通过神经网络探索城市公园中的元素与步行行为特征之间的关联

《Urban Forestry & Urban Greening》：Exploring the association between elements in urban parks and characteristics of walking behaviors by neural network

　　摘要
城市公园对公共健康至关重要，为居民提供了必要的綠色空間。这些公园内的步行环境显著影响游客的体验，因此理解步行行为与环境元素之间的相互作用至关重要。尽管以往的研究侧重于孤立的环境因素，但它们往往难以区分这些因素之间的重叠影响。这就需要一种整体性的方法，在考虑整个环境背景的同时，也能分离出特定元素的边际贡献。本研究采用神经网络模型来探索环境元素与步行行为特征（特别是加速度和角速度）之间的关系。通过利用开源的实验基线数据和高空无人飞行器（UAV）拍摄的公园图像，我们捕捉了行人的步行轨迹、行人之间的互动以及环境因素的影响。我们使用SHapley加性解释（SHAP）技术对行人的行为场进行瞬时功能反卷积，分离出边际特征贡献，识别非线性交互范围，并量化协同效应。分析表明，在以目标为导向的实验基准与自然公园环境之间存在显著的情景偏差，其中“停止吸引”因素的情景偏置系数为0.40，“接近吸引”因素的情景偏置系数为0.51，这证明了公园里的悠闲漫步与以目的地为导向的移动有根本性的不同。结果显示，垃圾桶和点状绿空间能有效促进行人停留（即“停止吸引”），而雕塑、长椅和河流则主要通过拉近行人之间的距离来产生“接近吸引”效果。协同效应分析表明，多元素交互对“停止吸引”通常具有积极影响，但对“接近吸引”则多为负面影响。我们证明了在特定空间范围内进行战略性布局可以同时优化“停止吸引”和“接近吸引”效果。

1. 引言
在当今的城市环境中，不断增加的压力水平导致了身体不活动（Althoff等人，2017年）、心理健康问题（Hartig和Kahn，2016年）以及社会隔离（Zhu等人，2023年）的风险上升。根据压力恢复理论，在自然环境中行走是一种基于自然的解决方案，通过预防、响应和恢复机制增强生物、心理和社会韧性（White等人，2023年）。城市公园已成为重要的场所，提供了鼓励在自然环境中步行的舒适环境（Zhang等人，2022年）。步行环境中的各种元素与行人行为之间的关系可以通过宏观和微观方法来研究。宏观方法包括步行性评估（Saelens等人，2003年）和路线选择模型（Hahm等人，2017年），这些方法量化了给定区域内或沿路线的特定环境元素指数或数量之间的关系。相比之下，微观方法关注附近行人、步行环境与步行行为之间的互动（Duives等人，2015年）。步行性描述了环境对步行的支持程度，反映了步行活动与各种社区因素（如居民密度、土地利用混合、街道连通性和绿地）之间的关系（Wang和Yang，2019年；Althoff等人，2025年）。研究表明，城市公园在提高步行性方面起着重要作用（Chan等人，2021年）。Pathak等人（2020年）进一步发现，公园的质量是影响步行性的关键因素。Roper等人（2024年）表明，自然特征和水域环境对步行环境有积极影响，突显了基于自然的解决方案的重要性。虽然步行性涵盖了较大范围内的变量，但很难确定城市公园内不同组分的具體影响。路线选择模型可以识别影响行人选择特定路线的因素，从而增加使用某些路线的可能性。例如，Jin等人（2022年）和Oyama（2023年）发现，垃圾桶和绿空间的存在会吸引行人，而长椅也会促进路线选择（Fard等人，2023年）。此外，包含雕塑和滨水区域的路线通常被认为更加愉快和吸引人（Kim和Gong，2024年；Mu等人，2024年）。绿地、河流、长椅和雕塑等元素都会显著影响步行行为。尽管路线选择模型建立了这些因素与步行特征之间的定量关系，但它们通常不提供关于如何设计和布置这些元素以优化城市公园的详细建议。
