Evac?cast：面向飓风与野火疏散预测的可解释机器学习框架

《Safety Science》：Evac?cast: an interpretable machine?learning framework for evacuation prediction across hurricanes and wildfires

　　

摘要疏散是自然灾害中最具决定性的保护措施之一，然而机构仍然缺乏快速、准确且透明的工具来预测将进行疏散的居民数量。本研究引入了 Evac?Cast，这是一个可解释的机器学习框架，通过融合四个常规可用的数据维度，即灾害强度、社区脆弱性、疏散准备情况和建成环境，来预测普查区级别的疏散率并揭示其潜在驱动因素。梯度提升模型基于匿名化移动轨迹、人口普查数据和来自两场美国飓风（2022 年飓风伊恩和 2024 年飓风米尔顿）以及两场野火（2019 年金凯德大火和 2025 年帕利塞德 - 伊顿大火）的灾害信息进行训练，并在回顾性留出集评估中表现良好。至关重要的是，模型在无需显性心理社会变量的情况下实现了这一性能，表明收入、所有权状况和灾害邻近性等宏观层面代理变量隐式编码了传统上通过耗时调查捕获的大部分行为信号。模型解释进一步揭示了一个在所研究的飓风和野火事件中稳定的层级关系，其中灾害强度是疏散率的主要驱动因素，其次是社区脆弱性、建成环境和疏散准备因素。这些发现通过以下方式推进了灾害管理和疏散科学：（i）展示了一种无需调查的高分辨率预测模型，（ii）提供了透明的特征归因，将准确性转化为可操作的手段，以及（iii）提供了在所研究的飓风和野火事件中存在一致驱动因素层级的实证证据。

1. 引言
自然灾害的频率和严重程度正在加剧，导致生命损失和财产损失不断上升。近年来，在美国，造成数十亿美元损失和人员伤亡的自然灾害发生频率不断增加，对应急管理提出了更高的要求（国家环境信息中心，2025 年）。疏散是将早期预警转化为挽救生命的主要保护措施。在面对即将到来的灾害时，及时将个人从高风险区域转移，增加了交通基础设施对即将开展的救援行动的可用性，减少了紧急协调所需通信渠道的拥堵，并允许第一响应者集中精力协助无法独立疏散的个人。疏散率的准确和细粒度估计可以支持准备规划、应急响应和灾后搜索与救援（SAR）工作。凭借可靠的疏散估计，机构可以更好地预测资源需求，如交通、燃料和避难所容量，并告知交通管理策略。至关重要的是，疏散预测还可以为预计表现出低离境率的社区分配 SAR 资产提供信息，从而将预测转化为针对性的救命干预。除了估计疏散率外，识别驱动疏散决策的潜在因素对于制定更有效的公共信息传播和解决系统性障碍至关重要。因此，疏散决策研究成为增强灾害响应和挽救生命的战略必需。

尽管经过数十年的研究已经奠定了基础理解，但准确的疏散预测仍须克服几个关键挑战。首先，对疏散行为的传统理解主要基于心理和社会属性，强调风险感知、社会联系和既往经验等因素（Buylova 等人，2020 年，Lovreglio 等人，2016 年，Metaxa-Kakavouli 等人，2018 年，Riad 等人，1999 年，Thompson 等人，2017 年）。虽然这些研究为将这些因素转化为疏散决策的机制提供了细致的解释，但狭隘的关注点可能导致对驱动因素全谱系的理解不完整。此外，这些属性难以在时间和大规模上收集，这使得它们在快速疏散预测和决策支持应用中适用性较低，特别是在需要在灾害逼近之前或期间获取信息时。社会人口学和与灾害相关的条件等其他维度也被纳入考虑，然而来自这些维度的因素仍未得到充分探索或是被单独考察，缺乏一个综合框架来评估其集体预测能力（Tanim 等人，2022 年，Thompson 等人，2017 年）。其次，预测和理解灾害疏散行为的传统方法经常依赖于假设线性关系的统计模型（例如，Huang 等人，2017 年，Huang 等人，2012 年，Thakur 等人，2022a 年），而最近的研究表明，疏散决策受到多方面特征之间存在的复杂非线性交互作用的影响（Sun 等人，2024b 年，Zhao 等人，2020 年）。第三，当前疏散分析的范围通常集中在单一灾害类型上，这限制了研究发现的泛化能力，并阻止了识别可能超越特定灾害情景的一致模式。

为了弥补这些已确定的差距，本研究引入了一种新颖的框架，以推进跨多种灾害类型的疏散模式预测和理解。我们通过采用可解释的机器学习方法，捕捉可能影响疏散决策的多样因素中嵌入的复杂性，从而超越了先前研究的局限性。我们的综合框架 Evac-Cast 整合了来自四个关键维度的易于获取的数据：灾害强度、社区脆弱性、疏散准备情况和建成环境。将这一框架应用于四起主要灾害事件（两场野火和两场飓风），使用耦合可解释性技术的梯度提升模型，本研究旨在（1）开发一种不依赖传统且难以获取的行为属性的高准确性灾害疏散预测模型，（2）利用模型可解释性识别和排名驱动疏散行为的最重要特征，以及（3）通过跨灾害比较评估疏散驱动因素的一致性，以识别所研究事件中的重复响应模式。

研究结果表明，无需包含显性微观层面行为变量即可实现高预测准确性。这一结果增加了那些因素在疏散预测中传统上被强调的作用的细微差别，表明其影响可能不如先前理解的那样直接。因此，本研究为更简化和可扩展的疏散预测开辟了新途径，并为所研究事件中观察到的跨灾害疏散驱动因素贡献了一种新的数据驱动视角。本文提出的模型和发现从四个方面推进了疏散研究。首先，通过在丰富且易于获取的灾害、基础设施和社会人口数据上部署梯度提升树，模型捕捉了传统线性或基于调查的方法可能错过的非线性交互作用，提高了预测性能。其次，将模型与 SHAP（SHapley Additive exPlanations）集成，通过识别影响疏散率的关键因素增强了可解释性，从而提供了可解释的见解，这可能有助于应急管理者识别可能需要额外支持或针对性沟通的地方。第三，在飓风和野火上训练和测试 Evac-Cast 揭示了在所研究事件中稳定的驱动因素层级，表明其具有应用于更广泛疏散预测情境的潜力。最后，模型在没有显性心理社会变量的情况下获得了高样本外准确性（MAE ≈ 3.5%–4.5%），补充了强调微观层面行为因素的先前疏散文献，表明其大部分影响可能反映在易于测量的情境特征中。这些贡献将 Evac?Cast 定位为一个具有可扩展性和透明性的回顾性预测框架，对未来的疏散规划具有潜在的决策支持价值。

本文其余部分组织如下：第 2 节提供最新文献综述，重点关注疏散预测因子，以及研究疏散行为的方法和数据。基于讨论，本节概述了当前研究的关键差距。第 3 节首先提出疏散预测模型的框架，然后简要介绍研究的事件、数据和方法。第 4 节提出了该模型在飓风和野火事件上的结果。第 5 节讨论了主要发现，并总结了研究的贡献和局限性。

