《Sustainable Cities and Society》：Learning dependency structures of urban vitality at the census-block level using Bayesian networks and multi-source data
编辑推荐：
城市活力，作为优质城市的基本品质，指某一地点在视觉和功能上吸引不同社会群体的程度。它概括了城市空间的内在和动态特性，反映了人类活动与建成环境之间的相互作用，尤其是在街道街区层面。城市活力概念最初由Jane Jacobs提出，她在其著作《美国大城市的死与生》中断
城市活力，作为优质城市的基本品质，指某一地点在视觉和功能上吸引不同社会群体的程度。它概括了城市空间的内在和动态特性，反映了人类活动与建成环境之间的相互作用，尤其是在街道街区层面。城市活力概念最初由Jane Jacobs提出，她在其著作《美国大城市的死与生》中断言：“城市的活力不是自上而下强加的，而是从人们、商业和空间的多样、重叠互动中有机涌现的。”20世纪期间，Kevin Lynch、William H. Whyte和Jan Gehl等城市理论家从不同视角进一步发展了这一概念。如今，大量研究和实践证实，城市活力是城市宜居性、包容性和韧性的核心。然而，城市活力本质上是一个抽象且多面的概念，难以直接测量。为此，学者们开发了可观测的代理指标。传统上，活力评估采用实地调查、行为观察和访谈等定性方法，这些方法提供了丰富的背景洞见，但受限于主观性、规模与成本。此外，实时街道活动已成为一种可信的代理指标，反映城市空间中可见的人类存在与参与。同时，城市设施（如餐厅、零售、教育、医疗、公园和交通）的空间格局作为功能多样性和潜在活动的指标。近年来，随着智慧城市感知和数字孪生技术的发展，街景影像、移动感知和大规模地理空间数据等多模态数据源日益与深度学习和计算城市分析相结合，以实现更精细的城市感知与监测。基于这些进展，本研究提出一个综合城市活力指数（UVI），整合街景影像中的动态物体计数与静态兴趣点（POI）密度。这种双代理方法在城市街区层面提供了城市活力的多维表征，将人类活动与空间功能联系起来，以支持数据驱动的城市分析与规划。虽然测量城市活力提供了城市动态的快照，但理解其潜在驱动因素同样重要。许多跨学科研究表明，城市活力并非自发现象，而是城市系统社会、经济、空间和感知维度之间复杂相互作用的结果。在方法论方面，研究人员采用了多种统计和机器学习技术来分析城市活力与其影响因素之间的关系，包括回归模型、空间计量经济学、集成学习和神经网络。然而，大多数现有方法主要关注相关性和预测，而非揭示潜在的依赖结构。为超越基于相关性的洞见并更好地捕捉城市活力背后的复杂相互作用，本研究采用AI驱动框架，将基于深度学习的提取与贝叶斯网络（BNs）相结合，用于学习可解释的依赖结构和概率路径。具体而言，通过结构学习和参数学习，BNs在无环有向图（DAG）内建模条件依赖，并识别连接社会经济、形态和建成环境因素与街区级城市活力强度的概率路径。因此，本研究旨在：(1) 利用计算机视觉和空间分析技术，整合动态街道活动与静态功能数据，开发高分辨率城市活力指数（UVI）；(2) 通过基于BN的依赖结构学习，识别并建模城市活力的多维驱动因素；(3) 提供可操作、可解释的洞见，以支持人口普查街区尺度上基于证据的城市规划决策。
一、研究背景与问题
城市活力是衡量城市品质的核心概念，指地点在视觉和功能上吸引不同社会群体的程度，反映了人类活动与建成环境之间的相互作用。该概念由Jane Jacobs首次系统阐述，后经Kevin Lynch、William H. Whyte和Jan Gehl等学者从城市形态可读性、行人密度与社会互动、人性化设计等角度进一步深化。大量研究证实，城市活力与城市的宜居性、包容性和韧性密切相关，高活力城市区域往往提供更丰富的就业机会、多样化的设施和更高的生活质量，且更能抵御外部冲击并支持恢复。
