微观尺度建成环境下公交出行的异质性响应：基于可解释人工智能的实证研究

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Heterogeneous bus ridership responses to micro-scale built environment: Evidence from explainable AI

　　

• •
  计算机视觉-XAI框架解码了交通微环境的非线性影响。
• •
  模型表明，绿化覆盖率和人行道面积分别在15%和25%时达到经验参考平台期。
• •
  街景质量与上车的关联性强于与下车的关联性。
• •
  自主出行对环境质量比强制性出行更为敏感。
• •
  所提出的象限矩阵为改造优先干预区域提供了优先排序。

引言

公共交通是高密度城市集聚体可持续交通的支柱。数十年来，城市规划者一直依赖宏观尺度的建成环境指标，如经典的"5Ds"框架（包括密度、多样性、设计、目的地可达性和距公共交通距离），来预测和刺激公共交通客流量（Ewing & Cervero, 2010）。尽管大量证据表明，较强的宏观可达性和混合用地与公共交通需求呈正相关（Aston等, 2021），但宏观尺度指标通常无法捕捉行人次级的空间体验（Gehrke & Wang, 2020）。公共交通用户直接与微尺度建成环境互动；街道绿化、人行道几何形态和遮荫罩棚等基础设施元素与公共交通用户的身体和心理成本密切相关（Fan等, 2016）。

微尺度建成环境的重要性在中国深圳等亚热带高密度特大城市中尤为显著。深圳面临着运营地面交通网络的挑战，每天处理数百万次公交车次，同时还要忍受漫长夏季的高温高湿天气，最高气温经常超过32°C（Li等, 2023；Xie等, 2022）。因此，等车使乘客暴露于热胁迫中。尽管气候条件如此恶劣，仍有大量公交车站缺乏足够的人工遮荫罩棚或成熟的行道树，使微环境缺陷（如强烈日照）成为阻碍公共交通使用的主要障碍（Lanza and Durand, 2021；Liu等, 2025）。这凸显了优化站点级环境以维持公共交通吸引力的必要性（Fan等, 2016；Liu等, 2023b）。

传统上，评估这些微尺度基础设施缺陷依赖劳动密集型实地审计，将分析限制在小地理尺度上。近年来，开放获取的街景影像（SVI）的扩展彻底改变了城市分析领域。街景影像以人为中心捕捉建成环境，使研究人员能够在大范围城市网络中量化行人次级的视觉特征（Biljecki and Ito, 2021；Fan等, 2025）。尽管基于街景影像提取的街景越来越受到认可，但当前研究仍存在三个关键的方法论和理论局限。

首先，传统空间计量模型固有的刚性线性假设（Ding等, 2019）。这隐性地延续了一种"越多越好"的谬误，未能捕捉边际效用递减这一现实世界原则（Zhang等, 2025）。其次，主流研究通常将每日交通总量作为通用因变量进行汇总（Shao等, 2020）。这种汇总掩盖了上车（需要长时间静止暴露于微尺度建成环境中）和下车（以快速分散为特征）之间根本的空间-行为不对称性（Chakour and Eluru, 2016；Fan等, 2016）。第三，出行需求的时间弹性仍未得到充分探索。微尺度建成环境对由"固定"通勤者执行的强制性出行与由休闲旅行者进行的自主出行的不同影响很少被区分开来（van Lierop等, 2018），导致规划建议过于笼统且往往效率低下。

将街景影像与可解释人工智能（XAI）相结合为解码这些复杂城市机制提供了新的机遇。近期研究开始将基于街景影像提取的视觉特征与XAI框架相结合，以揭示城市现象的非线性关联，尤其是在步行和骑行等主动出行方面（Dong等, 2023；Yang等, 2024）。然而，这种综合方法在公共交通研究中的应用主要依赖宏观层面的数据，在诊断微尺度视觉街景如何在不同行为背景下以非线性和不对称的方式影响公交客流量方面存在方法论空白。为解决这些空白，本研究提出了一个闭环的、数据驱动的方法论框架，整合了基于深度学习的环境感知和可解释机器学习。本研究利用中国深圳福田区934个公交车站的高分辨率街景影像和为期一个月的自动收费系统记录，将非结构化视觉数据转化为可量化指标。这些指标随后被纳入极端梯度提升（XGBoost）模型，并通过SHAP（SHapley可加性解释）进行解释，以解码非线性空间关系。

