解构城市数据特征：用于行人尺度城市原型检测的无监督机器学习方法

应用于高空间分析分辨率的城市形态度量能够产生大量数据，在相当详细的程度上描述城市环境特征；然而，此类高维数值数据集并不能立即与根植于传统城市主义观念的更广义构念相关联。数据科学和机器学习（ML）方法提供了探索此类复杂数据集的机会，通过应用无监督 ML 方法降低数据维度，同时恢复可能与城市主义论述更普遍共鸣的潜在主题和特征模式。本文讨论并演示了降维和聚类方法，包括主成分分析（PCA）、变分自编码器和基于自编码器的高斯混合模型，用于“解构”城市数据集，揭示桥接城市主义定量与定性描述的主题。这些方法被应用于一个大伦敦数据集，该数据集由网络中心性、土地利用可达性、混合利用测度和密度测度组成。这些测度在行人步行容忍度下以 $20m$ 网络分辨率计算，采用局部窗口方法，距离直接在网络上计算，聚合动态进行并考虑接近方向，从而保留变量间关系并保持上下文精度。尽管所演示的方法具有巨大潜力，但使用传统的低维可视化方法难以传达或充分利用其能力，因此凸显了后续研究的必要性：如何将此类方法与平面交互式可视化工具结合，以进一步阐明数据的丰富性及其潜在影响。