析
延迟、服务水平
结果总结
实际计数+专家
公共交通覆盖范围
线路/车站访问
数据编辑
GTFS更新
行人/自行车
安全性、连续性
库存草稿
实地观察
三个迷你箱子
案例 1 — 无需校准即可信任。一个团队让人工智能总结模型的输出，并将“交叉口放松”结果提交给理事会。然后字段计数就完成了；该模型计算了一半的真实流量，因为 OD 矩阵是旧的。由于校准未经验证，因此产生了错误的置信度。教训：在解释输出之前质疑校准。
案例 2 — 清晰的场景。规划者用人工智能构建“新公交线路”场景：很清楚他改变了什么（线路+行程）、他保持不变（人口、其他线路）、他测量什么（可达性、行程时间）。该模型运行这个清晰的场景并且结果是可以解释的。结构良好的场景是良好分析的一半。
案例 3——可访问性偏差。在“15分钟城市”分析中，人工智能仅使用私家车时间，并将中心社区显示为“可到达”。当规划者增加步行和交通时间时，很明显没有汽车的家庭的交通实际上要差得多。您测量的交通类型决定了您听到的声音。
常见错误
- 跳过校准。未经现场计数验证的模型输出是不可靠的。
- 让人工智能产生数字。音量和延迟来自校准模型，而不是人工智能。
- 没有定义基本场景。为了进行比较，“现状”是必不可少的。
- 着眼于单一的交通方式。只拥有汽车的时间对于无车家庭来说是不公平的。
- 隐藏假设。情景年份和需求假设应该明确。
- 将可达性与密度混淆。亲密是一回事，能力又是另一回事。
总之
交通和交通建模代表了城市通过四阶段链（生产、分配、类型选择、分配）的运动。人工智能在数据整理、场景编辑、结果解释和报告方面提供了强大的帮助；但数字核心产生的是校准模型，而不是人工智能。如果没有校准（匹配字段计数），任何输出都不可信。与基线情景相比，情景的结构应清晰，并且应考虑所有交通方式（行人、公共交通、车辆）。最终评价属于有能力的交通专家。
应用任务
选择一个交通问题（例如新住房开发对十字路口的影响）。 (1) 使用第二个模板构建场景：什么变化，什么不变，什么被测量，什么是基本场景？ (2) 使用第三个模板对现有数据进行质量检查，并列出缺失数据以进行校准。 (3) 将第一个模板的假设模型输出汇总到装配注释中，并检查不确定性陈述。 (4) 写出您应该寻找哪种类型的（行人/公共交通/车辆）无障碍设施的理由。
清单
- [ ] 我在使用模型输出之前查询了校准状态。
- [ ] 我从校准模型中获得音量/延迟数字，而不是 AI。
- [ ] 我清楚地构建了该场景并将其与基本场景进行了比较。
- [ ] 我一起评估了行人、公共交通和车辆类型。
- [ ] 我已经清楚地陈述了假设（情景年份、需求矩阵）。
- [ ] 我把最终的评价留给了主管交通的专家。
- [ ] 我在报告中写了校准和不确定度。