融合图神经网络与可解释AI的城市活力空间学习模型研究

本文提出融合图神经网络（GNN）与可解释人工智能（XAI）的混合空间学习方法，通过GraphSAGE模型捕捉空间自相关性，结合GNNExplainer解析形态特征对城市活力的驱动机制。该框架在杭州多中心结构中的应用表明，景观密度、混合用地与交通可达性是活力核心驱动力，为精准城市规划提供新范式。

　　

概念演变与测量范式

城市活力概念经历了从人本叙事到多维量化框架的范式转变。雅各布斯（1961）将活力描述为"城市生活的芭蕾"，强调人际互动与物理环境的共生关系。后续学者通过不同理论视角拓展该概念：

• 生态视角：林奇（1981）将活力定义为以...

研究区域

城市街区作为研究城市活力的基本分析单元，具有显著的理论与实践意义。作为城市功能系统的核心空间组成部分，街区是日常活动、职业参与和社会交往的关键场所，从而呈现城市动态的微观表达。街区的构型属性（包括街道网络拓扑结构和建成环境密度）主导空间...

方法论

如图3所示，本研究以城市街区为分析单元，基于建成环境构建城市形态特征、视觉环境相关变量及街区活力综合指标。采用GraphSAGE回归模型从街区拓扑结构中提取高维特征，表征街区形态特征对活力的整体影响模式。

城市活力回归结果

本研究采用决定系数（R2）衡量回归模型拟合优度，使用平均绝对误差（MAE）、中位数绝对误差（MdAE）和90分位绝对误差（90-pAE）衡量预测误差相对大小。构建杭州城市街区图结构后，通过输入特征因子和街区综合活力数据训练GraphSAGE回归模型进行预测。

讨论

通过GraphSAGE和GNNExplainer，我们从宏观和微观尺度解析杭州街区活力的驱动机制，并剖析街区间相互作用以揭示空间结构与功能布局如何塑造活力。研究发现：宏观尺度上，活力由建成环境与功能属性共同驱动，关键因素包括景点密度、土地混合利用、交通可达性等；微观尺度显示高活力街区聚集生活/娱乐服务、绿色街道等要素，街区间互动通过功能互补性促进活力扩散。

结论

我们通过整合图神经网络（GNN）与可解释人工智能（XAI），提出理解杭州街区活力的新方法。该混合空间学习框架通过显式建模空间自相关和解析特征影响，克服传统方法缺陷。研究表明景点密度、混合土地利用、交通可达性和公共设施是街区活力的核心驱动力，高活力街区呈现生活/医疗/办公功能集聚与绿色空间协同特征，为快速城市化城市的精准规划提供科学依据。