2. 文献综述
2.1. 灾害疏散决策的预测因子
在灾害来袭前决定是否疏散是一个复杂的行为过程，受多种交互因素影响。研究从各个角度探索了这些因素以建立初步理解。早期和持续的研究显著强调了个人心理属性和社会背景的作用。关键的心理因素包括风险感知、自我效能感和反应效能（Dash 和 Gladwin，2007 年，Demuth 等人，2016 年，Forrister 等人，2024 年，Morss 等人，2024 年，Thakur 等人，2022b 年）。荟萃分析表明，较高的风险感知和官方预警是疏散的强预测因子（Tanim 等人，2022 年）。社会关系、社会线索（观察邻居和家人的疏散行为）和社会规范等社会因素也起着关键作用（Ma 等人，2026a 年，Lovreglio 等人，2016 年，Roy 等人，2022 年）。由 Lindell 和 Perry (1992) 以及 Lindell 和 Perry (2003) 建立的保护行动决策模型 (PADM) 等理论框架已被广泛用于解释这些变量如何通过一系列心理过程影响疏散决策（例如，Zhang 和 Borden，2024 年）。

此外，大量文献表明社会人口学特征是疏散行为的关键决定因素（Ma 等人，2026b 年，Rambha 等人，2021 年）。年龄、性别、种族/民族、教育水平、是否有子女和房屋所有权等变量 consistently emerge as influential（Collins 等人，2021 年，Guan 和 Chen，2021 年，Halim 等人，2024 年，Wong 等人，2020 年）。例如，非白人比例较高的社区往往疏散率较低（Sun 等人，2024a 年），而较高的教育水平通常与更高的疏散可能性相关（Kuligowski 等人，2022 年）。社会经济地位，如收入水平和房屋所有权，也显著影响疏散决策（Ma 等人，2026c 年，Rashid 等人，2025 年）。较高的收入可以促进获取交通和临时住宿等资源，而房屋所有权通常与疏散呈负相关，可能是由于更强的地方依恋或财产担忧（Hasan 等人，2012 年）。车辆可及性通常通过消除家庭的交通障碍来增加疏散的可能性（Anyidoho 等人，2022 年，Golshani 等人，2019 年，Yin 等人，2026a 年）。这些因素通常有助于家庭整体的社会脆弱性，并反映疏散准备情况。

与灾害相关的特征也是疏散决策的关键指标。关键方面包括灾害强度、与灾害的邻近性、发生速度、预期持续时间和空间范围（Anyidoho 等人，2022 年，León 等人，2022 年，Lindell 等人，2005 年，Ma 等人，2025 年，Mozumder 和 Vásquez，2018 年，Wu 等人，2022 年）。例如，Zhang 等人 (2024) 研究了不同山洪特征下影响疏散决策的因素。灾害信息和保护行动建议的传达也是一个重要因素。官方预警和疏散命令（强制性与自愿性）是合规性的强预测因子（Huang 等人，2016 年，Sadri 等人，2017 年，Younes 等人，2021 年）。建成环境特征也影响疏散的可行性和适当性，这进一步影响居民选择疏散或就地避难的决心（Bakhshian 和 Martinez-Pastor，2023 年）。研究表明，建成环境特征，如人口密度（Golshani 等人，2019 年，Ma 和 Mostafavi，2024 年）、土地地块大小（Wu 等人，2022 年）、住房建筑类型和交通特征可以显著改变疏散可能性（Anyidoho 等人，2022 年，Fusco 等人，2025 年，Yin 等人，2026b 年）。

2.2. 灾害疏散研究中的应用方法和数据：挑战与机遇
2.2.1. 疏散分析数据
传统上，研究严重依赖事后调查、访谈和交通计数数据来收集有关疏散行为、决策过程和影响因素的数据。家庭疏散决策和行动的信息经常通过问卷调查、访谈和面板调查等调查方式收集（Kuligowski 等人，2022 年，Lindell 等人，2005 年，Lindell 等人，2018 年，Murray-Tuite 等人，2012 年）。例如，Lindell 等人 (2005) 利用邮件调查在飓风丽丽过后收集了有关家庭疏散决策的广泛信息。类似地，通过电话调查收集的数据帮助建模了飓风桑迪的个人层面疏散决策（Sadri 等人，2017 年）。Kuligowski 等人 (2022) 从受 2019 年加利福尼亚金凯德大火影响的家庭中收集了在线调查数据，内容关于他们的疏散决策和潜在影响因素。除了调查数据外，研究还使用交通探测器数据来研究飓风和野火情景下的疏散行为。例如，Woo 等人 (2017) 利用交通计数和航班数据表征了 2016 年麦克默里堡野火的疏散。Li 和 Ozbay (2015) 使用真实世界的交通计数数据来分析新泽西州飓风艾琳期间的疏散交通模式。

调查和访谈虽然在捕捉个人感知和决策过程方面很有价值，但通常存在样本量小、回忆偏差和数据收集延迟等问题，因为它们通常在事件发生后进行。这限制了它们提供疏散动态实时洞察的能力。

虽然交通计数数据提供了车辆移动的客观度量，但它们通常仅限于主要高速公路，且缺乏人口统计背景，导致对疏散模式的理解不完整。新兴技术为克服传统疏散研究的局限性提供了新的机会。一个有前景的途径是应用源自匿名移动设备和 GPS 记录的位置智能数据。基于位置的数据能够及时提供大规模、高分辨率的人口流动洞察，从而能够在灾害事件期间追踪人类移动。例如，Yabe 等人（2019）利用四次地震事件中超过 100 万部手机的 GPS 数据来表征疏散模式。Wu 等人（2022）、Washington 等人（2024）和 Liu 等人（2025）提出并改进了算法，利用大规模 GPS 数据对疏散特征（如疏散率和疏散者类型）进行建模。Li 和 Mostafavi（2022）基于位置智能数据同步飓风准备和疏散工作，以确定哈维飓风期间的脆弱性热点。Lee 等人（2022）基于基于位置的数据，将疏散返回和居住地稳定性表征为灾后恢复的里程碑。最终，位置智能数据解锁了提供更准确且可扩展的疏散动态洞察的能力。

