Cities around the world are investing in their cycle network as a way to reduce traffic congestions and improve population health. For effective infrastructure investment decision-making, it is critical to understand the factors affecting cycling demand. This study investigates the combined effects of spatial and temporal factors on the demand of cycling in Auckland, New Zealand and Kelowna, Canada. A latent segmentation-based negative binomial (LSNB) model is developed utilizing daily cycling counts over a year from Auckland and Kelowna. The LSNB model captures unobserved heterogeneity based on the temporal attributes, and land use and neighborhood characteristics of the cycling facilities. The models confirm the influence of weather, bicycle facility type, built environment, traffic, land use, and accessibility attributes. The model results suggest that higher temperature, lower rainfall, increased length of shared paths, lower AADT, and closer distance to bus stop are likely to increase cycling demand in Auckland. The model also confirms heterogeneity. For example, road-connectivity index and bike index vary across the urban and suburban areas of Auckland. For Kelowna, higher temperature, lower rainfall, lower snowfall, and closer distance to water bodies are likely to increase cycling demand. In the case of heterogeneity, the effects of road-connectivity index, bike index, and AADT varies over the urban and suburban areas of Kelowna. Analysis suggests that increasing bike index is one of the critical factors to increase cycling demand in the suburban areas of Auckland and Kelowna.

世界各地的城市都在投资建设自行车网络，以减少交通拥堵和改善人口健康。对于有效的基础设施投资决策，了解影响自行车需求的因素至关重要。本研究调查了时空因素对新西兰奥克兰和加拿大基洛纳骑自行车需求的综合影响。基于潜在分割的负二项式 (LSNB) 模型是利用奥克兰和基洛纳一年多的每日自行车计数开发的。LSNB 模型根据自行车设施的时间属性、土地利用和邻里特征捕捉未观察到的异质性。这些模型确认了天气、自行车设施类型、建筑环境、交通、土地利用和可达性属性的影响。模型结果表明，较高的温度、较低的降雨量、增加共享路径的长度、较低的 AADT 以及距离公交车站的距离更近可能会增加奥克兰的自行车需求。该模型还证实了异质性。例如，奥克兰市区和郊区的道路连通性指数和自行车指数各不相同。对于基洛纳来说，较高的温度、较低的降雨量、较低的降雪量以及更靠近水体的距离可能会增加骑行需求。在异质性的情况下，道路连通性指数、自行车指数和 AADT 的影响在基洛纳的市区和郊区有所不同。分析表明，增加自行车指数是增加奥克兰和基洛纳郊区自行车需求的关键因素之一。较低的 AADT 和更靠近公交车站的距离可能会增加奥克兰的自行车需求。该模型还证实了异质性。例如，奥克兰市区和郊区的道路连通性指数和自行车指数各不相同。对于基洛纳来说，较高的温度、较低的降雨量、较低的降雪量以及更靠近水体的距离可能会增加骑行需求。在异质性的情况下，道路连通性指数、自行车指数和 AADT 的影响在基洛纳的市区和郊区有所不同。分析表明，增加自行车指数是增加奥克兰和基洛纳郊区自行车需求的关键因素之一。较低的 AADT 和更靠近公交车站的距离可能会增加奥克兰的自行车需求。该模型还证实了异质性。例如，奥克兰市区和郊区的道路连通性指数和自行车指数各不相同。对于基洛纳来说，较高的温度、较低的降雨量、较低的降雪量以及更靠近水体的距离可能会增加骑行需求。在异质性的情况下，道路连通性指数、自行车指数和 AADT 的影响在基洛纳的市区和郊区有所不同。分析表明，增加自行车指数是增加奥克兰和基洛纳郊区自行车需求的关键因素之一。奥克兰市区和郊区的道路连通性指数和自行车指数各不相同。对于基洛纳来说，较高的温度、较低的降雨量、较低的降雪量以及更靠近水体的距离可能会增加骑行需求。在异质性的情况下，道路连通性指数、自行车指数和 AADT 的影响在基洛纳的市区和郊区有所不同。分析表明，增加自行车指数是增加奥克兰和基洛纳郊区自行车需求的关键因素之一。奥克兰市区和郊区的道路连通性指数和自行车指数各不相同。对于基洛纳来说，较高的温度、较低的降雨量、较低的降雪量以及更靠近水体的距离可能会增加骑行需求。在异质性的情况下，道路连通性指数、自行车指数和 AADT 的影响在基洛纳的市区和郊区有所不同。分析表明，增加自行车指数是增加奥克兰和基洛纳郊区自行车需求的关键因素之一。