機器學習與社區生活圈規劃：應用框架與議題*

張文佳 李春江 羅雪瑤 柴彥威 ZHANG Wenjia,LI Chunjiang,LUO Xueyao,CHAI Yanwei

0 引言

近年來，隨著新型城鎮化的推進以及城市規劃和城市發展觀念的轉變，“以人為本”、重視居民需求和生活質量的社區生活圈規劃得到學術界和規劃界的關注。社區生活圈規劃研究以居民在社區及附近的日常生活供需匹配作為研究對象，是時空行為研究在社區規劃領域的創新性應用。然而，目前關于社區生活圈的研究仍然是傳統居住區公共服務設施配置研究的延續，對于社區生活圈內的居民需求和居民時空行為關注不足。總的來說，社區生活圈規劃研究在概念界定、范圍劃定、職能歸屬、規劃方法和實施模式等方面仍處于討論和探索階段，亟需大量研究關注[1]。

在社區生活圈規劃研究所面臨的諸多問題中，傳統的數據分析方法無法適應時空行為日益復雜、行為軌跡數據日益豐富的需要，有必要引入新方法來挖掘行為需求，理解時空行為模式，并指導規劃編制。其中，機器學習算法結合了統計學和計算機科學的優勢，其監督學習（supervised learning）與無監督學習（unsupervised learning）算法已被廣泛應用于時空大數據特征挖掘分析，如分類、聚類、異常值分析、模式識別、因果推斷、決策預測等。因此，以機器學習算法為基礎的分析框架可以更為精準、高效地挖掘社區生活圈中居民的時空行為模式，實現不同社區行為模式的遷移，為社區生活圈規劃提供指導。

本文將系統梳理現有機器學習在時空行為預測、模式挖掘和行為與環境非線性關系等方面研究的前沿進展，以及社區生活圈規劃研究面臨的難點與挑戰；然后，結合社區生活圈規劃研究的難點與機器學習技術的最新進展，提出機器學習方法在城市社區生活圈規劃研究中的應用框架；最后，以“基于時空行為需求預測的社區生活圈劃分方法”和“基于非線性閾值效應的社區生活圈設施配置規劃”兩個研究案例，對機器學習方法在社區生活圈物質空間規劃研究中的應用進行闡釋。

1 研究綜述

1.1 社區生活圈規劃研究現狀與面臨的挑戰

既有研究在社區生活圈概念和內涵界定、范圍劃分方法與設施評價和優化等方面取得了一定的成果，但是在社區生活圈規劃研究的理論、技術方法和實證上仍面臨諸多挑戰。

現有研究對于社區生活圈概念的認識基本一致，可以概括為居民在社區周邊日常生活所涉及的空間范圍以及滿足其日常生活需求的時空資源的集合[2]。社區生活圈的內涵逐漸從單一的物質空間走向物質空間與行為空間、社會空間的融合[3]；社區生活圈規劃不僅包括公共服務設施配置的優化，還包括社會空間和社會治理的提升[4]。在新型冠狀病毒肺炎（以下簡稱“新冠肺炎”）疫情背景下，最新研究也將防災減災、健康、安全等要素融入社區生活圈，以提升社區生活圈規劃韌性和應對突發公共安全事件的應急能力[5]，[6]106。不過，已有研究以理論探討為主，尤其在將社會空間、安全空間融入社區生活圈方面仍然缺乏具體的實證研究支撐。

社區生活圈空間范圍的劃分方法也是近期研究的重點和規劃的技術難點與前置條件。大多數研究和規劃將社區生活圈的空間范圍等同于居民步行的可達范圍，并綜合考慮人口規模、用地面積和行政管理邊界等要素劃分社區生活圈邊界[7]，[8]1703，[9]；也有學者通過識別設施完備性和計算設施密度進行劃分[10-11]。然而這類基于空間和設施的方法未能將居民日常生活考慮在內，背離了社區生活圈概念。近期，部分研究基于個體行為調查數據或手機信令大數據，通過識別生活空間、分析居民行為需求來劃分生活圈[12]，[13]3，[14]。此類方法能較好地滿足社區生活圈“因地制宜”、響應居民需求的基本要求，但也存在數據獲取成本高的問題。