2.2.2. 疏散预测方法
为了理解和预测灾害事件中的疏散行为，回归模型是各种场景（如飓风（Lindell 等，2005，Morss 等，2024）、地震（Ao 等，2020）和野火（Kuligowski 等，2022，Wu 等，2022））中最常用的方法。然而，这些模型通常依赖于输入特征与疏散决策之间的线性关系，限制了它们捕捉危机情况下人类行为复杂、非线性动态的能力。为了解决这一局限性并提高预测性能，一些研究探索了更先进的机器学习技术，如支持向量机、基于树的算法和神经网络，以更好地处理非线性（Balboa 等，2024，Ebrahimi 等，2023，Xu 等，2023）。虽然这些模型提供了改进的预测，但它们通常作为“黑箱”运行，使得难以解释潜在的决策过程。因此，可解释机器学习作为一种有前景的方法应运而生。例如，Sun 等人（2024b）通过连接低深度决策树以检测非线性阈值，开发了一种用于家庭飓风疏散决策的增强逻辑回归模型。Zhao 等人（2020）使用随机森林对人们在消防演习中的疏散前选择进行建模，然后应用变量重要性排序和部分依赖图来揭示关键因素。这些研究揭示了强烈的非线性效应和交互作用，突出了使用可解释机器学习方法以提高预测准确性同时保持模型透明度的必要性。

2.3. 研究出发点
尽管数十年的研究获得了宝贵的见解，但疏散行为研究仍受限于几种阻碍其在操作环境中应用的方法和实证局限性。许多文献依赖于事后调查来捕捉心理社会变量，这些变量收集成本高昂，容易产生回忆偏差，且在关键的影响前窗口期内不可用。此外，分析通常强加线性统计模型，无法捕捉理论建议的非线性交互作用。即使最近复杂机器学习模型的应用，虽然提高了预测准确性，但通常将模型视为黑箱，无法提供足够的透明度来指导应急规划。此外，现有研究通常侧重于狭窄的预测因子子集，而忽视了塑造疏散决策的更广泛、相互关联的因素。此外，许多现有模型是在单一灾害类型背景下开发的，这限制了它们的泛化能力，并阻碍了疏散行为中跨领域模式的发现。这些局限性共同抑制了科学综合和发现的操作转化。幸运的是，高分辨率流动、灾害信息、人口普查和基础设施数据集的日益可用性为解决这些挑战提供了新的机会。基于这些发展，本研究引入了一种可解释的机器学习框架，整合多种数据源以揭示疏散行为的多维驱动因素，同时增强预测建模在灾害响应实际使用中的透明度和可靠性。

3. 方法论

3.1. 研究流程
如图 1 所示，本研究提出并实施了一个综合框架，利用可解释机器学习技术预测灾害疏散率并揭示其潜在驱动因素。利用大型多源数据集，我们纳入了代表四个关键维度的广泛特征集：社区脆弱性、疏散准备情况、灾害强度和建成环境特征。这些多方面输入用于训练可解释机器学习模型（XGBoost 结合 SHAP），以预测两种不同灾害类型的疏散率。这种方法既能够在精细空间分辨率下准确预测疏散，又能通过模型可解释性识别影响疏散的关键因素。XGBoost 模型和 SHAP 分析的详细描述分别在第 3.5.1 XGBoost 模型和 3.5.2 SHAP 分析中提供。此外，我们比较了所识别模式在研究灾害类型之间的一致性，为更稳健地理解所选飓风和野火事件中的疏散动态做出了贡献。
下载：下载高分辨率图像（482KB）
下载：下载完整尺寸图像
图 1. 建立 Evac-Cast 模型以利用大规模数据集和可解释机器学习技术预测和解释灾害疏散的研究流程。

3.2. 研究背景
为了检查不同灾害背景下的疏散行为，本研究专注于四次大规模自然灾害事件：佛罗里达州的两次飓风（即伊恩飓风和米尔顿飓风）和加利福尼亚州的两次野火（即金凯德大火和帕利塞兹 - 伊顿大火）。选择这些州是因为自然灾害发生频率高且对这些各自灾害具有脆弱性，为检查疏散行为提供了丰富的背景。
佛罗里达州广阔的海岸线和低洼地理使其极易遭受飓风侵袭，飓风反复造成重大损害和破坏（佛罗里达州气候中心）。本研究检查了两个重大事件：2022 年的伊恩飓风和 2024 年的米尔顿飓风。伊恩飓风以 4 级风暴登陆佛罗里达州西南部，触发超过 250 万居民的疏散命令或警告（Brooks，2022，国家飓风中心，2023）。最近，米尔顿飓风以强大的 3 级风暴在西斯塔基附近登陆，其快速增强和预测路径在佛罗里达州西南部人口稠密地区触发了数百万居民的广泛而紧急的疏散命令（Reinstein，2024，国家气象局，2024）。
加利福尼亚州的气候和地形造成了破坏性野火的重大威胁，且野地 - 城市交界区住房的增长加剧了这种风险（Yu，2025）。本研究检查了两个重大事件：2019 年的金凯德大火和 2025 年 1 月南加州毁灭性的野火。索诺玛县的金凯德大火烧毁了超过 77,000 英亩，触发了该县历史上最大规模的疏散（索诺玛县，2020）。2025 年 1 月的事件涉及多起火灾，其中最大的是洛杉矶县的帕利塞兹大火和伊顿大火。同时燃烧，帕利塞兹大火摧毁了沿海社区，而伊顿大火席卷了山麓社区。这两起大火共同迫使大规模疏散并摧毁了数千座建筑，代表了一个复杂的、多战线的城市疏散场景（Phillipp，2025）。

3.3. 疏散数据
本研究使用大规模、匿名的流动数据来客观测量疏散行为。这种方法通过以高时间和空间分辨率捕捉人口流动，克服了传统调查方法的局限性，如回忆偏差和意图 - 行为差距。我们使用疏散率作为 Evac-Cast 模型的主要响应变量。为了定义分析的空间范围，本研究仅纳入针对各自灾害事件发布了官方疏散命令的县内的人口普查区。根据这一标准，为飓风事件收集了 2,233 个人口普查区的疏散数据，为野火事件收集了 651 个人口普查区的疏散数据。图 2 可视化了分析的灾害事件的空间范围以及研究中包含的相应人口普查区。疏散期的定义针对每种灾害类型的特定性质进行了定制。对于有预测期的飓风，疏散窗口定义为登陆前三天。具体而言，该窗口对应于 2022 年 9 月 25 日至 27 日的伊恩飓风和 2024 年 10 月 6 日至 8 日的米尔顿飓风。对于通常几乎没有警告就发生的野火，我们将疏散期定义为从火灾首次报告日期开始（金凯德大火为 2019 年 10 月 23 日，帕利塞兹 - 伊顿大火为 2025 年 1 月 7 日），到官方控制日期结束（金凯德大火为 2019 年 11 月 6 日，帕利塞兹 - 伊顿大火为 2025 年 1 月 31 日）。在此区间内观察到的疏散率峰值被用作代理度量。
下载：下载高分辨率图像（589KB）
下载：下载完整尺寸图像
图 2. a) 米尔顿飓风期间，b) 伊恩飓风期间，c) 帕利塞兹 - 伊顿大火期间，以及 d) 金凯德大火期间的疏散率空间分布。叠加飓风路径和火灾范围以描绘灾害的空间范围。

