在建筑环境差异性背景下,以功能主导的城市空间中人口活动强度的预测与因果解释
《BUILDING AND ENVIRONMENT》:Prediction and causal-oriented interpretation of population activity intensity across function-dominated urban spaces under built-environment heterogeneity
【字体:
大
中
小
】
时间:2026年07月06日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
周宇凯|何昊亭|谭学宇|黄宇中国广州大学建筑与城市规划学院,中国广东省广州市番禺区外环西路230号,邮编510006摘要小时级人口活动是评估建筑运行、户外热暴露以及城市空间时间利用情况的关键动态输入,但目前通常以静态或聚合指标来表示。本研究构建了一个综合框架,将细尺度的功能空间分
周宇凯|何昊亭|谭学宇|黄宇中国广州大学建筑与城市规划学院,中国广东省广州市番禺区外环西路230号,邮编510006摘要小时级人口活动是评估建筑运行、户外热暴露以及城市空间时间利用情况的关键动态输入,但目前通常以静态或聚合指标来表示。本研究构建了一个综合框架,将细尺度的功能空间分类、多尺度活动预测以及基于因果关系的建成环境效应解读相结合。以中国广州的六个主要区域为研究对象,根据建筑功能构成将200米网格划分为七种以不同功能为主的空间类型。研究结合了百度小时级热力图数据以及在600米、1000米和1800米尺度上测量的建成环境指标。分别针对工作日和周末情况建立了CatBoost模型,运用SHAP方法识别对模型预测有贡献的变量,并采用双重机器学习方法在控制其他已知因素的情况下估算潜在净效应。研究结果表明,不同功能类型的空间具有不同的活动节奏:以住宅和城中村为主的空间在早晨和傍晚的活动更为频繁,而以办公场所为主的空间在工作日的白天活动更为明显。这些模型在不同类型的空间中表现稳定,R2值大多在0.80以上,且1000米尺度下的预测性能相对稳定。交通可达性和商业设施供给与较高的活动强度存在显著关联,而建筑形态和功能容量则因空间和时间不同而有所差异。通过明确区分预测归因与潜在净效应,本研究为将动态人口活动纳入建筑能耗、户外热暴露及城市环境评估提供了方法上的创新,无需仅依赖静态人口假设。引言在人口密集且高温高湿的城市中,准确评估建筑能耗需求和户外热暴露风险对于城市环境管理和低碳发展至关重要[1]。然而,这类评估越来越需要动态人口数据而非静态人口统计[2]。在建筑能耗研究中,建筑使用状态、活动规律以及使用者行为已被证明会显著影响能源消耗和运营需求[3]。静态的使用率假设可能无法反映建筑的实际运行状况[4]。在户外热风险评估中,仅基于静态或居民人口数据的评估可能会低估实际的风险水平[5]。因此,准确描述和预测小时级人口活动强度对于为建筑能耗评估、户外热暴露识别以及城市环境管理提供动态人口数据具有重要意义。高时空分辨率的人口数据为描述小时级人口活动强度提供了新的可能性,百度热力图数据则为绘制细尺度人口分布提供了有用参考[6]。以往的研究表明,不同城市功能区在活动强度、波动模式、夜间活动以及日常使用节奏方面存在显著差异,且空间功能与建成环境因素共同影响着时空移动模式[7,8]。同时,多源城市数据被用于识别城市功能区,人口在功能区间的流动也被引入到热暴露风险评估中,这体现了功能空间分析的方法学和实用价值[9,10]。然而,现有研究仍主要在全市范围、行政区划或宏观功能区层面探讨人口活动与空间功能的关系。因此,仍需在以不同功能为主的空间之间进行细尺度的小时级人口活动比较,以明确不同功能类型下的活动节奏差异。除了功能差异之外,不同功能主导空间的小时级人口活动还受到多维度建成环境条件的影响。王等人[11]发现,道路密度、天空视野因子、距离中央商务区的距离以及土地用途混合度等因素对人口活动强度具有显著的解释力,且其效应呈现非线性和空间异质性。李等人[12]进一步指出,建成环境对街道活动强度的影响在不同功能区存在空间差异和阈值效应。赵等人[13]发现,建成环境指标对夏季城市热环境过程的影响具有明显的日变化特征和空间异质性。这表明,建成环境对人口活动和热环境过程的影响会因功能类型、时间场景及空间尺度不同而有所差异。然而,现有研究仍主要在整座城市、中心城区或特定功能区层面展开,缺乏对不同功能主导空间间建成环境效应差异及其在社区尺度上变化的系统比较。基于小时级人口活动数据和多尺度建成环境特征,人口活动强度的预测成为连接建成环境分析与建筑能耗及热暴露应用之间的关键环节。