研究启发
基于知识库资料生成的研究问题草图，面向研究生提供选题、方法与成果形态的思考线索。
随着高频率轨迹数据与多源交通记录的融合，研究重心正从单一的流量预测转向包含异常事件、隐私保护及复杂行为响应的系统性建模。当前亟需解决动态环境下的模型鲁棒性、去中心化决策的协同效率以及微观风险感知与宏观网络调控之间的尺度鸿沟。
时变信道下车联网联邦学习的梯度传输失效
预设的资源分配策略在车辆高速移动导致的时变信道条件下会失效，因为梯度稀疏化决策无法适应瞬时通信容量的快速波动。
现有车联网联邦学习研究主要关注静态或慢变信道下的通信开销优化，通过梯度稀疏化降低传输量。然而，实际道路场景中车辆移动性导致信道条件剧烈变化，使得基于历史统计的预设策略难以保证模型收敛效率。
智能交通系统对隐私保护协同训练的需求激增，且5G/V2X基础设施提供了实时信道状态信息，使得在线自适应梯度传输成为可能，填补了动态环境下联邦学习理论空白。
未知动态下应急物资协作再分配的观测缺失
去中心化网络中各中心独立决策会导致服务不均，因为在信息有限且交通中断条件下，局部智能体无法观测全网供需动态演变。
传统应急物流优化多假设中央控制器拥有全局信息，或采用静态路由规划。但在灾害等极端场景下，通信中断和道路损毁使得全局信息不可得，现有方法难以处理部分可观测环境下的动态再分配问题。
极端气候事件频发增加了对韧性供应链的需求，边缘计算能力的提升使得分布式智能体具备本地推理能力，为解决去中心化协作提供了算力基础。
自动驾驶规划中静态地图与动态风险的错位
基于静态地图的轨迹规划在突发交通风险面前会失效，因为候选几何形状保持不变而忽略了占用状态的实时演化与碰撞评分修正。
主流自动驾驶规划模块依赖高精度地图和固定成本函数，通常假设环境动态可通过短期预测平滑处理。然而，面对突发事故或异常行为者，静态参考系无法及时反映空间风险场的变化，导致规划滞后。
nuScenes等大规模数据集提供了丰富的相机特征与行为者状态标注，结合视觉鸟瞰图特征融合技术，使得构建细粒度风险感知世界模型成为可能，提升了安全冗余。
仿真异常生成与真实路网拓扑的泛化鸿沟
基于SUMO生成的受控异常场景在迁移至真实复杂路网时会失效，因为仿真环境的简化拓扑无法复现真实城市中多维度的空间依赖关系。
现有交通异常预测研究多依赖历史检测器数据，缺乏因果明确的异常样本。虽然仿真平台可生成追尾等特定场景，但纽约市百老汇走廊等特定区域的实验结果难以直接推广至拓扑结构差异巨大的其他城市路网。
城市数字孪生技术的发展提供了高保真路网建模能力，结合BiLSTM与DCRNN等混合架构，能够同时捕捉时间动态与空间依赖，为仿真到现实的迁移学习提供了方法论支撑。
校车调度中MFD不确定性与行为响应的耦合
确定性动态用户均衡模型在校车始发时间调控中会失效，因为宏观基本图（MFD）的不确定性与内生需求响应之间存在非凸耦合关系。
传统交通调控常忽略特定群体（如学生）出行对整体路网的冲击，或假设路网运行参数恒定。现有双层优化框架虽能耦合系统调控与用户行为，但在处理MFD参数波动及用户对早到迟到成本的异质性偏好时计算复杂度极高。
城市拥堵治理需要从微观个体行为入手，旧金山等地的零死亡愿景及公开事故数据揭示了学校周边高峰时段的安全隐患，促使研究者关注特定时刻表调整对宏观网络效率的影响。
地理空间基础模型（GeoFM）已从单纯的特征提取转向多模态语义理解，但其在复杂空间依赖下的泛化可信度及与自主智能体（Agent）的闭环集成仍缺乏系统性验证。当前研究亟需解决从静态嵌入到动态决策、从随机评估到时空严谨性检验的方法论断层。
基础模型嵌入的社会风险表征偏差
地理空间基础模型生成的物理特征嵌入在解释健康结局残差时，因忽略非物理社会互动机制而在高异质性街区失效
现有工作证实AlphaEarth等基础模型的嵌入能捕捉超越传统社会风险指数的地域物理维度，并显著提升对CDC健康数据的预测力。然而，这些模型主要依赖卫星影像的物理光谱信息，未能显式建模社区内部的社会网络或行为互动，导致在物理环境相似但社会结构迥异的区域出现解释力瓶颈。
公共卫生部门需要更精细的资源分配依据，而传统普查数据更新滞后；现在利用预训练GeoFM提取高分辨率物理代理变量，可弥补微观社会经济指标的数据缺口。
停电预测中的时空数据泄露修正
基于GeoAI基础模型的停电预测在随机划分下表现优异，但在留一州或留一事件测试中因忽视时空自相关性而严重高估泛化能力
Prithvi WxC等气象-地理基础模型被广泛用于基础设施风险评估，但多数研究采用随机训练-测试集划分，掩盖了模型在未见地理位置或极端气候事件中的真实性能。已有证据表明，这种评估方式导致模型学习了局部时空模式而非通用的物理灾害规律，无法适应新型气候场景。
电网运营商面临极端气候频发挑战，急需能泛化至未受灾区域的鲁棒模型；现在拥有长序列公开气象与停电数据，使得严格的时空留出验证成为可能。
滑坡检测中的类别不平衡与上下文融合
在正样本占比极低的滑坡检测任务中，直接微调地理空间基础模型因缺乏灾难特异性上下文而失效，需混合CNN架构注入多尺度地形语义
