《ISPRS International Journal of Geo-Information》：Building-Level Population Estimation Method Using a Bayesian-Informed Hierarchical Learning Model
编辑推荐：
虽然精细尺度的城市人口分布空间知识是有效城市管理的基础，但传统普查数据缺乏足够的分辨率。当前分解方法通常难以概率性地融合异质数据，如嘈杂的移动信令和建筑属性，同时确保微观预测与宏观真实之间的层次一致性。为了解决这些问题，本研究提出了贝叶斯信息层次学习（Baye
虽然精细尺度的城市人口分布空间知识是有效城市管理的基础，但传统普查数据缺乏足够的分辨率。当前分解方法通常难以概率性地融合异质数据，如嘈杂的移动信令和建筑属性，同时确保微观预测与宏观真实之间的层次一致性。为了解决这些问题，本研究提出了贝叶斯信息层次学习（Bayesian-informed hierarchical learning, BIHL）模型框架用于建筑级人口估计。方法整合了三个不同层次：(1) 数据驱动的先验模型，使用LightGBM集成（ensemble）生成初始概率估计和不确定性权重；(2) 增强的神经网络后验估计器，具有多分支架构——包括区域偏差嵌入（Zone Bias Embedding）和区域交互网络（Zone Interaction Network）——以捕捉非线性城市动态和空间异质性；(3) 约束优化层，利用层次损失函数，通过动态课程学习（dynamic curriculum learning）强制建筑估计总和与官方普查数据严格一致。通过在北京海淀区的实证验证，BIHL框架显著优于基线模型（多元线性回归MLR、随机森林Random Forest、LightGBM），实现了11.36%的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）。本研究证实，纳入建筑级空间位置和住宅类别对于缓解高密度区域的“空间平滑”和系统性低估至关重要。该框架为生成住宅人口层提供了稳健、高保真的解决方案，对城市规划至关重要。
准确精细的城市人口分布空间知识是有效城市管理与交通规划的基础。传统普查数据汇总至粗尺度行政单元，无法捕捉区内人口异质性，导致交通需求预测与应急响应策略失准。当前主流的人口分解方法（dasymetric mapping）虽借助建筑、兴趣点（POI）等辅助数据提升分辨率，但存在两大核心问题：一是难以概率性地融合多源异质数据（如噪声移动信令与静态建筑属性），无法量化并传递各数据源的不确定性；二是缺乏层次一致性约束，微观预测总和与宏观普查数据之间缺乏反馈机制，导致模型优化不充分。为填补这一空白，研究人员提出了贝叶斯信息层次学习（BIHL）模型框架，用于建筑级人口估计。该研究以北京市海淀区为案例，实证验证了BIHL框架的有效性，证明其显著优于多元线性回归（MLR）、随机森林（Random Forest）和LightGBM等基线模型，平均绝对百分比误差（MAPE）达11.36%。研究还证实，融入建筑级空间位置与住宅类别信息可缓解“空间平滑”与高密度区域的系统性低估。该框架为生成高保真住宅人口层提供了稳健方案，对城市规划与下一代交通需求模型（Travel Demand Model, TDM）具有重要理论与实践意义。论文发表在《ISPRS International Journal of Geo-Information》。