微观模型可以进一步分为基于规则的模型和数据驱动模型（Duives等人，2016年；S. Sun等人，2023年）。Ma和Yarlagadda（2015年）以及Xuan和Zhao（2022年）建立了步行环境质量与行人行为之间的联系，使得可以通过基于规则的模型来评估环境设置。Social Force（SF）模型是一个代表性的基于规则的模型，它阐明了行人与其环境之间的关系（Helbing等人，2001年）。该模型表明，环境元素可以产生吸引和排斥两种效果（Helbing和Molnár，1995年）。后续研究重点关注排斥效应（Johansson等人，2007年；Ma等人，2010年），并结合了转向行为（Dias等人，2014年；C. Sun等人，2023年）、群体动态（Moussa?d等人，2010年；Zanlungo等人，2014年）和领导者-跟随者行为（Zeng等人，2017年；Xie等人，2022年）等影响因素。人们认识到，在休闲步行情境中，吸引效应是显而易见的（Hoogendoorn和Bovy，2005年）。然而，环境元素的吸引效应是复杂的、共线的，并受元素类型的影响，这对基于规则的模型来说是一个挑战。相比之下，数据驱动模型具有更高的预测准确性，更适合探索行人与环境之间复杂且共线的关系（Butz和Torrey，2006年；Kothari等人，2022年）。例如，Social-LSTM模型可以根据之前的轨迹和行人之间的互动来预测行人行为（Alahi等人，2016年）。尽管该模型的更新版本考虑了环境因素，但它们通常将这些因素视为同质的（Bartoli等人，2018年；Bisagno等人，2021年）。这种简化阻碍了对不同环境元素的多样化吸引和排斥效应的分析。最近，SHAP值作为一种有价值的工具出现，可以用来解释数据驱动模型，从而细致地研究各种环境组成部分如何影响行人行为（Lundberg和Lee，2017年）。步行性和路线选择模型已经研究了各种环境元素与步行行为特征之间的定量关系。此外，关于步行行为的研究还探讨了环境元素的排列如何影响这些行为。然而，目前仍缺乏将这些发现整合起来，以评估不同环境元素的排列如何影响步行特征的途径。这一限制阻碍了针对环境特征形状和布局的设计建议的开发。更详细和可操作的设计建议将更好地符合基于自然的解决方案原则和标准（Cohen-Shacham等人，2019年）。研究表明，步行速度的减慢可能表明“停止吸引”（Xuan和Zhao，2022年），而倾向于朝某些区域移动则反映了“接近吸引”（Helbing等人，2000年）。这些因素有助于表征步行偏好。然而，由于环境元素之间的共线性，传统方法难以分析它们之间的关系。相比之下，数据驱动模型利用通过非线性变换学习到的特征分布表示，这些模型较少受到多重共线性的影响，因为它们的目标是最大化整体拟合度，而不需要各个变量之间的功能关系（Lakes等人，2009年）。通过结合步行性和路线选择研究中确定的关键环境因素，基于数据的步行行为模型可以通过分析步行行为特征来量化行人的满意度。SHAP值提供了一种方法，通过基于合作游戏理论和边际贡献计算的严格过程来分离特征的贡献，从而生成可解释的数据驱动模型输出。
在分析机器学习模型时应用SHAP值已经有效评估了多个主题，包括热岛强度（Oukawa等人，2024年）、耕地退化（Liao等人，2025年）和城市植被碳封存（Luo等人，2025年）。这证明了该方法在解决基于自然的解决方案（NBS）方面的可行性。然而，对于与步行环境相关的NBS仍存在显著的理解空白。本研究通过两个研究目标来探讨城市公园中的行人步行行为。首先，我们旨在识别由行为意图（以目标为导向 vs. 休闲漫步）和空间限制（刚性的不可通行墙壁 vs. 开放的、柔软的自然边界）引起的运动特征结构差异，从而量化传统实验室模型中存在的情景偏差（???????）。其次，通过关注现实世界的公园数据，我们分析了这些空间和行为差异，以验证特定的自然和人工公园元素如何调节行人的加速度和角速度。利用神经网络模型，我们探讨了两种不同的行为反应：“停止吸引”和“接近吸引”。步行环境被划分为几个环境类别，并将其编码输入神经网络以预测运动变化。使用SHAP值对每个环境类别与速度变化之间的关系进行反卷积，以在整体行为场中分离出边际效应。此外，还对SHAP输出应用二次响应曲面方程，以识别和量化不同公园元素之间发生的非线性协同效应。

以下部分的组织结构如下：“研究区域和数据集”部分介绍了主要的真实世界公园数据集和次要的实验基线数据集。“方法论”部分详细介绍了神经网络架构、感知编码和SHAP反卷积方法。“结果与讨论”部分展示了关于非线性交互范围和协同效应的发现。“应用和未来工作”部分将这些发现转化为城市公园的参数化空间设计指南。“结论”部分总结了研究的主要贡献。

2. 研究区域和数据集
2.1. 中国哈尔滨的UAV视频数据
本研究的录像是在中国哈尔滨松花河旁的Sidalin公园进行的，如图1所示。研究区域的长度为66米，宽度为14米，仅限行人进入。该区域内有四个主要入口和出口：左侧通道、右侧通道、上部通道和下部通道。研究区域的周边被绿地和河流环绕，增强了公园的自然环境。
