通过改进的机器学习方法，揭示季节性气候和建成环境对高密度城市中步行运动影响的非线性作用

《International Journal of Health Geographics》：Unraveling nonlinear impacts of seasonal climate and built environments on exercise walking in high-density cities via a modified machine learning approach

高密度城市中步行活动受建筑环境和季节气候非线性影响研究。基于北京、武汉、广州三城夏冬两季的众包步行动态数据，构建包含建成环境、气候及社会经济因素的综合变量体系，采用地理加权极端梯度提升模型结合贝叶斯优化与交叉验证提升预测精度，通过Shapley值解释、部分依赖图及聚类分析揭示Walk Score稳定性最高且影响最显著，气候变量中空气质量与温度（尤其在冬季）影响突出，变量呈现持续增长、阈值敏感和波动三种非线性响应模式，识别出环境驱动型区域、功能驱动型商业中心和结构失衡区三类空间特征。

　　

摘要

背景

缺乏体育活动是全球主要的健康风险之一，而步行是最容易获得的锻炼方式之一，它有助于改善公共卫生并支持可持续的城市交通。然而，建成环境与季节性气候对高密度城市中步行活动的综合和非线性影响尚未得到充分研究。本研究旨在揭示这些关系，并为以健康为导向和适应气候的城市规划提供见解。

方法

分析了来自三个具有代表性的中国高密度城市（北京、武汉和广州）的众包步行轨迹数据，涵盖了夏季和冬季两个季节。建立了一个全面的变量系统，其中包括建成环境、季节性气候和社会经济因素。通过贝叶斯优化和交叉验证开发了一种地理加权极端梯度提升模型以提高模型的稳健性。利用Shapley加性解释、部分依赖图和聚类分析等方法提高了模型的可解释性，以识别步行活动的全球性和局部性驱动因素。

结果

地理加权极端梯度提升模型在预测准确性方面优于传统的回归模型和其他机器学习模型。步行轨迹显示出明显的空间聚集特征，市中心区域成为步行热点，且北京的季节性差异最为显著。步行评分（Walk Score）是跨城市和季节最稳定且最具影响力的因素。在气候变量中，空气质量与温度的影响最为显著，尤其是在冬季。这些变量表现出三种类型的非线性响应：持续增长型（如步行评分和人行道长度）、阈值敏感型（如交叉口密度和人口密度），以及波动型（如空气质量和房价）。局部聚类分析揭示了三种特定于环境的模式：以公园和校园为代表的环境驱动区、以功能为导向的商业中心，以及结构不平衡或过渡性区域。

结论

高密度城市中的步行活动受到季节性气候变化和建成环境空间异质性的共同影响。改善行人基础设施、管理密度阈值以及实施气候敏感设计可以减轻恶劣天气的影响，促进全年步行活动的开展。制定针对性的策略至关重要，包括增强生态区的微气候适应性、优化商业区的密度和功能组合，以及重构破碎的大型街区，从而创建出对行人友好、以健康为导向且适应气候变化的城市。