基于机器学习的历史街区街道活力与建成环境非线性关系研究——以武汉利黄路为例

《Scientific Reports》：Explainable machine learning for identifying nonlinear associations between street vitality and the built environment in a Historic District

　　

摘要

历史街区呈现出细粒度的空间差异，且街道活力与建成环境之间可能存在非线性关系。本研究以武汉利黄路历史街区213个微观采样点为基础，整合了遗产位置、功能设施、交通可达性、街道网络、临街界面特征以及街道景观视觉特征等多个维度。通过对比OLS、GAM和XGBoost模型，并利用SHAP、LOWESS及空间验证方法评估非线性关联、模型解释性与可靠性。在嵌套随机验证条件下，XGBoost在总体活力、工作日活力和周末活力方面的R2分别为0.474、0.490和0.460，优于GAM和OLS。然而，采用空间GroupKFold后，上述值分别降至0.012、0.084和0.052，且随着训练集与测试集空间分离程度加大，性能进一步恶化。在最初的十预测变量模型中，"距遗产核心距离"排名首位（29.7%–30.0%）；加入X、Y坐标及到研究区边界距离后，其重要性降至10.6%–11.3%，排名下降至第三或第四位，表明其表面贡献中有一部分实则反映了普遍的地理位置信息。结果表明，可解释机器学习能够揭示区域内部的非线性关联，但随机验证下的性能不应被解读为空间可迁移性。该框架可支持历史街区的微观尺度诊断以及谨慎的、与遗产兼容的更新工作。