具体而言，本研究试图回答三个核心研究问题：(1)特定微尺度建成环境元素对公交客流量的非线性经验参考平台期和边际效用递减是怎样的？(2)公共交通上车（长时间等待暴露）和下车（快速分散）之间的环境敏感性有何不同？(3)出行需求的时间性质（刚性的工作日出勤与弹性的周末休闲）如何改变微尺度建成环境对公共交通使用的影响？通过回答这些问题，本研究将XAI输出转化为基于象限的空间筛选矩阵。该方法识别出遭受环境不匹配问题的优先干预区域，支持规划者从主观的美学升级转向以公共交通需求为导向的基于证据的交通规划。

章节摘要

建成环境与公共交通客流量之间关联的演变

数十年来，实证研究依赖"5Ds"框架（密度、多样性、设计、目的地可达性和距公共交通距离）来捕捉宏观尺度的空间特征（Ewing & Cervero, 2010）。证据表明，高密度、混合用地和较强的宏观可达性与公共交通客流量呈正相关（Aston等, 2021；Vergel-Tovar和Rodriguez, 2018）。然而，宏观尺度指标通常在人口普查区或缓冲区层面进行汇总，往往

研究区域与观测点

选择福田区作为研究区域（见图1）。作为中国深圳市的中心商务区，福田代表了典型的高密度和公共交通导向型城市形态（Shao等, 2020）。位于以漫长、炎热、潮湿夏季为特征的亚热带气候区，深圳的公共交通用户对等待环境的微气候和美学质量敏感（Tao等, 2018）。福田在公共交通方面表现出空间异质性

可解释环境-交通评估框架概述

研究框架（见图3）将原始城市数据映射为有针对性的政策干预建议。该架构被抽象为三个顺序运算符：

(1) 表示学习（感知运算符 $\mathcal{E}$）。

该阶段将视觉数据转化为可量化指标。给定交通站点 $i$ 在方向 $h$ 上的原始影像 $I_{i,h}$，定义 $\mathcal{E}$ 以提取环境特征向量 $X_i$：$$\begin{array}{c}{X}_i=E\left(I_{i,h};{\theta }_{\mathit{dl}}\right)=\frac{1}{\left|H\right|}{\sum }_{h\in H}\text{Softmax}\left(\mathcal{S}\left(I_{i,h}\right)\right)\end{array}$$

其中 $\mathcal{S}\left(·\right)$ 代表DeepLabV3 + 语义分割

街景影像分割结果

原始多方向街景影像通过语义分割被转换为彩色编码的类别像素矩阵。该过程从所选公交车站周围的四个不同水平视角分析复杂的城市环境，将像素映射到19个既定空间类别（见图4a和4b）。应用半监督微调策略以缓解领域偏移伪影，从而将平均交并比提高了8.7个百分点至82.3%。

表2

等待暴露与站点空间功能

本研究的核心发现之一是上车和下车行为之间环境敏感性的不对称性，特别是微尺度建成环境对工作日早上下车（$Y_2$）的微不足道影响（Liu等, 2025）。存在一种等待暴露论点，即上车乘客经历长时间静止暴露于微气候中，而下车乘客则快速分散。

然而，解释机器学习输出需要承认SHAP值

结论

所提出的可解释环境-交通评估框架将非结构化街道级影像转化为基于证据的交通基础设施环境诊断工具。通过将可扩展的计算机视觉与可解释机器学习相结合，本研究量化了微尺度建成环境对交通需求的边际效用递减。这些发现挑战了城市和交通规划中关于更多基础设施的传统线性假设

CRediT作者贡献声明

Andy Angxi Xie：写作——审阅与编辑，写作——初稿，可视化，验证，软件，资源，方法论，调查，形式化分析，数据整理，概念化。

利益冲突声明

作者声明，他们不存在可能影响本研究报告工作的已知竞争性经济利益或个人关系。