2024年4月14日，在天气晴朗的条件下，部署了一架无人飞行器（UAV）记录了6分15秒的空中影像。相机是DJI Mavic Zoom，分辨率设置为4096 × 2160像素，帧率为每秒24帧。UAV在70米的高度飞行，提供了全面的视角，可以精确观察整个研究区域的行人轨迹。
以每秒6个数据点的采样率（每0.167秒采样一次）提取轨迹，共获得了119,096个离散的时空数据点，这确保了神经网络训练和验证的统计稳健性。
下载：下载高分辨率图像（780KB）
下载：下载全尺寸图像
图1. 真实场景的标题和变换。
由于UAV的高度较高，导致每个受试者的像素密度较低，因此未能捕捉到面部特征和可识别的身体特征。为了确保绝对隐私，我们的数据处理流程立即将所有行人主体转换为仅由其重心坐标定义的抽象数值实体。没有提取或存储任何个人标识符或生物特征标记；因此，该研究仅限于对空间运动模式的严格数学分析。这种源端匿名化方法符合公共空间观察的伦理标准。
使用摇拍摄像头有效减少了视频抖动，从而降低了测量误差。通过确定坐标系的原点、定义??轴的正方向，并在稳定的背景下固定单位长度，进一步减少了测量误差。因此，每0.5秒的平均测量误差降至0.0197米，这不太可能显著影响总体结果。
为了分析环境元素与行人行为之间的关系，必须从视频中提取这些元素和行人的位置。图1展示了研究区域，其中包括七种类型的环境元素：垃圾桶（DUS）、雕塑（SCU）、长椅（BEN）、河流（RIV）、点状绿空间（GSP）和带有长椅的绿空间（GSB）。其中，DUS、SCU和BEN被归类为人工元素，而RIV、GSP、GSL和GSB被视为自然元素。步行环境被划分为代表这些环境元素的区域，以便进一步分析关键点。
本研究使用了基于Java框架的开源工具“Tracker”视频分析软件，从捕获的影像中提取行人轨迹。由于无人机的高度较高以及每个参与者感知的像素数量有限，因此捕捉到的轨迹主要包含了上半身的动作。为了提高准确性，在半自动跟踪过程中发现的任何跟踪误差都通过视觉检查进行了手动校正。2.2. Hermes项目实验数据为了实现本研究的首要目标——识别不同行为目标和空间边界类型下的运动模式差异——我们引入了Hermes项目（张等人，2012年）的开源实验数据作为次要的比较基准。Hermes项目收集了在宽3.6米的走廊中双向行人流动的实验数据（张等人，2012年）。图2展示了实验设置。在该区域，两端各有一个门，每个门的宽度为0.5米。行人通过一个门进入空间，然后通过另一个门离开。进入后，他们有4米的距离才进入8米长的实验区域。一旦离开走廊，行人可以自由选择离开该区域的目的地。实验使用了两台摄像机来捕捉1.2分钟内行人的行走轨迹。实验场景中观察到的平均行人流量为每秒1.60人。这些开源数据被广泛用于校准和验证行走行为模型。在后续分析中，所有不可通过的元素被归类为墙壁（WAL）。在这项研究中，Hermes数据集仅作为一个具有刚性物理边界（实心走廊墙壁）和目的地驱动运动的受控基准。将这一基准与我们的真实世界公园数据集（边界由柔软的开放式绿地边缘和河岸组成）进行比较，使我们能够量化情景偏差系数（???????），并解释为什么开放的公园环境需要专门的行为建模。下载：下载高分辨率图片（82KB）下载：下载全尺寸图片图2. 实验场景的标题和转换。3. 方法论为了评估公园景观如何影响人类运动，本研究将物理空间特征转化为认知感知输入，并预测两个关键行为选择：停留（通过加速度调整来衡量）和转向（通过角速度变化来衡量）。我们的方法论框架不是将公园环境视为静态背景，而是模拟访客对周围特征（如绿地边界、水体和公园设施）的视觉和心理处理。我们采用深度神经网络来捕捉行人在漫步时所做的非线性、多感官决策。为了使这些复杂的人工智能预测对城市设计师和景观建筑师来说易于理解，我们使用了Shapley加性解释（SHAP）和响应面建模。这将整体空间体验分解为可操作的设计参数，分离出特定景观元素在不同距离上的个别和协同行为影响。3.1. 模型架构和超参数优化图3展示了本研究中使用的神经网络架构。网络深度的选择基于层次化认知处理理论，模拟了从原始感官接收到的信息到行为执行的过渡。虽然传统的行走行为预测模型通常使用一个（孙等人，2023年）或两个（宋等人，2018年）隐藏层，但本研究系统地比较了三层结构（单个隐藏层）和四层结构（两个隐藏层）。四层结构特别设计用于表示“感知-决策”层次结构。在这个框架中，第一个隐藏层作为一个显著性过滤器，从高维输入变量中识别最相关的信号。