对于较早的事件，伊恩飓风（2022）和金凯德大火（2019），本研究利用来自 Cuebiq 的位置智能数据。该数据集由源自移动设备的匿名位置信号组成，提供了灾害事件前后人口存在和移动模式的广泛视图。人口普查区级别的疏散率是通过识别用户主要晚间位置的显著变化，从匿名的 Cuebiq 流动数据中估算得出的。每个设备的稳定家庭位置是通过 Resilitix AI 家庭检测方法建立的，该方法对灾害前五周内观察到的重复工作日 - 晚间停留点进行聚类，并交叉验证聚类稳定性，允许最多两周的缺失或不一致观察容忍度。基于额外的 Resilitix AI 流动推断规则，疏散状态是通过五天的滚动窗口评估的，在此期间每天重新评估每个用户的主要位置。当设备在其事件前家庭人口普查区外停留至少连续三天时，被视为“已疏散”；一旦其在该人口普查区内的存在重新确立连续三天或更多，则被视为“已返回”。然后聚合这些个体级轨迹以得出研究区域每日的疏散率。

对于较近的事件，2025 年 1 月野火（帕利塞兹 - 伊顿）和米尔顿飓风（2024），我们使用 Facebook 的“危机期间人口”数据来计算疏散率。该数据集报告了在灾害期间和基准期间在必应瓦片第 14 级（大致相当于 6 × 6 个街区的大小）观察到的 Facebook 用户数量。我们使用质心坐标将每个瓦片聚合到人口普查区。由于用户数量以 8 小时间隔提供，我们平均数据记录以创建单一的每日值。然后我们根据灾害期间和基准期间的数据计算每个普查区的每日疏散率。图 2 显示了四个感兴趣事件的疏散率空间分布，叠加了相应的飓风路径或火灾范围以说明灾害的空间范围。对于飓风案例（图 2a–b），沿海和内陆地区的疏散率都有很大差异，沿海普查区通常观察到更高的疏散率，但并不严格作为距离风暴路径的函数。相比之下，野火事件（图 2c–d）表现出更局部化的疏散模式，升高的疏散率集中在与火灾范围相交或紧邻的普查区，并且在此区域之外迅速下降。在两种灾害类型中，暴露于相似灾害的相邻普查区通常表现出不同的疏散反应，突出了疏散行为的异质性和情境依赖性质，这激发了 Evac-Cast 建模框架。

3.4. 疏散预测因子
为了建立综合预测模型，本研究纳入了前文学中被确定为疏散行为潜在驱动因素的广泛变量。我们将这些变量分为四个不同的维度：灾害强度、社区脆弱性、疏散准备情况和建成环境（图 3）。这些特征源自多个权威来源，包括美国社区调查（ACS）、美国国家海洋和大气管理局（NOAA）和加利福尼亚州林业和消防部（CAL FIRE）。表 1 提供了变量及其来源的简要描述。
下载：下载高分辨率图像（368KB）
下载：下载完整尺寸图像
图 3. 自然灾害场景下的疏散预测 Evac-Cast 框架。
表 1.

变量定义与来源。
变量 描述 最小 最大 来源
建成环境
建筑密度 建筑物足迹总面积与人口普查区总土地面积之比。 0.01 0.39 必应地图建筑物足迹
人口密度 人口普查区内每平方公里的人数。 39 11,754 ACS，TIGER/Line? 形状文件
道路密度 人口普查区每平方公里内主干路和次干路的总长度（公里）。 0 14.35 TIGER/Line? 形状文件
移动房屋 移动房屋占总住房单元的比例。 0 41.8 ACS
灾害强度
飓风邻近度 人口普查区到飓风路径的最小距离（公里）。 25 311 NOAA
疏散区 人口普查区的官方疏散区指定。 分类 分类 佛罗里达州应急管理司
最大风速 记录的人口普查区最大持续风速（10 米高度，公里/小时）。 3.1 174.9 Open-Meteo
总降水量 记录的人口普查区降水总量（毫米）。 0 538 Open-Meteo
最大阵风 记录的人口普查区最大阵风风速（10 米高度，公里/小时）。 14 236.9 Open-Meteo
火灾邻近度 人口普查区到火灾边缘的最小距离（公里）。 0 75.19 CAL FIRE
平均温度 平均温度，用于野火事件（摄氏度）。 1.2 16.9 Open-Meteo
最小湿度 用于野火事件的最小日相对湿度。 5.4 80.1 Open-Meteo
火灾危险等级区 CAL FIRE 对人口普查区野火危险等级的官方指定。 分类 分类 CAL FIRE
社区脆弱性
中位收入 人口普查区的中位家庭收入。 13,831 250,000 ACS
青年比例 18 岁以下人口比例。 0 40.3 ACS
高中学历达成率 25 岁及以上人口中至少拥有高中学历的比例。 39.7 100 ACS
贫困率 生活在贫困线以下的人口比例。 0 52.8 ACS
独居比例 单人占用的家庭比例。 0 39.3 ACS
家庭规模 平均每个家庭的人数。 1.03 5.18 ACS
老年比例 65 岁及以上人口比例。 0 43.6 ACS
残疾比例 拥有残疾的非机构化平民人口比例。 1.6 31.7 ACS
非白人比例 自我认定为除白人以外其他种族的人口比例。 0 83.2 ACS
疏散准备度
租房者 租房者占用的住房单元比例。 0 71.4 ACS
无车辆可用 没有可用车辆的家庭比例。 0 33.7 ACS
响应变量
疏散率 灾害事件期间从特定人口普查区疏散的人口比例。 10.4 89.2 Facebook 移动数据/Cuebiq

3.4.1. 灾害强度
该维度量化了自然灾害事件造成的直接物理威胁。它包括描述灾害规模和邻近度的动态特征，这些特征是受影响地区居民风险的主要信号。收集的灾害数据与可获得疏散数据的地理区域进行了空间对齐，以确保灾害暴露与疏散行为之间的一致性。在时间上，灾害数据与特定灾害的疏散窗口对齐，对于野火涵盖从起火到疏散高峰的时期，对于飓风涵盖登陆前的疏散期。
•飓风邻近度：该特征测量给定人口普查区到飓风路径的距离，提供暴露度的直接度量。我们首先从 NOAA 的历史飓风路径数据库（国家海洋和大气管理局）检索飓风路径数据，该数据库提供定期间隔的气旋位置和强度。然后我们将这些路径点与研究区域的人口普查区位置叠加，并计算每个区质心到每个时间步飓风中心的距离。飓风中心与每个人口普查区之间的最短距离即为其飓风邻近度值。
•疏散区：该特征代表疏散优先级，将区域从 A 区（风险最高，优先疏散）分类到 E 区（风险最低）。我们从佛罗里达州应急管理司检索了佛罗里达州官方全州疏散区地图。然后我们进行人口普查区边界的空间交叉分析，为每个人口普查区分配一个疏散区。对于重叠多个区域的区，选择覆盖该区最大部分的区域。
•火灾危险等级区：该特征根据野火发生的可能性和潜在强度，将土地分类为中等、高和极高火灾危险等级区，由 CALFIRE 指定（CALFIRE, 2024）。我们进行空间连接分析，从最近的火灾危险等级区多边形为每个人口普查区分配火灾危险等级分类。
•天气状况：我们包含了一系列气象特征，以提供飓风特征和影响火灾行为的 ambient 条件的全面概况。天气数据使用 Open-Meteo API 通过每个人口普查区的质心收集，这是一个强大的工具，聚合来自国家气象局高分辨率模型的数据（Open-Meteo）。对于飓风事件，我们首先收集最大风速、最大阵风和降水总量的每日观测值。然后我们通过 (i) 取风速和阵风的最大观测值，以及 (ii) 汇总整个时期的降水量，将这些值聚合到疏散期。对于野火事件，收集的特征包括每日平均温度、最小湿度、最大风速和最大阵风，这些都是火灾蔓延的关键因素。从起火日期开始到达到疏散高峰时结束，我们通过对该窗口内的 (i) 最高持续风速，(ii) 最高阵风，(iii) 最低相对湿度，和 (iv) 平均日温度取聚合值来汇总这些每日观测值。
•火灾邻近度：该变量测量每个人口普查区到火灾边缘的距离，提供对推进中野火暴露度的直接度量。Kincade 和 Palisades/Eaton 的火灾边缘从 CALFIRE 的火灾和资源评估计划获取（CALFIRE）。我们使用空间操作计算了每个人口普查区边界到最近火灾边缘的最小距离。

