标题: 基于大数据和机器学习分析评估步行与街道特征之间的关系 [打印本页] 作者: 用户国营 时间: 2024-7-31 21:51 标题: 基于大数据和机器学习分析评估步行与街道特征之间的关系 本次给大家带来一篇SCI论文的全文翻译！该论文利用机器学习技术仔细研究关于街道特征的移动应用步伐数据，通过告知决策者和城市规划者行人的行为和偏好，促进更有用的基础设施投资和支持规划决策，为决策者和城市基础设施投资提供了启示。 【论文题目】
Evaluating the relationship between walking and street characteristics based on big data and machine learning analysis
对行人友好的环境正被推广为重要的公共空间，以增强积极的交通。城市和城市规划者都认识到街道作为社会空间的重要性，在多年的以汽车为导向的规划之后，让行人重新回到了中央舞台上（萨拉查·米兰达等人，2021年）。作为这一趋势的一部分，对步行性和步行与构筑环境之间关系的研究正在得到越来越多的关注，目标是了解行人的需求、偏好和步行选择（Yencha，2019）。
步行与构筑环境之间关系的研究是基于城市空间的物理属性和计划特征大概促进或阻碍步行运动的前提（Ewing & Handy，2009）。实证研究的积极，以确定这些特征和质量。城市计划特征在影响个人（如个人步行时间）和集体（如行人量）步行行为方面发挥着重要作用，有经验证据支持个人步行行为与社区水平的构筑环境特征之间的关联（Saelens，Sallis，& Frank，2003）。此外，研究发现，对构筑环境的主观感知，如交通安全和美学，会影响个人的步行行为（Knuiman等人，2014年；Panter等人，2014年）。固然现有的研究已经广泛探索了构筑环境与个体步行行为之间的接洽，但对构筑环境与集体步行行为之间的接洽的关注有限（Jiang et al.，2021）。
可步行性评估通常在社区层面进行（通常称为“社区步行性”），同时思量将城市情势，如街道连通性、住宅密度和地皮使用组合作为步行的相关因素（Frank et al.，2005）。由于行人直接与街道环境互动，社区步行性指数往往没有思量到人为尺度的特征，而且，尽管它对步行性研究很重要，但街道水平的评估在文献中并不常见。此外，与机动交通研究的大数据技术和先进的数据网络方法相比，步行性研究主要依靠于传统工具，如观察、问卷观察和行人文件观察等(Boakye等人，2023年；费雷尔和鲁伊斯，2018年；弗兰克等人，2005年；高等人，2022年；杰克和麦科马克，2014年；米特拉等人，2015年；苏丹等人，2021年）。因此，测量的规模往往范围于小的地理地域和样本，由于传统数据网络工具的限定，与时间相关的变量往往被忽略。
“可步行”一词自18世纪开始使用（Forsyth，2015），而“可步行”的概念是一个迩来的术语，首次引入，常用于城市规划计划，旨在建设可步行社区（Wang & Yang，2019）。术语“步行性”通常指构筑环境对步行的人友好的水平（Frank et al.，2004；Gebel et al.，2009），但是不同的学者和实践者的界说不同，他们在界说这个术语时给予不同的重点。
对步行与城市环境之间关系的研究主要集中在城市/构筑环境的哪些属性影响步行，以及这种影响是如何反映的？根据（Moran & Plaut，2013），该研究领域可分为三种类型的研究计划：(1)比较计划-包括比较“高”和“低”步行性得分地域的身材运动水平（欧文等，2007；萨伦斯、萨利斯、黑、陈，2003；范戴克等，2009）；(2)相关计划-观察身材运动与构筑环境元素之间的相关性（卡尔森等，2012；弗兰克等人，2007,2009；罗米希等人，2006）；(3)多条理计划研究结合比较和相关计划（Berke等人，2007；Kerr等人，2007）。本研究属于相关性研究的范围。