第二个隐藏层模拟潜在的行为意图，模型在此整合了竞争性刺激——如避免碰撞的压力与吸引人的便利性——如接近公园的特征。如“4.1. 模型评估和超参数调优”中所详细说明的，四层结构实现了更低的平均位移误差（ADE），证明了这种层次深度对于捕捉公园环境非线性复杂性的必要性。下载：下载高分辨率图片（810KB）下载：下载全尺寸图片图3. 三层和四层神经网络模型的架构。此外，这种架构通过内部特征选择有效解决了特征共线性问题。网络不是基于简单的统计相关性来分配权重，而是识别哪些共线变量一致地触发了行人加速度或角速度的非线性“显著性峰值”。为了解释这些复杂的内在状态，我们实施了Shapley加性解释（SHAP）。基于联盟博弈论，SHAP通过评估模型预测在所有可能变量子集上的边际变化来分离各个特征的作用。这使得整体环境场可以精确地解构为可操作的设计数据。输入层和隐藏层之间的激活函数是Sigmoid函数，用于模拟行为饱和度。这确保了模型反映了人类运动的物理限制：当行人达到对刺激的最大舒适转弯角度或减速率时，Sigmoid曲线趋于平稳。这防止了模型随着刺激强度的增加而预测出无限物理变化，使数学结构与行为现实保持一致。隐藏层和输出层之间的连接使用线性传输函数（purelin），以实现连续且不受限制的运动响应范围。输入层包括标准化的环境变量，而输出层预测加速度或角速度。为了确定最佳网络规模，使用了方程（1）（Madhiarasan和Deepa，2017年）来计算隐藏神经元的基准数量（??????????????????????），代表模型的初始信息容量。对于三层结构，通过将隐藏神经元数量从0.5×??????????????????????变化到1.5×??????????????????????来系统评估模型准确性。对于四层结构，实施了五个神经元的增量间隔，以高效校准扩展的参数空间。为了降低高维校准过程中的过拟合风险，训练过程中使用了L2正则化。（1）??????????????????????=√???????×??????????在本研究中，我们使用个人坐标系来分析行人行为。对于每个???????????????????????????????，坐标系的原点是其当前位置，正的??轴表示其行走方向。数据集分为两个独立的部分：训练集和测试集。训练集占数据的80%，用于确定多项逻辑回归模型的系数。同时，测试集包含剩余的20%的数据，用于评估训练模型的性能。3.2. 输入变量和类别编码框架行走行为受到当前行走条件、周围行人和环境元素的影响（Helbing等人，2001年）。为了最小化其他变量的影响，所有相关因素都被纳入神经网络模型作为输入变量。由于纵向因素主要影响加速度，而横向影响影响角速度，因此模型设计为使用相关输入变量来预测这两个方面。这种方法通过关注最相关的数据来简化分析。图4展示了与当前行走条件相关的一组输入变量。为了预测加速度，模型纳入了行走速度（??）以及前一时间段和随后两个时间间隔的加速度值（?????1和?????2）。为了估算角速度，输入变量包括??以及前一时间段和随后两个时间间隔的角速度（?????1和?????2）。行走速度（??）对加速度和角速度的预测都至关重要。它是通过将当前时间段内的位移除以时间间隔（?????）来计算的。加速度值计算如下：?????1为（????????1）/?????，?????2为（????????2）/（2×?????），其中?????1和?????2分别代表前一时间段和随后两个时间间隔内的速度。同样，角速度的计算公式为?????1=??1/?????和?????2=??2/（2×?????），其中??1和??2反映了前一时间段和随后两个时间间隔内的行走方向。如果??1或??2指向左侧，则视为正值；否则为负值。图4展示了第二组变量：行人之间的关系。为了模拟避免碰撞的认知过程，本研究采用了一个感知编码层，将原始几何距离转换为优先的“碰撞压力”。本研究使用碰撞时间作为输入变量，因为它更准确地反映了感知风险与动态行走行为之间的心理关系。这一类别被分解为四个基于扇区的变量：?????90?45、?????45?0、?????0?45和?????45?90。这些变量旨在捕捉人类视觉的各向异性，关注前方视野四个不同区域内的迫在眉睫的威胁：-90°至-45°、-45°至0°、0°至45°和45°至90°。物理碰撞时间（???????）根据方程（2）计算。由于较小的???????表示更紧迫的碰撞风险（Jafari和Liu，2024年），模型选择性地过滤每个方向区域内最紧迫的威胁，以代表行人的主要关注点。（2）???????