3.4.1.1. 社区脆弱性
该维度捕捉了人口普查区内影响其准备、响应和恢复自然灾害能力的人口社会人口特征。具体而言，我们考虑了以下特征：
•中位收入和贫困率：家庭可用财务资源的特征，可以促进或限制疏散。
•青年和老年比例（%）：这些人口特征代表可能有独特需求或风险认知的人群。
•高中学历达成率（%）：教育水平的特征，可能与获取信息和资源的渠道相关。
•独居比例（%）和家庭规模：描述家庭结构的特征，可能影响疏散决策的后勤和社会动态。
•残疾人口（%）：代表在疏散期间可能面临重大行动或健康相关挑战的居民比例的特征。
所有这些特征均从人口普查区级别的美国社区调查（美国人口普查局）获取。百分比形式的特征是使用绝对数除以人口普查区总人口计算的。

3.4.1.2. 建成环境
该维度描述了人造景观的物理特征，包括开发的密度和布局，这直接影响对灾害的暴露和疏散的可行性。
•建筑密度：该特征测量建筑物集中度，作为每个人口普查区内建成面积与总面积的比率。较高的建筑密度可能表明更大的潜在损失和更复杂的疏散后勤。我们首先从必应地图检索建筑物足迹数据。然后我们使用空间连接聚合每个人口普查区边界内的建筑物足迹，并对所有建筑物的总面积求和。建筑密度值是通过将此总建成面积除以人口普查区的总土地面积计算的，提供每个区开发强度的标准化度量。
•人口密度：该特征通过使用 ACS（美国人口普查局）和 TIGER/Line 形状文件（美国人口普查局）的数据，将每个人口普查区的总人口除以其地理面积计算得出。人口密度提供了每个区单位面积居住人数的标准化度量，反映了城市发展的程度。
•道路密度：该特征通过使用 TIGER/Line 形状文件（美国人口普查局，2024）的数据，将道路总长度除以每个人口普查区的面积计算得出。我们将主干路和次干路网与人口普查区边界相交，对每个区内的道路段长度求和，然后将总和除以区的总面积。道路密度作为交通网络处理疏散交通能力的代理变量。
•移动房屋（%）：移动房屋占总住房单元的比例。这些结构的居民通常被认为对强风和火灾更脆弱，这可能增加他们疏散的倾向性。数据从 ACS（美国人口普查局）获取。

3.4.1.3. 疏散准备度
该维度反映了社区潜在的预备状态和后勤能力。虽然与社区脆弱性密切相关，但这些因素旨在捕捉直接促进或阻碍家庭疏散意愿和能力的关键结构和资源因素。该维度中的所有特征均基于 ACS（美国人口普查局）检索和计算。
•租房者（%）：租房家庭的比例，这是房屋所有权的一个度量。居住状况可能影响疏散决策，因为与房主相比，租房者可能对房产有不同的依恋程度和不同程度的自主性。
•无车辆可用（%）：没有可用个人车辆的家庭比例。这是一个关键的后勤障碍，可能严重限制家庭独立疏散的能力。本研究使用车辆可用性作为疏散准备度的代理变量，因为这一指标反映了美国的疏散背景，其中重大灾害期间的疏散绝大多数是基于汽车的。以往研究 consistently 显示，大多数疏散者依赖私家车，在飓风事件和研究环境中报告的份额范围从约 87% 到 96%（Lindell et al., 2011, Prater et al., 2000, Wilmot and Gudishala, 2013, Wong et al., 2018, Wong et al., 2023, Wu et al., 2013）。最近的调查证据进一步表明，超过 95% 的疏散者在飓风疏散期间使用了私家车（Texas A&M Hazard Reduction & Recovery Center, 2020）。在此背景下，汽车所有权提供了家庭对疏散指导迅速动员能力的有意义指标，并与疏散行为文献中的既定实践一致。

3.5. 模型训练与分析
3.5.1. XGBoost 模型
XGBoost（极端梯度提升）是一种集成学习方法，通过结合多个决策树形成强学习器来构建强大的预测模型（Chen and Guestrin, 2016）。它在结构化、表格数据上表现出了强大的性能，其与高效的基于 SHAP 的解释的兼容性支持了其在空间灾害和基础设施建模中的广泛应用（LaBianca et al., 2024, Li and Mostafavi, 2025, Ma et al., 2025）。为了预测疏散率并了解其潜在驱动因素，本研究分别实施了针对飓风和野火事件的 XGBoost 回归模型。这种特定灾害的方法允许更准确、更敏感于上下文的预测，同时启用不同灾害背景下疏散驱动因素的直接比较。
对于每种灾害类型，我们将数据集随机拆分为训练（80%）和测试（20%）集，保留测试集以对所研究事件中未见数据的模型性能进行稳健评估。为了减轻疏散率的不平衡并提高模型性能，我们应用了带高斯噪声的回归合成少数类过采样技术（SMOGN），它通过插值或添加高斯噪声自适应地为目标分布中代表性不足的部分生成合成样本（Branco et al., 2017）。为了确定每种灾害背景下的最佳超参数，我们在训练数据上进行了结合十折交叉验证的随机搜索。搜索探索了预定义的关键参数网格，包括最大树深度、学习率、gamma 和最小子节点权重。选择最小化均方误差的组合作为最优点（表 2）。调整优化后，我们用最佳超参数训练模型，并在测试集上评估其性能。