关于构筑环境和体育运动的相关性研究主要在公共卫生部分和健康促进领域很常见。这一领域的研究依靠于社会生态学理论的某些元素，由于它是基于人类行为与物理环境、社会和个人特征相关的假设（Moran & Plaut，2013）。在这类研究中提出的主要题目是，城市环境的什么特征鼓励体育运动，以及相对于其他个人和社会因素，构筑环境的相对权重是什么？一般来说，在不同地点和不同人群之间进行的相关研究结果支持了步行性特征（密度、地皮利用组合、连通性和有吸引力的城市计划）和体育运动之间的接洽。比方，在美国对成年人进行的一项研究（Hoehner et al.，2005）发现，为了移动目标而步行与周围环境中的地皮使用组合呈正相关，与维护不善的人行道呈负相关。在美国另一项对儿童进行的另一项研究中（Roemmich et al.，2006），体育运动（在离家中5.2公里半径内测量）与居住密度和儿童住宅附近的公共空间巨细呈正相关。
相关研究中常用的方法是观察和问卷观察（Chan等人，2019年；Feuillet等人，2016年）。比方，（Feuillet et al.，2016）使用互联网观察来形貌构筑环境和步行之间具有对比关系的地方，并从环境和个人特征方面确定是什么区分了所发现的环境。结果显示，整个研究地域的构筑环境与步行跑腿和休闲有明显的正相关关系。此外，环境变量的相关性比个体变量要高得多，这表明环境变量对任何类型的步行结果都有更强的辨别本领。
（Chan et al.，2019）通过在中国深圳的四个选定社区进行的问卷观察，观察客观社区特征、人们对社区环境的感知和步行态度对步行频率的独立和联合影响。对美学、可及性和到达目标地的感知与休闲/休闲步行有关；维护和糟糕的人行道状况与所有类型的步行都密切相关。在韩国首尔大都市10000个地点的观察数据发现，人行道和宽广道路的存在与步行呈正相关（Kim et al.，2019）。
一些相关的研究提供了一个稍微不同的视角，通过关注环境变量，这些变量是行走的障碍，并镌汰了在城市进行体育运动的大概性。在西班牙巴伦西亚和格拉纳达，核心小组发现了害怕犯罪（缺人、夜间路灯不佳或在冲突地域行走）、高密度的交通灯和沿着大型大道行走的常见障碍（Ferrer & Ruiz，2018）。对老年人自我报告的体育运动的分析显示，恶劣的社区条件低落了到场体育运动的几率（Cheval et al.，2019）。
在相关研究中使用的变量可分为三种类型：(1)客观变量，可用尺度方法进行量化，如GIS，并在其他研究中重复（如地皮使用混合物、树木、公共交通站等）。；(2)主观变量，可以用尺度方法测量，如观察，在其他研究中大概也大概不会重复（如安全感、维护、吸引力等）。；(3)不同的变量，可以用观察等方法来测量，但大概无法在其他研究中重复（如社区的社会性、政策变量等）。（Maghelal & Capp，2011）。表1总结了一些客观环境变量的例子，这些变量在迩来的相关研究中与身材运动相关。客观措施进一步分为四个主题：目标地、功能、安全和美学（根据可变主题（Salvo et al.，2018））。
表1 比年来研究中与体育运动相关的客观环境变量的例子
在城市环境中，区分个人（如个人的步行时间）和集体（如步行量）的步行行为是至关重要的。思量到低人口密度或在社区外发生的步行运动等因素，社区内居民延长的步行时间并不肯定与较高的步行量相关。同样，社区中行人容量的增加并不肯定意味着居民步行时间更长，由于行人大概居住在其他地方或人口密度高的地域。这强调了个体和集体行走行为之间的不均匀关系。广泛的学术积极已经致力于阐明个人步行和构筑环境之间的关系，而对集体步行的观察在文献中并不常见（Jiang et al.，2021）。