=?????????×cos?(????)+????×cos?(????)下载：下载高分辨率图片（660KB）下载：下载全尺寸图片图4. 神经网络模型的输入和输出变量。在方程（2）中，???????表示行人??和行人??之间的距离，而????表示行人??的方向。变量????表示行人??的速度，????则表示从行人??的角度看行人??的相反方向。方程（3）（Jafari和Liu，2024年）作为感知转换函数，将客观的物理时间（???????）映射为非线性的刺激强度（????）。（3）????=33.9×???6.50×???????指数衰减常数（?6.50）定义了行人的“感知范围”。通过这种编码，模型结合了Weber-Fechner心理物理学定律——即人类对刺激的敏感性是非线性的。因此，1秒后的碰撞威胁会引发比5秒后的威胁更高的行为反应（Maes，2021年）。这种感知编码确保了神经 network 基于空间意识和感知风险的生物学现实进行操作，而不仅仅是处理原始的几何坐标。图4展示了行人及其环境之间的互动。沿行走边界的重点点是根据其长度选择的。对于短边界（少于3米），关键点是每边的中点和端点。对于较长边界（3米或以上），关键点是在边界上的特定间隔??处确定的。环境元素的碰撞时间（???????）根据方程（4）（Jafari和Liu，2024年）计算。从???????????????????????????????到????的距离由???????表示，????表示????的方向。（4）???????=?????????×cos?(????)与行人之间的逻辑一致，环境影响（????）通过感知编码函数（方程（5）（Jafari和Liu，2024年）进行处理。这种编码有两个关键目的：指数衰减模拟Weber-Fechner定律，确保模型优先考虑即时的物理约束，而余弦项考虑到人类视野的各向异性。（5）????=33.9×???6.50×???????×(0.11+0.89×1+cos?(????)2权重因子0.11+0.89×1+cos?(????)2数学上模拟了人类视觉的“foveal biSSas”。这确保了环境元素在视线范围内（????≈0°）具有最大的影响，而外围元素的转向和加速度影响显著减弱（Johansson等人，2007年）。位于有效视觉范围（-90°至90°）之外的特征被赋予值0，反映了人类视觉感知的极限。通过将基于距离的衰减和视觉角度偏差整合到一个统一的强度值（????）中，模型实现了行为场的功能性解构。这使得后续的神经网络能够识别任何给定时间步长中最显著的特定物理特征。对于角速度的预测，来自左侧的环境影响被视为正值，而来自右侧的影响被视为负值。我们模型的输出变量是下一时间步的加速度（????????）和角速度（????????），如图4所示。预测的速度（????）使用公式??+????????×?????计算，而预测的方向（????）来自????????×?????。3.3. 交互视界的指数空间划分在完成模型训练后，将???????值离散化到多个区间，以评估各种环境类别的停止吸引和接近吸引效应。图5概述了用于评估这些特征行为影响的分析框架。此阶段量化了个别数据点的影响。在训练加速度和角速度模型后，基于500个样本大小计算SHAP值。这生成了一个矩阵，其中每一列代表一个特定的环境特征，每一行对应于该特征对给定样本的边际贡献。然后将这些SHAP值空间映射到触发行为响应的关键坐标上，如图5所示。为了确保解释的一致性，结果被标准化，以便正的SHAP值始终表示积极的行为效应（即，增加的吸引力）。具体来说，对于停止吸引力，原始的SHAP值被反转，以便正值反映加速度的减少；对于接近吸引力，值根据???????的符号进行调整，以确保正结果表示朝向环境元素的方向性变化。下载：下载高分辨率图片（673KB）下载：下载全尺寸图片图5. 说明用于分析影响的方法的图表。为了建立摘要统计量和定义距离依赖的影响规律，SHAP值根据它们对应的???????水平进行分组。为了与韦伯-费希纳感知定律保持一致，这些分组区间遵循指数分布（Maes, 2021）。如图5所示，分组阈值（??1至??6）由???24到???4定义，对应于2-4秒碰撞时间窗口内的互动范围（Karamouzas et al., 2014）。为了减少潜在的数据偏差，每个类别的代表性影响是通过加权平均计算得出的：每个分组的平均SHAP值乘以该分组在总互动范围内的相对空间比例，如图5.3.4所示。为了研究不同环境类别之间的协同效应，采用了二次响应面模型来识别交互结果（公式（6））。