表 2. XGBoost 模型的参数范围和最优点。
超参数 搜索范围 飓风 野火
学习率 [0.01, 0.20] 0.051 0.039
树的数量 [50, 51, …, 300] 193 287
最大树深度 [3, 4, …, 10] 9 5
子样本比率 [0.6, 1.0] 0.63 0.94
列子采样 [0.6, 1.0] 0.87 0.62
最小子节点权重 [1, 2, …, 6] 5 1
最小损失减少 [0, 0.5] 0.02 0.11
L2 正则化 [0.1, 0.5, 1.0, 1.5, 2.0] 1.0 1.0

3.5.2. SHAP 分析
虽然 XGBoost 模型可以提供高度准确的预测，但其复杂性使得很难理解其输出背后的潜在机制。为了解决这一黑箱问题，我们采用了 SHapley 加性解释（SHAP）进行模型解释。SHAP 解释每个特征如何对模型的预测做出贡献，基于博弈论量化其具体影响（Lundberg and Lee, 2017）。我们计算了飓风和野火各自测试集中每个特征的 SHAP 值。通过聚合这些值，我们获得了关于特征对塑造疏散行为贡献的见解。

4. 结果
4.1. 模型性能
本研究提出了一种框架，整合了四个维度的特征，灾害强度、社区脆弱性、疏散准备度和建成环境，以预测各种灾害情景下的疏散率。

在此框架下，利用多源数据针对飓风和野火事件训练并测试了两个 XGBoost 模型。表 3 展示了两个模型的性能，使用了四项性能指标：均方根误差 (RMSE)、平均绝对误差 (MAE)、均方误差 (MSE) 和决定系数 (R2)。对于飓风，模型的 RMSE 为 0.0668，MAE 为 0.0452，表明预测的疏散率平均偏离实际值约 4.5%–6.7%。0.8074 的 R2 值表明，超过 80% 的疏散率方差可由该模型解释。对于野火，0.0559 的 RMSE 和 0.0351 的 MAE 反映了 3.5%–5.6% 的平均预测误差，0.8336 的 R2 表明其具有很强的解释力。与替代预测模型的对比评估以及检查对训练数据大小敏感性的额外稳健性分析见补充信息。这些分析增强了在当前回顾性验证设置下所报告预测性能稳定性的信心，但其目的并非证明前瞻性预测能力。总体而言，这些结果表明，使用易于获取数据的机器学习框架 Evac-Cast，能够以较高的准确度预测飓风和野火事件的疏散率。

表 3. 模型性能。
| 灾害事件 | MSE | RMSE | R2 | MAE |
| :--- | :--- | :--- | :--- | :--- |
| 飓风 | 0.0045 | 0.0668 | 0.8074 | 0.0452 |
| 野火 | 0.0031 | 0.0559 | 0.8336 | 0.0351 |

4.2. 塑造疏散行为的特征重要性
除了预测准确性外，本研究通过应用 SHAP 进一步深入分析，以揭示可能影响疏散率的关键因素。使用 SHAP 值，我们评估了单个特征的重要性以及影响疏散行为的更广泛主题模式。图 4 展示了飓风疏散模型的 SHAP 摘要图，提供了关于特征塑造疏散率的幅度和方向的见解。图 4a 根据特征的均值绝对 SHAP 值对特征进行排名，这表明每个特征对疏散率的整体贡献。图 4b 是一个 SHAP 蜂群图，说明了飓风疏散模型中每个特征如何对所有样本的个体预测做出贡献。每个点代表一个样本的 SHAP 值，其水平位置表示该特征是增加还是减少预测的疏散率。颜色反映特征的实际值，显示不同特征水平如何对模型输出做出贡献。总体而言，该图揭示了特征对疏散率影响的方向和变异性。对于飓风，疏散行为主要由直接反映风暴物理特征的变量塑造。最大风速和飓风接近程度成为最具影响力的特征，与主动疏散呈正相关，这强调了居民对逼近风暴的严重性和紧迫性做出果断反应。总降水量和阵风峰值也对疏散率显示出正向贡献。这一发现不仅凸显了生成及时准确预测的重要性，也强调了确保这些信息在当地层面得到有效沟通的关键性。当居民了解风暴的严重性及其与自身位置的接近程度时，他们更有可能及时疏散。疏散区指定特征也位列最重要的疏散预测因子之一，表明官方指导在促进主动疏散行为方面是有效的。设计良好且严格执行的疏散区可作为风险减缓的强大工具，特别是当其与灾害预报以及解决准入障碍并促进公众信任的社区外展策略相结合时。

下载：下载高分辨率图像 (395KB) 下载：下载全尺寸图像
图 4. 飓风事件的 SHAP 摘要图。a) 条形图根据均值绝对 SHAP 值对特征进行排名。b) 蜂群图显示特征值如何影响个体预测。

除了与灾害相关的特征外，结果还显示社区脆弱性、疏散准备情况和建成环境特征也可能影响疏散行为。租房比例、人口密度和移动房屋比例等特征也紧随顶级灾害强度预测因子之后。例如，人口普查区较高的租房比例与其疏散率呈正相关，这可能是由于流动性更大或对财产的依恋较少。移动房屋比例也呈正向贡献，表明居住在更脆弱住房类型中的居民由于结构顾虑更有可能疏散。然而，较高的人口密度对疏散率呈负向贡献，表明人口密集地区更有可能表现出较低的疏散水平。一种可能的解释是，高人口密度通常对应于基础设施相对健全、更容易获得当地避难所选择且服务可用性更高的城市化程度较高的地区，这使得就地避险成为一种更可行的反应（Lamadrid 等，2025；Li 等，2026）。收入中位数和独居比例也影响疏散行为。较高的收入中位数通常与增加的预测疏散率相关，这可能反映了更容易获取资源，如交通、住宿和紧急物资，从而降低了疏散的障碍。其他贡献因素包括独居比例、道路密度、年轻人口以及高中学历比例，尽管它们的影响较为温和。

图 5 展示了野火疏散模型的摘要图，提供了关于各种预测因子相对重要性和方向性影响的见解。如图 5a 所示，火灾接近程度、火灾危险严重性区和高中学历比例是塑造疏散行为最具影响力的特征。火灾接近程度代表了对火灾威胁的直接衡量，捕捉了社区与野火在物理上的接近程度。距离越小，疏散率越高，这表明居民在面对急性、快速升级的野火威胁时更有可能疏散。火灾危险严重性区反映了基于植被、地形和历史火灾模式等综合因素的官方野火风险分类。位于高严重性区内的人口普查区与较高的疏散率相关，这表明官方分类显著影响居民的疏散行为，这与飓风事件中的疏散区指定类似。此外，其他灾害强度特征，包括平均温度、最低湿度、最大风速和阵风峰值，也位列最具影响力的特征之中，表明灾害强度在促进野火事件疏散方面也发挥着重要作用。值得注意的是，高中教育程度是塑造野火疏散行为中排名第二的特征。这表明教育水平较高的社区可能具有更强的能力来解读预警信息、快速反应并获取保护资源。此外，收入中位数和非白人比例成为有影响力的社区脆弱性特征，凸显了社会经济障碍和不平等在塑造疏散能力中的作用。