最后，公共服務設施是社區生活圈的核心與基本出發點，已有研究在指標優化、可達性分析、規劃布局、特殊人群等方面積累了較多成果。相關研究主題包括新版《城市居住區規劃設計標準》設施配置指標評價和優化[15]33，社區生活圈體系與設施配置要求[16]，生活圈設施供給與居民差異化需求之間的匹配關系分析、評價與規劃應對策略[8]1708，[17-19]，不同人群對各類設施的步行可達性計算和評價[20-21]，以及基于老年人群步行能力和特殊需求分析的社區生活圈設施布局與配置建議[22-23]等。總體上，社區生活圈公共服務設施評價和優化的相關研究較多，但對設施和居民之間復雜的非線性關系認識不足，同時在設施調整建議方面缺乏對“量”的考慮，而更多是“少”和“多”的基本判斷。

綜上所述，雖然目前關于社區生活圈的研究取得了一定的成果，但已有研究在概念內涵、劃分方法和公共服務設施評價與優化上仍然存在不足，在理論、方法和實證上仍然面臨挑戰[24]。首先，近期研究開始意識到社區生活圈不僅包含物質空間層面，還包括社區交往生活圈和社區安全生活圈，但仍然缺乏與之相關的理論框架，以及與之相關的實證研究。其次，關于社區生活圈劃分方法，以及與之相關的時空行為調查、分析和預測技術還需進一步探索。最后，在公共服務設施評價和優化方面，已有研究對設施和居民之間的非線性關系關注不足，難以提供設施量的優化建議。

1.2 機器學習方法在時空行為研究的前沿進展

精細化、動態化的社區生活圈規劃研究依賴于基于居民個體時空行為數據的采集、分析、模擬、評估和預測。隨著個體行為數據收集的時空間粒度越來越精細，獲得海量個體數據的成本越來越低（如手機信令、浮動車GPS數據等），傳統的針對個體時空行為的計量分析方法面臨的挑戰越來越大，難以適應精細化生活圈規劃研究的分析使用。因此，生活圈時空行為需求的精細化研究需要能夠高效快速地分析時空行為大數據的機器學習方法。而當前機器學習算法輔助下的時空行為研究已經在個體出行行為的決策預測、個體與群體行為模式挖掘以及個體行為與建成環境關系分析等方面取得一定進展。

1.2.1 個體出行行為的決策預測

機器學習算法已被應用于個體出行行為的決策規律與預測研究上[25]。其中，一類研究集中在個體時空行為需求的預測分析上。這類研究可以歸納為分類決策問題，例如個體在不同時空間環境下是否會使用某類設施、選擇何種交通方式出行。傳統分析多構建離散選擇模型（Discrete Choice Model,DCM）展開研究[26]。而近年的研究開始使用神經網絡算法（Neural Network Algorithm,NNA）[27-28]、基于決策樹的集成學習算法（Ensemble Learning Algorithm,ELA）[29-30]、支持向量機（Support Vector Machine,SVM）[31]等機器學習方法。研究發現，機器學習方法打破了以往經典回歸的線性假設，預測精度有很大提升，同時可以快速高效地處理大數據[32-34]。此外，也有研究對個體出行目的地進行識別和預測，例如使用貝葉斯分類器（Bayes Classifier）、隱馬爾科夫模型（Hidden Markov Model,HMM）、基于自助法（Bootstrapped Decision Tree,BDT）和剪枝法（Decision Tree with Pruning,DTP）的決策樹進階算法等，對不同出行方式的出行目的地選擇或下一個目的地進行預測[35-39]。

1.2.2 個體與群體行為的模式挖掘

機器學習算法還被廣泛應用于時空行為軌跡的模式挖掘分析。時空行為模式包括個體長時序行為的規律性與周期性挖掘[40]、慣常行為分析[41]、突變點挖掘等[42]，以及群體行為模式識別、聚類與異常行為分析等[43]。盡管目前的行為模式挖掘算法仍存在對多維數據的處理能力不足、對長時間序列結果動態性的探測不足、對多類型時空行為數據處理的精度參差不齊等問題，但已有方法為深入理解個體時空行為模式、不同人群的日常活動出行模式及其與社區和城市空間的互動關系提供了分析基礎。