研究人员开展研究运用的主要关键技术方法包括：（1）数据驱动的先验模型层：采用LightGBM集成（ensemble）对对数变换后的伪住宅人口进行回归，利用5个不同随机种子的模型生成预测均值与方差，构建对数正态先验分布；（2）增强的神经网络后验估计器层：设计多分支融合架构，包含MLP基网络（三层隐藏层，256→128→64）、区域偏差嵌入（Zone Bias Embedding，学习各普查区特异性标量偏置）和区域交互网络（Zone Interaction Network，建模建筑特征与空间上下文的交互），三者加法融合输出对数空间预测；（3）约束优化层：引入层次损失函数，微观损失采用基于置信权重的SmoothL1 loss，宏观损失采用均方相对误差（MSRE）强制建筑级预测总和逼近街道级普查数据，并采用线性预热与余弦退火的动态课程学习策略（λ(t)）平衡两目标。数据来源包括建筑足迹（BF）、兴趣面（AOI）、兴趣点（POI）、公交线路与站点、基于移动信令的250m网格人口及街道级普查数据，研究区为北京海淀区（含2763栋建筑），部分验证数据来自独立手工调查。
研究结果部分：
4.1 研究区概况：研究人员选择北京海淀区北下关街道作为案例，该区域包含老旧住宅、现代高层公寓、学生宿舍及商住混合建筑，共2763栋建筑，普查人口146,366人，平均密度约24,340人/km2。通过建筑足迹、楼层数等特征统计，展示了数据分布（见表5），为模型构建提供基础。
4.2 消融实验：通过移除不同变量和损失策略进行对比，发现：（1）去除建筑级空间位置后，MAPE升至23.40%，且MAPE与对称平均绝对百分比误差（SMAPE）差距显著增大，表明空间信息是决定预测精度与稳定性的关键，这与北京环状发展格局一致——中心城区紧凑高密、外围单元更大；（2）去除住宅类别信息后，MAPE升至16.42%，同样扩大误差差距，因不同住宅类型（标准公寓、别墅、宿舍）的人均居住面积差异直接影响人口分配；（3）将动态权重λ(t)替换为恒定最大值，初始梯度冲击导致损失剧烈波动（超0.3）且最终损失更高，而动态课程学习（线性预热+余弦退火）实现快速稳定收敛，证明该策略的必要性。
4.3 模型验证：与MLR、RF、LightGBM基线模型对比，BIHL在街道级人口聚合评价中MAPE和SMAPE分别仅为11.36%和11.26%，且两者差距最小，误差分布最稳定。在建筑级独立手工验证中（20栋/街道分层抽样），BIHL的R2最高（0.821），平均偏置误差（MBE）最接近零（3.2），95%置信区间（CI）最窄（±18.5），而树模型普遍存在系统性低估（MBE<0）。散点图进一步显示，BIHL有效消除了高密度建筑（400-500人）的负偏置，优于其他方法。
4.4 结果可视化：二维与三维空间分布图（图8、图9）直观展示BIHL成功捕捉复杂城市环境的空间异质性。红色高值区准确识别高层公寓和宿舍（如交通大学社区），而低层住宅区（如中国气象局社区）呈橙色。即使在相同普查区内，相邻建筑因用途差异（纯住宅 vs 商住混合）被显著区分，体现了模型融合建筑几何与POI分类的能力。
总结讨论部分，研究人员指出：本研究设计的BIHL框架弥合了数据驱动深度学习与形式概率约束之间的鸿沟，将住宅人口视为由移动信令先验和硬性宏观普查数据约束的潜变量。实证表明，该框架显著优于传统模型（MLR、RF），MAPE达11.36%，且MAPE与SMAPE差异极小，表明其对复杂误差分布的处理更稳健。消融研究确认了微观空间特征的关键作用：建筑级空间坐标与住宅类别先验的整合是缓解“空间平滑”效应、增强模型泛化能力不可或缺的因素。与标准机器学习方法在高密度住宅区常出现的系统性低估不同，BIHL通过动态课程学习与层次一致性约束有效消除了系统偏置，平衡了微观特征提取与宏观普查正则化。该工作为生成高保真住宅人口层提供了稳健方法论，并为下一代交通需求模型（TDM）奠定基础。同时，研究指出局限性：模型对多源输入质量敏感，移动信令的噪声与稀疏性可能限制微观预测稳定性；依赖特定区域嵌入导致跨区域迁移需重新校准；当前为确定性点估计，缺乏全后验概率采样以量化绝对不确定性。未来方向包括：集成多时序移动信令实现动态时空预报；利用图神经网络（Graph Neural Network, GNN）建立通用空间特征与人口偏置映射；开发全概率贝叶斯推断系统（如贝叶斯神经网络或马尔可夫链蒙特卡洛采样）以提供后验不确定性界限。
