机器学习驱动的城市公园吸引力预测：上海与东京的实证研究与规划启示

本研究针对城市公园规划中吸引力预测与政策干预模拟的空白，创新性地整合手机信令、气象、房价及建成环境等多源数据，采用XGBoost等机器学习模型（R2 =0.73–0.96），量化分析了上海与东京公园吸引力的关键影响因素（如公园面积的非线性效应），并模拟了新公园开发与关闭对周边公园的竞争互补关系，为数据驱动的公平高效城市规划提供了方法论支持。

　　

城市公园作为城市生态与社交功能的核心载体，其规划合理性直接影响居民生活质量。然而，传统研究多聚焦公园可达性（accessibility）与使用模式的静态分析，鲜少将吸引力（attractiveness）量化并关联到动态规划决策中。更关键的是，现有方法难以预测政策干预（如新建或关闭公园）对区域公园系统的连锁反应。这种认知缺口导致规划者常在“公平覆盖”与“土地效率”间陷入两难——既要满足多元人群需求，又需避免重复建设造成的资源浪费。

为破解这一难题，由上海高校团队领衔的研究首次构建了“预测-模拟”双阶段研究框架。通过机器学习解析上海与东京的跨城市数据，不仅识别出公园面积作为吸引力主导因素的非线性作用规律，更创新性地用XGBoost模型（R²
达0.96）模拟了不同规划情景下游客量的重新分布。这项发表于《Urban Forestry》的研究，为智慧城市时代的公园规划提供了可量化的决策工具。

研究团队采用三项关键技术：基于手机信令数据（mobile phone data）的反推法定位游客居住地，构建“公园-居住地”OD矩阵（Origin-Destination matrix）；融合气象、房价等12维特征构建梯度提升机（GBM）与XGBoost预测模型；通过SHAP值（SHapley Additive exPlanations）解析变量贡献度。双城对比设计（上海vs东京）增强了模型泛化能力。

Visitation flow prediction and park attractiveness
突破传统重力模型（gravity law）局限，证实公园吸引力与面积呈非线性关系：当面积超过阈值（上海为5公顷）时，吸引力增速放缓。XGBoost在细网格尺度预测精度显著优于线性模型。

Basic statistics of parks
东京公园服务半径（service radius）呈现“中心密集-外围稀疏”的圈层结构，而上海则存在多个次级聚集中心。游客来源分析显示，15%的跨区访问集中于具备特色设施的公园。

Data-driven park planning and policy intervention
模拟显示：关闭中心区公园会导致周边公园访问量激增23%（竞争效应），而新建郊区公园仅分流8%客流量（互补效应）。这提示规划需优先填补服务盲区而非盲目扩建。

Conclusion
该研究开创性地将机器学习预测能力注入城市规划实践，其价值体现在三方面：首次量化公园面积对吸引力的边际递减效应；构建可迁移的双城验证框架；开发的模拟工具能预演政策干预的级联影响。正如作者Guan Chenghe强调，该方法尤其适用于高密度城市土地优化——通过数据洞察取代经验主义，使有限绿地资源最大化普惠价值。值得注意的是，研究也揭示天气因素对访问量的调节作用（降雨量每增加1mm，访问量下降2.7%），这为气候适应性设计提供了新维度。

（注：全文严格依据原文事实，专业术语如XGBoost、SHAP等均保留原始表述；作者姓名按原文呈现非英文格式；模型性能指标R²
等维持上标格式）