在这个模型中，??代表元素A和元素B的组合SHAP值，而??1和??2表示它们各自的???????值。回归系数（??0,??1,??2,??11,??22,??12）定义了交互的性质。如果??1>0且??2>0，则表明存在协同关系，??12>0表示正向交互（协同作用），且??值<0.05表示统计显著性。（6）??=??0+??1???1+??2???2+??11???21+??22???22+??12???1???2+??4。结果和讨论在现实世界设置中，预测加速度的R平方值为0.2099，预测角速度的R平方值为0.3521。相比之下，实验设置中的R平方值显著更高，加速度为0.5279，角速度为0.5940。平均位移误差（ADE）用于评估预测模型的性能，ADE的计算公式如下：（7）????????=??∑??=1??????????∑??=??????????√(????,?????????,????)2+(????,?????????,????)2???(?????????????????????)，在此上下文中，????,????和????,????分别表示从时间??开始下一秒内第??个行人在??轴和??轴上的预测运动。相应的真实值为????,????和????,????。在这项研究中，????,????=(??+????????×?????)×?????????(????????)和????,????=(??+????????×?????)×?????????(????????)。为了突出本研究中使用的神经网络与最先进方法（特别是社交力量模型（Johansson et al., 2007）之间的差异，在实验和现实世界设置中计算了社交力量模型的平均位移误差（ADE），如表1所示。结果表明，社交力量模型的ADE显著大于本研究中提出的神经网络。这表明社交力量模型在处理行走环境中的共线性方面存在困难。为了量化目标导向的实验基线和自然公园环境之间的行为差异，我们引入了场景偏差系数（???????），通过Jensen–Shannon距离计算它们各自的SHAP值分布之间的差异。这个指标提供了一个标准化度量（范围从0到1），用于衡量行人在不同情境下对环境刺激的感知和反应的差异。我们的分析得出停止吸引力的???????为0.40，接近吸引力的???????为0.51。根据已建立的分布差异统计启发式方法，这些值表明行为逻辑发生了显著变化。这些定量结果证实，基于实验室的实验数据不足以代表城市公园导航的复杂性，因此需要采用本研究中采用的场景特定建模方法。表1. 本研究使用的神经网络预测的ADE与社会力量模型预测的ADE的比较。空白单元社交力量模型神经网络实验0.21050.0446无人机视频0.17550.07354.1. 模型评估和超参数调整为了确定捕捉行走行为与环境元素之间关系的适当超参数，我们使用ADE作为评估准确性的标准。我们评估了不同L2正则化参数大小（具体为0、0.00001、0.0001、0.01、0.01和0.1）在不同隐藏神经元数量下的效果。所有神经网络结构、L2正则化参数和隐藏神经元数量的组合的ADE都被计算出来。超参数调整的结果在表2中呈现。实验数据集的超参数调整结果如图6所示。在隐藏神经元数量范围内，L2正则化参数的影响更为明显。折线图显示了每个L2正则化参数的所有试验的平均ADE。对于实验数据，随着L2正则化参数的增加，ADE保持稳定，但超过某个阈值（0.001）后开始上升。实现最高预测准确性的最佳模型具有四层结构，两个隐藏层各包含5个神经元，并且不使用L2正则化。表2. 分析过程中使用的参数。空白单元???????1?????2实验055无人机视频0.00012525现实世界数据集的结果如图7所示。与实验数据集类似，L2正则化参数的影响在隐藏神经元数量范围内更为明显。折线图显示了每个L2正则化参数的所有试验的平均值。值得注意的是，ADE首先下降，当L2正则化参数超过0.0001时显著增加。预测准确性最高的模型具有四层结构，两个隐藏层各包含5个神经元，并且不使用L2正则化。下载：下载高分辨率图片（481KB）下载：下载全尺寸图片图6. 实验数据集的超参数调整过程。下载：下载高分辨率图片（585KB）下载：下载全尺寸图片图7. 现实世界数据集的超参数调整过程。4.2. 环境元素类别对行走行为的影响图8展示了不同类别环境元素之间的交互。数据集包括WAL、DUS、SCU、BEN、RIV、GSP和GSB的影响，分别为80,000、20,000、40,000、19,000、27,000、16,000、50,500和16,500个数据点。