1.2.3 個體行為與建成環境的互動關系

少數研究開始利用機器學習算法，探討建成環境與個體行為之間的非線性聯系，并通過分析閾值效應對社區生活圈的設施配置和土地利用提供規劃建議。這區別于傳統分析基于線性、獨立同分布樣本的統計模型假設，可以深入挖掘變量間可能存在的多種非線性關系。已有研究采用梯度提升決策樹等機器學習方法，驗證了社區建成環境與小汽車出行距離[44]114、到公交站點的步行距離[45]、電動車出行距離[46]等存在非線性關系和閾值效應。這些研究一方面可以探討社區生活圈規劃過程中應該優先考慮哪些建成環境的調整，另一方面提供配置社區設施與土地利用指標的數量建議。這些往往是定性分析或傳統計量統計方法無法直接回答的問題[47]。

2 機器學習方法在社區生活圈規劃研究中的應用框架

結合社區生活圈規劃研究面臨的挑戰與機器學習方法在時空行為研究中應用的前沿進展，本文提出機器學習方法在社區生活圈規劃研究的應用框架。社區生活圈的概念內涵與時空行為緊密相關，因此，運用機器學習方法首先應該指向對社區生活圈居民的時空行為分析，包括個體行為模式挖掘、群體行為模式聚類、行為與空間非線性關系分析和行為預測等，進而運用在社區生活圈規劃的不同議題上，具體可以從社區生活圈的物質空間、社區交往生活圈和社區安全生活圈3個維度，分別對其中不同的研究議題展開分析（見圖1）。

圖1 機器學習方法在社區生活圈規劃研究中的應用框架Fig.1 The framework of the application of machine learning techniques in community life circle planning research

2.1 基于機器學習方法的社區生活圈物質空間研究

物質空間是社區生活圈在現實世界的基礎和載體，對社區生活圈物質空間的規劃是實現可持續人居環境建設、提高居民生活質量的重要環節。其中，社區生活圈空間范圍的劃分和公共服務設施配置的優化是機器學習應用于社區生活圈物質空間維度的兩個重要應用方向。機器學習方法為從時空整合角度進行個體需求分析及引導社區生活圈物質空間規劃提供了基礎。

在空間范圍劃分方面，可以利用較長時間維度的居民出行活動數據，進行居民時空行為模式挖掘和預測，從而獲得居民慣常行為特征，并探測其與社區生活圈的互動關系，由此從需求視角出發劃定不同層級社區生活圈的空間范圍。

公共設施配置優化方面，可以利用非線性建模方法，分析居民出行行為與土地利用的多元非線性關系與閾值效應，從而獲得更為精細化的土地利用空間配置策略。此外，通過對居民長時間維度行為模式和生活方式的觀測，探測社區生活圈內設施的時空資源與居民時空需求之間的動態匹配關系，從而在時間維度上優化設施資源利用方案，實現時空行為規劃與管理的創新。

2.2 基于機器學習方法的社區交往生活圈研究

居民的社會交往和互動及其形成的社會網絡，共同組成了社區生活圈的社會空間。社會空間是打造和諧宜居社區生活圈、提升居民幸福感的重要非空間因素。其中，促進社會交往和融合能夠增強社區歸屬感和凝聚力，有助于維持社區的服務水平和再生產能力，是營造社會空間的重要維度。已有研究多從靜態角度，利用居住分異等指標探索不同人群的融合程度，但缺乏對居民活動過程中交往和融合的時空動態探討，且研究結果難以與社區社會空間營造相結合[48]。因此，相關研究可以利用模式挖掘和社群探測等技術手段，分析不同群體的時空間行為特征和活動模式特征，從行為交互角度進行社會排斥、活動空間交互、社會包容等方面的研究，探索多主體聯合和行為決策機制，并結合其與社區組織和社區空間的互動關系，提出促進社區生活圈中各類人群融合和交往的政策建議。