下载：下载高分辨率图像 (522KB) 下载：下载全尺寸图像
图 5. 野火事件的 SHAP 摘要图。a) 条形图根据均值绝对值对特征进行排名。b) 蜂群图显示特征值如何影响个体预测。

4.3. 跨灾害分析
为了更好地理解疏散行为的一致性和情境特定性，我们比较了特征维度在飓风和野火事件中的相对贡献。图 6 显示了四个维度的聚合平均 SHAP 值，这使得能够在不同灾害场景下对疏散驱动因素进行高层次比较。跨灾害分析中最显著的发现是，四种特征维度在两种灾害类型中排名一致。对于飓风和野火，灾害强度都是疏散行为的主要驱动因素，其次是社区脆弱性、建成环境和疏散准备情况。一致的模式表明，在所研究的飓风和野火事件中可能存在疏散驱动因素的结构化层级。这一模式表明，暴露于更严重物理威胁的社区最有可能表现出较高的疏散率。这一发现强化了疏散行为与威胁严重程度密切相关的关键见解，凸显了及时、准确且清晰沟通的风险指标在促发保护行动中的重要性。对于应急规划者而言，这强调了将及时的灾害监测和风险沟通作为提高疏散合规性的关键杠杆的必要性。

下载：下载高分辨率图像 (136KB) 下载：下载全尺寸图像
图 6. a) 飓风事件，b) 野火事件的特征维度贡献。

在飓风和野火事件中，第二有影响力的维度是社区脆弱性，凸显了社会人口因素在塑造疏散行为中的重要作用。在两个模型中，某些社区脆弱性特征，如收入中位数和高中学历，与疏散率呈正相关。这表明社会人口地位是疏散预测的重要指标，拥有更多社会经济资源的人更有可能采取主动行动疏散。相比之下，脆弱社区，如收入较低或教育水平有限的社区，可能表现出较低的疏散率。这些发现强调了密切监测和解决疏散不平等的必要性，并确保应急规划通过更易获取的沟通和公平的资源分配积极支持脆弱群体。

尽管与灾害强度和社区脆弱性相比，建成环境和疏散准备情况的相对贡献较低，但这些维度在塑造疏散方面仍然发挥着有意义的作用。建成环境特征，如住房结构和道路密度，描绘了影响流动性、可达性和灾害暴露的物理背景，这进一步影响疏散率。同样，疏散准备情况指标，如车辆可及率，反映了可能影响社区快速反应能力的后勤条件。这些因素可以叠加社区脆弱性和灾害强度的影响来塑造疏散行为。

尽管维度的排名相同，但它们的相对大小揭示了由每种灾害性质塑造的重要差异。对于飓风，灾害强度维度占绝对主导地位，其聚合重要性值相对于所有其他类别具有显著更大的影响力。这表明，对于具有充足预警时间和广泛媒体报道的大规模、缓慢发生事件，疏散决定很大程度上是基于少数清晰的、官方沟通的指标（如风暴强度和疏散区指令）进行理性化的。相比之下，对于野火，灾害强度与社区脆弱性之间重要性的差距明显较小。这表明，对于快速发生、局部且更不确定的灾害，决策过程更加平衡。虽然即时威胁的影响很重要，但居民的疏散行为也受其他因素影响，如社会经济能力。这表明，当官方信息快速变化或不确定时，居民可能更多地依赖其当前资源和脆弱性来指导其疏散决定。

5. 讨论与结论
本文介绍了一种新颖的框架，使用可解释的机器学习方法来预测灾害疏散率并理解其潜在驱动因素。通过整合跨四个关键维度（即灾害强度、社区脆弱性、疏散准备情况和建成环境）的多源数据，本研究开发并评估了美国主要飓风和野火事件的特定灾害模型。本研究得出了若干关键发现，为灾害管理做出了学术贡献并具有实际意义。

首先，本研究提出的可解释机器学习模型 Evac-Cast 为预测疏散行为提供了有效的框架。模型的高预测准确性表明其能够捕捉疏散多方面驱动因素之间复杂的非线性关系。重要的是，Evac-Cast 整合了来自广泛使用和权威数据源的多个类别的中间数据。虽然单个数据集可能包含测量误差或空间聚合不确定性，但模型不依赖任何单一输入，而是通过多个主要独立维度的联合影响来学习疏散行为。不同灾害类型之间主导驱动因素和影响方向的一致性，加上基于 SHAP 的可解释性（能够明确检查特征贡献），提供了模型正在捕捉有意义的关系而非噪声或误差抵消产生的假象的信心。因此，这项工作为传统线性模型提供了稳健的方法论替代方案，展示了非线性方法如何更好地处理灾害期间人类行为反应固有的复杂性。从决策支持的角度来看，由常规可用数据得出的疏散需求估计可以为资源分配、交通管理、避难所规划和有针对性的外展提供指导。

其次，通过使用 SHAP，本研究超越了黑盒预测，确定了影响疏散决策的因素的清晰层级。了解哪些因素最具影响力能够实现更有针对性和更有效的干预。具体而言，分析显示，对于飓风，疏散主要由明确的威胁指标驱动，如最大风速和官方疏散区位置。这一发现证实，官方公共信息传播应继续优先考虑这些清晰、有力的指标。

同样，野火最关键的因素是即时火灾距离和火灾危险严重性区域，其次是社会经济指标（如高中教育程度）和天气状况。对于野火，火灾距离的主导地位凸显了及时进行社区级别的威胁制图和沟通的必要性。此外，教育水平在野火情境中的重要性表明，沟通策略必须设计得易于被所有人群快速理解，特别是在快速移动、不确定性的事件中。这项研究回应了灾难科学中对更具可解释性人工智能的呼吁，通过展示如何将 SHAP 值与 XGBoost 模型结合，超越了疏散率的黑箱预测。具体来说，它不仅提供了一种预测细致疏散结果的方法，还量化了情境依赖性驱动因素的影响，从而弥合了预测能力与对疏散行为细微理论理解之间的差距。

第三，跨灾害比较揭示了疏散驱动因素层级中一致的模式。在飓风和野火中，灾害强度被发现是最有影响力的维度，其次依次是社区脆弱性、建成环境和疏散准备情况。这一发现提供了在研究的飓风和野火事件中疏散驱动因素层级一致的实证证据，提供了先前研究中较少探讨的关于疏散行为的跨灾害视角。观察到的一致性表明，清晰有效地沟通灾害强度是紧急事件管理人员的核心任务之一，特别是在响应阶段。Evac-Cast 提供街区级别的疏散率估计值和 SHAP 识别的疏散驱动因素，可以支持分级疏散规划。具体来说，紧急事件管理人员可以使用主要灾害指标（例如飓风的风速和疏散区；野火的火灾距离和危险严重性区），结合预测的疏散率，从增强的风险沟通逐步升级到有针对性的援助和基于区域的疏散支持。然而，这些阶段的操作阈值本质上是依赖情境的，受风险容忍度和资源可用性等因素影响，因此应由当地机构根据机构协议确定。