环境成分的影响由平均值和标准差表示。在这种分析中，正值表示正向关系，而负值表示负面影响。图8展示了各种环境类别对停止吸引力和接近吸引力的影响，提供了一个设计停留和穿越空间的双重视角框架。关于停止吸引力，WAL表现出显著的正向影响，而DUS和GSP显示出高吸引力，有效地鼓励行人停留。相反，GSB和GSB产生负面影响，表明这些特征可能会阻止在其附近停留。在接近吸引力方面，WAL显示出显著的负向影响。相比之下，SCU通过视觉显著性吸引行人靠近。BEN显示出轻微的正面接近吸引力，而线性绿地（GSL）显示出轻微的负向影响。这些不同的吸引特征表明，虽然一些元素作为静止活动的锚点，但其他元素则作为方向线索，塑造了行人在公园中的移动轨迹和流动。下载：下载高分辨率图片（289KB）下载：下载全尺寸图片图8. 不同类别中停止吸引力和接近吸引力与环境元素之间的关系。4.3. 不同环境元素类别在每个分组水平上的影响如图9所示，停止吸引力和接近吸引力的波动与定义的交互范围（I1–I6）紧密对齐。不同类别中观察到的趋势显示出明显非线性的行为范围，表明行人反应对环境刺激的空间深度非常敏感。关于停止吸引力，WAL在I6范围内表现出正向影响，可能是因为WAL作为约束。在人工环境中，DUS和BEN分别在I3–I4和I3–I5范围内表现出正向的停止吸引力，而SCU在所有范围内的影响都可以忽略不计。在自然环境中，绿地类别（GSP、GSL和GSB）在I2处表现出局部正向影响，在I3处转变为负向，然后在I4–I5范围内再次上升。同样，RIV的影响也有所波动：在I2处可以忽略，在I3–I4过程中减少，然后在I5处再次变为正向吸引。具体来说，正吸引力的峰值出现在以下???????区间：DUS为1.16–2.39秒；BEN为1.16–3.00秒；GSP为1.16–2.39秒和3.00–3.62秒；GSL为1.16–2.39秒和3.00–3.62秒；GSB为1.16–1.77秒和3.00–3.62秒；RIV为3.00–3.62秒。下载：下载高分辨率图片（672KB）下载：下载全尺寸图片图9. 停止吸引力、接近吸引力和SHAP值不同分组水平之间的关系。在接近吸引力方面，WAL显示出显著的负面影响，而人工和自然元素在吸引行人靠近方面始终优于WAL。对于人工特征，SCU的影响从I3到I6逐渐增加，在I6范围内达到最大正向影响。BEN在所有区域都保持轻微的正向影响，而DUS的影响在统计上不显著。对于自然元素，GSP和GSB从I1到I5显示出上升趋势，从I3开始变为正向。相反，RIV显示出下降的吸引力趋势，尽管在I2处有显著的正向影响。具体的正向接近吸引力范围为：SCU<0.57秒；GSP在<0.57秒和1.18–1.49秒有两个峰值；GSB在0.57–1.18秒；RIV在1.49–1.80秒。4.4. 多种环境类别的协同影响图10展示了不同环境类别之间的协同效应。我们的分析揭示了交互模式的明显差异：对于停止吸引力，协同效应通常是正向的，而对于接近吸引力则主要是负面的。这些结果表明，多元素配置对于创建有效的停留空间非常有益，而在穿越区域中高密度多样化元素可能会导致行为干扰或吸引力减弱。具体来说，关于停止吸引力，几乎所有组合都表现出正向协同效应，但GSP&SCU、GSP&GSL和GSB&GSL的例外情况表明它们表现出负向交互效应。在这些组合中，GSP和GSL之间的交互是显著负面的。相反，对于接近吸引力，正向协同组合仅限于GSB&SCU、GSB&RIV、GSP&DUS和GSP&BEN。还观察到GSP&BEN组合对接近吸引力有显著的负面影响。这些发现表明，虽然多样化的刺激可以锚定静止行为，但它们可能在行人活动期间竞争有限的注意力容量，从而降低个别特征的净接近吸引力。下载：下载高分辨率图片（362KB）下载：下载全尺寸图片图10. 多种环境变量对停止吸引力和接近吸引力的协同影响。5. 应用和未来工作在本文中，我们提出了一种分析环境元素与行走行为特征之间交互的方法。我们的研究强调了各种环境因素对停止吸引力和接近吸引力的影响。这些发现可以应用于改善城市公园的行走环境，并实现更有效的基于自然的公共卫生解决方案。本研究的发现强调了行走环境在塑造行人行为中的关键作用。通过量化特定环境特征如何调节运动特征，设计师可以战略性地优化公园空间的停止吸引力和接近吸引力，以支持多样的娱乐活动。假设平均行人行走速度为1.30米/秒（Luo et al., 2024），本研究中确定的时间感知范围可以转化为精确的空间设计区间。