杨等人[14]构建了两级随机森林模型来预测城市功能区的人口分布;Doda等人[15]利用可解释的深度学习方法进行大规模城市人口估算;Qiu等人[16]则进一步开发了考虑空间异质性的神经网络模型,用于高精度人口密度绘图。这些研究表明,机器学习方法在估算和预测人口分布方面具有较好的适用性。由于城市人口活动强度与建成环境之间存在非线性关系和复杂相互作用,像CatBoost这样的梯度提升模型[17,18]能够为预测不同功能空间中的小时级人口活动强度提供有效支持。然而,机器学习模型通常具有一定的“黑箱”特性,仅依靠预测结果难以解释变量背后的作用机制。曹等人[19]采用了XGBoost-SHAP方法进行人口空间化处理和最优网格尺度选择,而张等人[20]则利用XGBoost和SHAP分析了建成环境对人口活动强度的非线性影响及交互效应。这表明,可解释的机器学习方法有助于识别变量的重要性、作用方向以及潜在的非线性关系。不过,基于SHAP的解释反映的是预测归因,而非潜在净效应。SHAP重要性高的变量虽对模型预测有较大贡献,但不应直接被视为独立的解释因素。近年来,因果导向方法被引入建成环境研究,以更好地控制混杂效应并估算潜在净关联。丁等人[21]将双重机器学习方法应用于建成环境与出行行为研究,以控制诸如居民自我选择之类的偏差;Nachtigall等人[22]进一步指出,DML有助于解决建成环境研究中的非线性自我选择问题,为识别建成环境的潜在净效应提供了方法参考。因此,本研究将SHAP和DML相结合用于预测小时级人口活动强度,从而能够区分对模型预测具有重要作用的变量,以及在其他已观察到的建成环境因素控制之后仍具有潜在净效应的变量。为弥补现有研究的不足,本研究构建了一个综合框架,用于预测不同功能主导城市空间中的小时级人口活动强度并解析建成环境之间的关联。具体而言,主要贡献如下:(i)根据建筑功能构成识别出细尺度的功能主导网格单元,从而可以系统地比较不同城市功能类型下以及同一类型内部的不同时间段的人口活动节奏。(ii)结合SHAP和DML方法,区分建成环境变量对人口活动的预测归因与潜在净效应,避免将预测重要性直接视为其背后的作用机制。(iii)研究结果为建筑能耗评估、户外热暴露识别以及低碳城市更新提供了更精准的动态人口活动数据以及基于因果关系的证据。本文的其余部分结构如下:第2节阐述研究方法,包括空间功能单元的识别、建成环境指标体系的构建、CatBoost预测模型的开发,以及基于SHAP和DML的解释框架。第3节展示研究结果,分析不同功能主导网格的人口活动特征、模型的预测性能,以及通过DML方法估算出的建成环境变量的潜在净效应。第4节探讨功能空间中人口活动节奏对能源和热环境评估的影响,以及尺度效应、建成环境关联和潜在净效应。第5节总结主要研究发现,并指明未来研究的方向。方法论整体研究框架如图1所示。首先,通过建筑功能分类和聚类分析,确定城市空间单元的功能主导类型。其次,整合百度热力图人口活动数据与多源城市环境参数,构建多尺度的建成环境指标体系。再次,分别为不同的功能主导空间建立CatBoost小时级人口活动强度预测模型。为确保功能类型分类的可靠性,比较了不同簇数下的轮廓系数。如表2所示,当簇数为7时轮廓系数达到最高值(0.587)。综合考虑聚类效果和功能可解释性,选择七簇分类方案作为最优方案。如图4(a)所示,簇中心由各建筑面积比例的平均值表示。功能空间中人口活动节奏的启示本研究发现,不同功能主导空间内的人口活动强度存在明显的日内节奏差异,这说明城市人口活动同时受到空间功能属性和使用时段的共同影响。这一结果表明,在建筑能耗估算和户外热暴露评估中,静态人口分布或统一的占用率假设很难准确反映实际的空间使用情况。结论预测小时级人口活动强度是了解实际城市空间利用过程、为建筑能耗评估、户外热暴露识别以及低碳城市更新提供支持的重要基础。由于不同功能空间及其内部在活动属性、使用时段和建成环境条件方面存在明显差异,城市人口活动强度的时空变化也呈现出相应特点。在稿件准备过程中所使用的生成式AI及AI辅助技术声明在撰写本稿时,作者使用了包括ChatGPT在内的生成式AI工具,以提高文本的清晰度、语法水平和可读性。在使用这些工具后,作者对内容进行了仔细审查和必要修改,并对最终发表文章的内容负全责。CRediT作者贡献说明周宇凯:撰写——初稿、方法论、研究实施、正式分析、概念构思。何昊亭:可视化、软件应用、数据整理、概念构思。谭学宇:验证、软件应用、资源获取、数据整理。黄宇:撰写——审阅与编辑、项目监督、项目管理、方法论、研究实施、资金筹集。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号