除了灾害强度之外，Evac-Cast 框架还强调，疏散结果系统地受既有的社区脆弱性、疏散准备情况和建成环境特征影响，这表明有效的疏散管理应被视为一个整合事件前准备和灾害阶段管理的多阶段过程。在事件前准备阶段，紧急事件管理人员可以主动识别响应疏散指导能力有限的社区。具有社会经济脆弱性、行动受限或基础设施获取有限的社区可能需要更早的介入、定制化的沟通策略以及疏散援助的提前规划。在此情境下，脆弱性和准备情况信息作为规划输入，告知在灾害发生前最需要准备投资和协调努力的地方。在响应阶段，相同的基线条件为解释在可比灾害严重性下疏散率的空间变化提供了必要的背景。预测的疏散率反映了不同社区疏散速度和整体程度的差异，帮助紧急事件管理人员识别塑造疏散能力的潜在社会、结构和后勤约束。这种解释支持更明智的响应行动，包括部署有针对性的运营支持，以促进沟通的风险有效转化为保护性行动。

最后，模型在预测疏散模式时不涉及明确的心理社会属性就表现出强劲的性能，这为传统强调的这些因素在疏散预测中的作用增添了细微差别。几十年来，疏散研究广泛研究了心理社会因素（包括风险感知、先前灾害经历和社会联系）的作用，通常假设它们对理解疏散行为是必要的。虽然这些因素的重要性已得到充分确立，但这些属性通常难以及时且大规模地获取，限制了它们在灾害前运营模型中的应用。我们的发现表明，不依赖此类数据也能实现强劲的预测性能。这一结果并没有削弱心理社会因素的理论重要性，而是为其应用提供了新视角。它表明，这些微观层面行为驱动因素的集体影响可能通过更易获取的宏观层面代理变量反映出来。例如，先前的灾害经历可能影响社区层面长期准备情况和行动能力的发展，这可以通过与疏散准备情况和人口社会特征相关的变量部分捕捉。未来的研究可以通过结合更明确的累计灾害经历的社区层面代理变量（如历史灾害损失，在有可靠且空间一致数据可用的情况下）来进一步探索这种关系。总体而言，这通过展示了一种在缺乏个人层面数据时进行大规模行为建模的可行方法，为文献做出了贡献，并提出了关于这些不同分析尺度之间关系的新研究问题。这一发现对疏散规划和决策支持具有重要意义。它表明，紧急管理机构并不一定需要受限于缺乏昂贵且耗时的调查数据来估计疏散率。通过利用现有的公开可用数据集，机构可以构建可扩展的疏散需求预测模型，从而为疏散规划和保护性行动决策提供更敏捷和以数据为基础的依据。

本研究的局限性突出了未来研究的重要途径。首先，虽然本研究纳入了建成环境的几个特征，如道路和建筑物密度，但它没有明确考虑交通网络的拓扑属性。道路连通性和网络中心性等因素是疏散实际可行性和感知难易程度的重要决定因素。未来的工作可以整合这些基于网络的指标，以创建更复杂的建成环境表示，这可能会提高模型准确性，并为交通管理和路线规划提供更细致的见解。其次，本研究利用美国背景下飓风和野火的跨灾害分析评估了 Evac-Cast 框架。虽然这种跨两种不同灾害类型的比较是一个关键优势，但分析并未涵盖可能引发疏散的全部自然灾害范围。此外，由于模型是使用美国的数据进行训练和验证的，其预测性能不应被假定在不进行实证评估的情况下直接推广到其他国家或机构环境。然而，Evac-Cast 框架本身旨在具有可转移性。其建模结构在可解释的机器学习方法中整合了灾害特征、社区脆弱性、疏散准备情况和建成环境条件，可应用于其他灾害场景和地理环境。在新的环境中应用 Evac-Cast 将需要组装可比的疏散结果数据，使用特定情境的数据集重新计算特征，并在验证前重新训练或校准模型。例如，汽车拥有量等疏散准备情况指标（这是在像美国这样依赖汽车的环境中合适的代理变量），可能需要用当地相关的行动条件替代或补充，例如在集体交通在疏散中发挥更大作用的地区的公共交通可达性或服务能力。因此，需要在更多灾害和区域中进行系统评估，以进一步评估 Evac-Cast 框架在多样化条件下的稳健性和适用性。由于当前的评估使用研究事件内的随机街区级别训练/测试分割，报告的性能应解释为内部预测性能；需要进行前瞻性和事件间验证，以评估预测能力和对未见情境的泛化能力。第三，本研究在不同事件间使用了不同的移动数据来源。虽然这种设计使得能够分析多个近期的飓风和野火事件，但 Cuebiq 和 Facebook 数据可能在用户群体、采样机制、隐私保护聚合规则、空间和时间分辨率以及移动定义上存在差异。这些差异可能会影响事件间疏散率估计的可比性，并可能为跨事件和跨灾害比较引入测量不确定性。未来的研究应该使用更大数量事件中的协调一致的移动数据集来进一步验证 Evac-Cast 框架，或者在数据可用性允许的情况下比较同一事件的多个移动产品。第四，本研究进行的分析基于居民数据集，而季节性或临时人口未直接纳入。在非居民人口（如游客和其他短期访客）庞大的地区，疏散模式可能不同于以居民人口为主的地区，且这种差异可能未在当前分析中得到充分反映。这一局限性源于临时人口数据可用性的限制。随着此类数据的可用，Evac-Cast 框架可以作为基础，用于整合额外的指标（如短期住宿容量或季节性就业和访客活动），以进一步细化受季节性、访客或临时人口流入影响的地区的疏散预测。第五，Evac-Cast 模型是使用历史上观察到的主要飓风和野火事件的疏散行为进行训练和验证的。罕见的低概率极端灾害本质上是不频繁的，因此在可用数据中代表性稀疏。因此，模型主要捕捉训练数据集中观察到的灾害条件范围内的疏散响应，其在极端灾害场景下的预测性能仍然不确定。未来的研究可以通过在获得更多极端事件数据时重新训练或重新校准模型来解决这一局限性。此外，使用模拟或假设的极端灾害条件进行基于场景的评估，可能是检查当灾害强度超过历史观察范围时模型行为以及评估极端条件下稳健性的有用手段。

CRediT 作者贡献声明
Bo Li：写作 – 审阅与编辑，写作 – 原创草稿，可视化，验证，方法论，调查，正式分析，数据整理，概念化。Chenyue Liu：方法论，数据整理。Ali Mostafavi：写作 – 审阅与编辑，监督，资金获取，概念化。
Bo Li|Chenyue Liu|Ali Mostafavi
城市韧性人工智能实验室，德克萨斯农工大学 Zachry 土木与环境工程系，美国德克萨斯州 College Station，TX 77843，USA