为了有效设计停留空间，垃圾桶（DUS）应放置在距离主要行走路线1.51–3.11米的位置；长凳（BEN）应位于1.51–3.90米范围内；点状绿地（GSP）在1.51–3.11米和2.91–4.71米间隔最有效。此外，线性绿地（GSL）应针对2.30–3.11米和3.90–4.71米的距离，而绿地边界（GSB）应在1.51–2.30米和3.90–4.71米范围内优化。对于河岸（RIV），3.90–4.71米的距离最有利于停留行为。对于穿越空间，视觉锚点和方向线索应放置得更近：雕塑（SCU）在<0.74米范围内最有效；GSP在<0.74米和1.53–1.94米之间；GSB在0.74–1.53米之间；RIV在1.53–2.34米之间。整合这些参数距离阈值可以创建更符合行人行走行为内在机制的城市公园。未来的研究应该扩展本研究的发现，解决三个主要领域的问题。首先，虽然这项工作量化了多样化环境元素的平均值，但某些类别中导致高变异性的具体因素仍有待阐明。其次，高空无人机数据的局限性阻碍了对人口异质性（如年龄和性别）的识别。由于人口多样性显著影响公共卫生和移动模式，未来的研究应整合多源数据，将人口特征与轨迹信息相关联。这种方法对于完善公共卫生推断以及确保城市公园设计满足包容性的社会需求至关重要。最后，特定元素的结构细节——包括GSB中的座椅密度以及GSP和GSL的几何尺寸比——需要进一步研究。获得具有更广泛参数范围的更全面数据集将有助于识别这些细微的形态学影响。这样的发展将产生更细致和有效的设计建议，进一步弥合计算建模与城市绿地实际优化之间的差距。

**6. 结论**
城市公园作为一种基于自然的公共卫生解决方案，对居民来说至关重要。参观这些公园的体验受到步行环境的显著影响。因此，了解步行行为与各种环境元素之间的关系至关重要。传统方法难以区分步行行为特征与环境元素之间复杂且通常是共线的关系。因此，需要有效的策略来全面构建和分析这些关系。

本研究比较了三层和四层神经网络模型，以探索城市公园中的环境元素与停留吸引力和邻近吸引力之间的关联。使用SHAP值来分析步行行为的特征。首先，研究定义了输入变量集，包括三个类别：当前步行条件、行人之间的互动关系以及行人与环境的关系。在确定神经网络和超参数后，计算了停留吸引力和邻近吸引力模型中所有重要组件的SHAP值。然后对这些SHAP值进行分类，以识别不同类型环境组件之间的差异。

实验设置中WAL（步行距离）的影响与自然环境中观察到的行为模式存在根本性差异，这一点通过停留吸引力的情景偏差系数（???????）为0.40和邻近吸引力的情景偏差系数为0.51得到证实。在停留吸引力分析中，当???????低于1.16秒时，WAL表现出积极效应，在这个范围内大多数其他环境元素的影响微不足道或为负。此外，在邻近吸引力分析中，WAL显示出比所有自然环境类别更高的负面影响。这些定量差异表明，从目标导向的实验设置中得出的结论不足以用于城市公园设计；相反，特定场景的现实世界数据对于模拟真实的休闲步行环境至关重要。

关于停留吸引力，DUS（设计独特性）和GSP（几何形状）本质上具有正向吸引力。然而，这些元素的具体影响很大程度上受到交互范围的调节。其他特征，包括BEN（建筑环境）、RIV（人行道宽度）、GSL（绿地面积）和GSB（绿地空间）也可以产生正向的停留吸引力，前提是它们被战略性地放置在最佳感知范围内。对于邻近吸引力，SCU（空间连续性）、BEN和RIV通常表现出积极效果，而GSP和GSB在适当的空间背景下设计时也表现出正面吸引力。

协同分析显示，不同环境类别之间的互动在停留吸引力方面往往是正向的，但在邻近吸引力方面主要是负面的。GSP和GSL在停留吸引力方面表现出显著的负面协同效应，而BEN和GSP在邻近吸引力方面表现出显著的负面协同效应。这些发现表明，虽然聚集某些元素可以固定静止行为，但在行人积极移动时，它们可能会竞争有限的注意力。

**作者贡献声明**
Shi Sun：撰写——原始草稿、软件开发、方法论、正式分析、数据管理、概念化。
Mengmeng Li：撰写——审阅与编辑、方法论、资金获取、正式分析、数据管理、概念化。
Maolin Zhang：数据管理、概念化。
Daitian Wang：数据管理、概念化。
Zhuohang Li：数据管理、概念化。
Pan Li：数据管理、概念化。

Shi Sun | Mengmeng Li | Maolin Zhang | Daitian Wang | Zhuohang Li | Pan Li
哈尔滨工业大学建筑与设计学院，中国哈尔滨，150001