然而，城市活力本质上抽象且多维，难以直接测量。传统评估方法依赖实地调查、行为观察和访谈等定性手段，受限于主观性、规模与成本。随着多源城市数据的兴起，定量代理方法逐渐成为主流，主要包括三类：综合评价法通过多准则决策构建复合指数；静态代理法使用兴趣点（POI）、人口密度、夜间灯光等稳定指标；动态代理法利用手机定位、社交媒体、交通流和街景影像等高频数据捕捉活力时空动态。尽管这些方法显著推进了城市活力研究，但大多数现有分析模型——从普通最小二乘回归、空间回归到随机森林、XGBoost等机器学习方法——主要聚焦于相关性和预测，难以揭示影响因素之间的方向性依赖和条件交互关系，尤其在高度相互依存的城市场景中。现有研究缺乏对大规模异质城市活力数据中依赖结构的系统识别，限制了理解各因素如何以及为何驱动活力变化的能力。因此，亟需更稳健的结构学习和概率建模框架。
二、研究内容与意义
针对上述缺口，本研究以美国纽约市曼哈顿区为研究区域，该区面积约59.1平方公里，拥有3930个人口普查街区，2020年人口169万，是全球金融、文化和商业中心，具有高度时空异质性的人类活动模式和复杂的城市肌理。研究提出一个AI驱动框架，将基于深度学习的多源数据提取与贝叶斯网络（BNs）相结合，用于学习可解释的依赖结构和概率路径。具体目标包括：开发整合动态街道活动与静态功能数据的高分辨率城市活力指数（UVI）；通过BN结构学习识别城市活力的多维驱动因素；提供可操作、可解释的规划决策洞见。该研究发表在《Sustainable Cities and Society》期刊，其意义在于超越传统相关性分析，通过概率图模型揭示城市活力驱动因素间的条件依赖与因果路径，为数据驱动的城市分析和规划决策提供新范式。
三、关键技术方法
研究人员构建了系统的技术框架，主要包括以下核心方法：其一，利用YOLOv8s目标检测模型（基于COCO数据集训练）对曼哈顿21323个采样点（沿街道中心线100米间隔）获取的85292张谷歌街景影像（四个方向、90°视场角）进行物体检测，提取行人、自行车、摩托车、汽车、公交车和卡车六类共660002个物体；其二，采用层次分析法（AHP）由五位领域专家对六类街道物体和13类POI进行成对比较和权重赋值，构建加权动态代理和加权POI密度；其三，通过50米缓冲区空间分配方法将街道级物体计数归属到人口普查街区；其四，基于2020年十年人口普查、美国社区调查、NYC OpenData、MapPLUTO、谷歌街景等多源数据提取16个影响因素，涵盖邻里属性、城市形态、建筑形态和视觉感知四个维度；其五，采用贝叶斯网络结构学习和参数学习构建依赖结构模型，并进行预测精度和可解释性验证。
四、研究结果
4.1 数据开发与目标测量
研究构建了复合城市活力指数（UVI）作为目标变量，整合动态代理和静态代理。动态代理基于街景物体检测，经AHP加权计算；静态代理基于加权POI密度。通过空间分配实现街区级聚合，形成统一数据集用于贝叶斯网络建模。
4.2 影响因素提取
研究识别并选取16个代表性因素，分为四个维度：邻里属性包括人口密度（PD）、民族多样性（ED）、空置住房百分比（VHP）、社区中位年龄（CMA）和贫困线以下百分比（PPL）；城市形态包括道路网络密度（RND）、开放空间比（OSR）、公交服务面积比（BAR）和地铁服务面积比（SAR）；建筑形态包括容积率（FAR）、建筑覆盖率（BCR）、平均建筑高度（ABH）和立面占用率（FOR）；视觉感知包括绿视率（GVF）、天空视率（SVF）和建筑视率（BVF）。
4.3 贝叶斯网络建模
研究通过结构学习识别网络图形架构，通过参数学习估计依赖强度，并评估模型的预测精度和可解释性，确保其作为理解曼哈顿街道街区城市活力空间驱动因素的可靠工具。
4.4 依赖结构分析
贝叶斯网络揭示了城市活力影响因素的直接和间接依赖关系及概率路径，识别出关键驱动因素及其条件交互机制，为解释城市活力如何形成提供了结构化洞见。
五、讨论与结论
研究讨论部分指出，贝叶斯网络方法相较于传统回归和机器学习方法的优势在于能够揭示方向性依赖和条件交互，而非仅停留在相关性层面。研究发现支持数据驱动的城市分析和规划决策，为街区尺度的城市更新、土地利用政策和公共空间设计提供了可操作的依据。
研究结论部分总结：本研究提出了一个新颖的AI驱动框架，通过整合计算机视觉提取和贝叶斯网络建模，实现了城市活力的高分辨率测量、依赖结构学习和可解释预测。该框架在曼哈顿3930个人口普查街区得到验证，证明了其在揭示城市活力多维驱动机制方面的有效性，为基于证据的城市规划提供了新的分析工具。研究也承认数据时间不一致等局限性，并指出未来可纳入完全同步的数据集。
