解码街道网络形态及其与出行方式选择的关联性
机器人学
2025-07-31 v1 人工智能
机器学习
摘要
城市形态学长期被认识是塑造人类移动性的关键因素,但目前对不同都市区范围内城市形态的比较性和正式分类仍有限。基于城市结构的理论原则和无监督学习的最新进展,我们系统地对九个美国大都市区的建成环境进行分类,利用密度、连通性和空间配置等结构指标。将得到的形态类型与移动模式关联,通过描述性统计、边际效应估计和事后统计检验实现。我们表明,不同的城市形态与不同的移动行为密切相关,例如重构形态与显著更高的公共交通使用率(边际效应=0.49)和减少汽车依赖性(-0.41)相关联,而有机形态则与增加汽车使用(0.44)、公共交通使用显著下降(-0.47)和主动移动性下降(-0.30)相关联。这些效应在统计上具有稳健性(p<1e-19),突出城市空间配置在塑造交通选择中的基本作用。我们的发现扩展了前期工作,提供了对城市形态进行分类的可复现框架,并展示了形态分析在比较城市研究中的增值价值。这些结果表明,城市形态应被视为交通规划中的关键变量,并为纳入空间类型于可持续城市政策设计提供实证支持。
引用
@article{arxiv.2507.19647,
title = {GABRIL: Gaze-Based Regularization for Mitigating Causal Confusion in Imitation Learning},
author = {Amin Banayeeanzade and Fatemeh Bahrani and Yutai Zhou and Erdem Bıyık},
journal= {arXiv preprint arXiv:2507.19647},
year = {2025}
}
备注
IROS 2025 camera-ready version. First two authors contributed equally