2.3 基于機器學習方法的社區安全生活圈研究

社區生活圈作為城市空間最基本的組織細胞，同時也是應對重大突發公共事件的“防災減災基本單元”，應當具有突發事件應急響應、過程中社區資源調配和事后秩序迅速恢復的能力。2020年突如其來的新冠肺炎疫情更是印證了提升社區層面的突發公共衛生應急事件處置能力的必要性。已有研究指出，社區生活圈的規劃建設應考慮韌性和健康等理念[6]105。社區韌性強調社區在城市生態和社會環境快速變動過程中適應不確定性風險的能力，應當結合豐富的時空行為模式挖掘和預測技術，探索基于居民日常活動出行的韌性評估，如針對個體或多主體的動態環境風險源暴露分析和基于“突發事件前、中、后”的居民時空行為模式穩定性的設施配置分析，實現精準防控和土地利用規劃調整[49]。

此外，為構建可持續、健康的社區生活圈，可在探索居民時空行為模式的基礎上，分析個體的出行結構特征及其影響因素，從而提出能促進居民體力活動的健康生活圈設施規劃建議。

3 機器學習方法在社區生活圈物質空間研究的應用案例

3.1 基于時空行為預測技術的社區生活圈劃分研究

社區生活圈空間范圍的劃分是社區生活圈規劃研究的技術難點和前置條件[13]1。基于居民行為需求進行空間劃分是社區生活圈規劃的基本要求，但行為數據獲取成本較高，導致相關方法難以推廣。機器學習方法可以在一定程度上解決上述問題：通過學習有行為數據社區生活圈的劃分結果與社區空間信息和人口結構特征的關系，進而對其他社區居民行為需求進行預測，并基于預測結果劃分生活圈（見圖2）。

圖2 基于時空行為需求預測的社區生活圈劃分方法框架Fig.2 The framework of the community life circle delineation method based on the estimation of spatiotemperal behavior demand

具體來說，首先，為了簡化討論，以用地地塊為分析基本單元，居民時空行為需求表征為對社區周邊15 min步行可達范圍內所有地塊的需求水平，具體可以使用活動日志調查中居民前往不同設施所在地塊的時長、GPS調查中居民在該地塊上停留的GPS點數量，也可以采用高精度的熱力圖數據或手機信令數據進行估算。進一步以中位數為界將地塊劃分為“高需求”和“低需求”地塊。此外，考慮到居民對不同用地類型的需求模式不同，可以根據用地分類標準區分為公共服務設施、商業服務設施、綠地公園、居住和其他5類用地類型，分別構建預測模型。其中，公共服務、商業服務和綠地公園作為社區生活圈中重要的服務要素，也是供需匹配分析的重點。

其次，獲取成本相對較低的地理環境數據和社區人口結構數據作為輸入的自變量。比如地塊距社區中心的距離、面積、商業設施數量、公共服務設施數量，以及社區年齡、教育和戶口構成情況等。具體可以根據實際工作需要進行增減。

再次，考慮到地塊被分為“高需求”和“低需求”兩類，機器學習中常用的分類算法，比如神經網絡算法、基于決策樹的集成學習算法和支持向量機等，可以被作為構建時空行為需求預測模型的基本算法。在實際工作中，可以通過對比不同算法的預測誤差，選擇誤差最小即預測正確率最高的模型作為不同用地類型的最終預測模型。

最后，在構建需求預測模型后，輸入無行為調查數據的社區人口和地理環境信息，便可以獲得該社區居民對其步行可達范圍內所有地塊的需求水平，進而劃分出包含行為信息的社區生活圈范圍。Li等[50]基于上述思路，以北京市清河街道15個社區為例構建了基于行為需求預測的社區生活圈劃分方法，結果顯示該方法具有較高的預測精度，同時劃分方法還為下一步設施規劃和選址提供參考。

3.2 基于非線性建模技術的社區生活圈設施配置優化研究

合理評價社區設施與土地利用配置，并對相關規劃指標提供數量建議是實現社區生活圈規劃精細化的重要環節[15]34。以居民出行行為特征為依托進行設施配置評估符合社區生活圈規劃“以人為本”的需求導向，然而現有大多數定量研究采用傳統統計學方法研究居民時空行為和社區建成環境的互動關系，難以提供精細、準確的土地利用和設施配置有效范圍。機器學習中的非線性模型放寬了嚴格的因變量與自變量間的線性關系假設，使得兩者之間的關系不局限于固定的斜率系數，而是呈現為不斷變化的非線性形態，從而更細致地刻畫自變量對因變量的影響，為研究個體時空行為和社區建成環境之間的非線性關系和閾值效應提供基礎，從而得到設施配置、土地利用面積比例等指標的合理范圍（見圖3）。