可扩展且可信的地球观测基础模型 已经提供了地理基础模型或智能体的基本框架，黏土-CNN混合模型：利用地理空间基础模型（Clay）作为辅助上下文提升滑坡检测性能 说明这一方向正在从单任务验证转向更复杂的空间推理与工具调用。
灾后快速响应要求自动化制图具备高召回率，而传统方法在小样本下泛化差；现在可利用LoRA等技术低成本融合基础模型的语义先验与CNN的局部感知能力。
地理智能体的工具调用与假设验证
自然语言驱动的地理智能体在执行复杂空间分析时，因缺乏显式的假设验证与动态重新规划机制，导致在多工具协同中出现逻辑断裂与结果不可追溯
现有GIS-AI平台如geokyding/gis-ai-agent-platform已实现自然语言到GIS操作的映射，但多局限于线性任务执行。开源框架GeoAgents虽引入了规划与重规划能力，但在面对空间数据不确定性时，缺乏内嵌的假设检验模块，导致智能体在遇到数据冲突或工具报错时无法自主修正分析路径。
智慧城市管理需要从查询式交互转向自主决策支持，用户希望智能体能像分析师一样排查错误；现在LLM的逻辑推理能力与GIS工具API的标准化，为构建闭环验证智能体提供了技术底座。
地理基础模型的空间显式性度量缺失
当前地理空间基础模型缺乏统一的空间显式性评估标准，导致无法量化模型嵌入中究竟编码了多少真实的地理空间依赖而非仅仅是像素统计规律
尽管ISPRS综述指出尚无单一模型在所有场景最优，且评估标准不一致阻碍了公平比较，但现有研究仍多沿用计算机视觉的通用指标。学界尚未建立一套专门衡量“空间显式性”（Spatial Explicitness）的指标体系，无法区分模型是利用了空间邻接关系还是仅识别了局部纹理，这使得模型的可解释性与地理学原理脱节。
随着GeoFM在城市计算与环境监测中的深入应用，用户需要知道模型是否真正理解了“位置”与“空间关系”；现在需要建立标准化的基准测试，以指导下一代模型架构设计中空间模块的优化。
现有研究正从静态视觉特征提取转向动态交互与多模态语义理解，但局部感知证据在真实尺度空间中的泛化能力、数据源间的一致性偏差以及环境噪声对评估鲁棒性的影响仍未得到充分解决。
动态元素移除导致的感知偏差量化
基于静态街景图像的感知模型在忽略行人与车辆等动态元素时，会因遗漏光照与深度变化的交互效应而系统性低估场景活力度。
传统街景感知研究多将城市场景视为静态背景，仅依赖建筑立面与绿化等固定要素进行评分。近期工作虽证实动态元素对感知有显著影响，但缺乏分离静态背景与动态干扰的标准化量化框架，导致基于静态数据的规划决策存在潜在偏差。
生成式修复技术与多模态大语言模型（MLLM）的发展使得构建受控配对图像成为可能，城市规划者需要更准确的活力度指标以优化公共空间设计。
街景视觉预测与公众参与数据的一致性
基于街景影像训练的视觉吸引力预测模型在严格阈值下与公众参与地理信息系统（PPGIS）数据的一致性显著下降，表明视觉特征无法完全代理居民的实际空间体验。
街景影像（SVI）常被用作大规模感知评估的代理数据，但其与居民主观报告（如PPGIS）之间的映射关系尚不明确。已有研究显示两者在适度标准下存在部分一致性，但在识别非吸引性地点时偏差较大，且未充分解释噪声、交通等非视觉因素的调节作用。
数字工具在空间规划中的应用日益普及，规划部门需要明确SVI数据的适用边界，以避免仅依赖视觉美观度而忽视居民实际痛点。
局部视觉感知在长距离导航中的失效
多模态大语言模型智能体在复杂真实尺度城市中，因缺乏全局拓扑约束而无法将局部视觉感知有效转化为长距离导航行为，导致路径规划在环境干扰下鲁棒性不足。
当前MLLM在解析单张街景图像方面表现优异，但其在连续空间中的行为能力未经过实证检验。现有研究多局限于封闭或简化环境，缺乏在全境三维地理空间数据支持下对智能体主动观察与定位能力的系统性评估。
自主移动机器人与增强现实导航应用需求增长，开发者需要验证AI智能体在真实物理约束下的行为边界，以弥补仿真环境与现实世界的差距。
多视角集成提升城市衰败评估精度
单一街道视角的视觉-语言模型在评估住宅衰败时因遮挡与信息不全导致判定偏差，需通过多视角集成学习才能逼近专业人工标注的准确性。
传统城市衰败调查成本高且周期长，难以维持大规模更新。虽然LVLMs提供了自动化评估的可能，但现有方法多依赖单张图像，忽略了房屋属性的三维立体特征，导致对屋顶完整性或墙体损坏的误判率较高。
开源大型视觉-语言模型的推理能力提升，结合低成本街景数据，为公共卫生与城市规划部门提供了可扩展的衰败监测工具，填补了高频次评估的数据空白。
天气条件对街景感知评估的测量偏差
在不同天气条件下采集的街景图像因光照与能见度差异，会导致同一地点的感知评分出现系统性测量偏差，从而削弱跨时间或跨区域比较的有效性。
街景图像通常在不同季节与天气下采集，现有感知评估模型大多假设图像质量均一，忽视了气象因素对视觉特征的干扰。虽然已有研究关注动态元素，但天气作为基础环境变量，其对感知维度的独立影响及交互效应尚未被充分量化。
城市管理者需要长期追踪街区感知变化，若无法校正天气带来的噪声，将难以区分真实的社区改善与数据采集条件的波动。