今天，随着智能手机被广泛用于网络大量的众包数据（里奥斯&穆˜诺兹，2017），新的机会观察客观构建环境特征之间的关系和步行——等等——以低成本和大规模成为大概（徐等人，2015；翟等人，2018）。由（Eagle et al.，2009）进行的一项研究，检查了`记录的行为与自我报告行为的个体之间的差异，以评估拥有地面真实位置数据的附加价值，指出记录的行为与自我报告明显不同。
比年来，很少有研究接纳先进的数据网络方法来观察行人运动与构筑环境之间的关系。比方，使用GPS数据、传感器技术、移动应用步伐和街景数据来记录行人的运动，使用二维和三维GIS和机器学习技术来构建更全面的构筑环境措施（Yin，2017；Yin & Wang，2016）。其中一个例子是（萨拉查·米兰达等人，2021年），他利用从GPS信号中网络到的数千条行人轨迹构建了波士顿街道的可取性指数。该研究观察了行人偏离最短路线的意愿，发现理想的街道有更多的公共设施，更不复杂的立面和更广泛的商业范围。比年来，谷歌街景图像已成为另一种行人计数工具，具有合理的精度水平（克伦巴赫的阿尔法≥0.70）或良好的精度水平（克伦巴赫的阿尔法≥0.80），但由于元数据不完整，它缺乏行走的时间维度（Yin等人，2015）。
然而，与机动交通研究相比，使用先进的技术和方法来研究步行性以及步行与构筑环境之间的关系还处于起步阶段。在这一研究领域中利用它的现有技术机会之间存在着重大差距。更具体地说，迄今为止，只有少数研究利用移动应用步伐数据进行行人移动性研究。一项关于研究行人行为的数据网络方法的系统回顾（Yan et al.，2020）探索了147项涉及网络不同行人行为数据的研究，而没有一项涉及移动应用步伐数据。这一研究差距大概源于几个缘故原由。首先，一些包括摄像头在内的行人监控技术，引起了隐私题目，特别是关于谁持有数据的题目（比方，地方政府）。另一个突出的挑战是数据的可用性，由于行人数据通常由私家公司拥有，而且具有很高的财政成本。末了，地方政府往往不知道现有的步行行为记录的机会。（Angel et al.，2022）的一项研究表明，在特拉维夫用于汽车交通监测的蓝牙传感器网络可以同时用于市政当局的行人记录和研究。为了更好地理解人们走在哪里，以及这些选择是如何受到随着时间的推移和大型网络中的构筑环境的影响的，我们需要利用大数据技术和先进的分析方法进行进一步的研究。 【质料和方法】
5.3 物理特征 在街道计划中，树木是一个重要的元素，通过为周围环境提供绿化和舒服来提高步行体验的效果。树木在镌汰空气污染和来自道路的热量以及提供阴凉方面也发挥着重要作用。先前的研究表明，在一个社区中存在的树木对行人有益，并有助于增加步行运动（Park et al.，2015）。然而，其他一些研究发现，树木和更多的步行之间的关系存在微弱的统计学意义（Kim et al.，2019）。在这项研究中，树木被发现是与步行和接近公园相关的前10个特征之一。然而，街道剖面分析的结果显示，WL 1和WL 5的树木比例都较低。
与过去一些研究发现公交车站与步行运动之间存在正相关关系的结果相比（Yin et al.，2023），本研究的结果显示，公交车站与WLs之间的重要性令人惊奇的弱。值得留意的是，本研究中使用的行人数据来自一个公共交通导航应用步伐，这大概会导致公共交通站和步行率之间的正向偏差。然而，没有观察到预期的相关性，这表明当综合思量时，汽车站的位置在预测步行性方面没有那么大的影响。然而，值得留意的是，这并不肯定意味着公交车站和步行运动之间没有关联，而是表明其他特征在预测步行性方面发挥了更重要的作用。