圖3 基于非線性機器學習模型的社區生活圈設施配置優化研究框架Fig.3 The framework of the land use optimization in community life circle based on nonlinear machine learning model

具體而言，首先，確立并計算社區生活圈內的建成環境指標。在傳統建成環境與出行行為相關研究的基礎上[51]，選取有效的社區生活圈建成環境指標，主要包括人口密度、街區設計、社區尺度可達性、土地利用混合度、區域可達性、公共交通可達性等維度。其中，社區尺度可達性變量多用設施密度代替，而設施類型的選取應與現有規劃文本相對應，從而使結果更好地指導規劃實踐。依據現有規劃文本，5 min、10 min、15 min社區生活圈分別對應300 m、500 m和1 000 m的步行范圍。因此，根據收集的人口和地理環境數據，以社區或個體為中心建立緩沖區，計算不同尺度社區生活圈內的建成環境指標，以表征不同尺度的社區生活圈內設施和土地利用現狀。

其次，在收集居民行為數據的基礎上，確立并計算社區生活圈設施評估的行為目標導向。以人為本的社區生活圈強調便捷、綠色的可持續行為，將居民出行行為簡化為機動車出行距離、步行或騎行比例等指標，從而探索能夠引導更高可持續行為比例的社區生活圈建成環境。

再次，使用機器學習非線性模型擬合社區生活圈建成環境（自變量）對居民行為指標（因變量）的影響。常用的非線性機器學習模型包括決策樹、隨機森林、梯度提升決策樹、支持向量機等。本文以梯度提升決策樹模型為例，說明算法構建過程：該算法基于決策樹模型改進，即每輪迭代構建一棵決策樹，同時采用負梯度下降的方式找到損失函數最小時的一系列參數，最終得到由若干決策樹加合而成的總模型。具體來說，通過控制決策樹的棵數、學習深度、學習速率等參數，估計目標函數，即M棵決策樹的加權總和以使損失函數最小。其中，M是決策樹的棵樹，αm是第m棵決策樹b(x;θ m)的權重，θm為第m棵樹的一系列參數。

非線性機器學習模型提供了變量重要性的排序，即各個自變量對于減少每輪迭代中損失函數貢獻的匯總。這一排序能夠顯示哪些自變量對于解釋因變量是更重要的。此外，相應算法提供了因變量隨著自變量變化的邊際變化曲線，如圖4展示了美國奧斯陸15 min社區生活圈內的人口密度對每周機動車出行距離的非線性影響，當人口密度達到3 000人/km2時，對降低機動車的出行距離有明顯影響，也即提供了合理的人口密度設置范圍。

圖4 人口密度與機動車出行距離的非線性關系Fig.4 The nonlinear relationship between vehicle travel distance and population density

最后，從非線性機器學習模型中得到社區生活圈建成環境各指標的合理范圍，并與現有規劃文本相比較，從而評估現有規劃文本指標的合理性并提供優化策略。

4 結語

伴隨著城市發展的人本轉型與對社區規劃和社區治理的重視，社區生活圈規劃愈發成為學術研究與規劃實踐的前沿和熱點，也是我國國土空間規劃體系創新的重要組成部分。目前社區生活圈規劃研究以公共服務設施配置優化為主，規劃實踐仍然延續居住區規劃的傳統思路，對于社區生活圈內的居民需求和居民時空行為關注不足。本文通過梳理社區生活圈規劃研究和規劃的不足以及機器學習方法在時空行為應用的前沿，提出機器學習方法在社區生活圈的應用框架，并以社區生活圈劃分和設施配置優化為例對機器學習在社區生活圈物質空間方面的創新應用進行闡釋，以期為更精細、更適應居民差異化需求的社區生活圈規劃提供借鑒。