科创中国

行业领域

电子信息技术

需求背景

城市活力指城市空间支持生活功能、生态需求，为市民营造人性化生存、为城市自身谋求发展的能力。建设有活力的城市空间是优质城市空间需求的根本，有助于提高居民生活质量，推动实现可持续发展，是城市空间旺盛生命力和城市功能生存发展的保证。当前我国正在着力推动高质量发展，城市规划与建设应当追求更高的建设质量和空间品质，城市活力研究能评价城市内部活力现状，检验城市空间品质及分布特征，辅助优化城镇布局，服务于城市规划与建设，近年来在城市管理中受到重视。

城市活力定量评价是城市活力研究的重要课题之一，可辅助城市活力时空对比、城市活力影响因素分析等研究。城市活力定量评价的主要方法包括两种，一是选取可表征城市活力的数据，对获取的数据进行一定简单运算，将计算结果作为指标或指标体系用以评价城市活力，可称为指标法；二是结合与城市活力相关的数据与特征，建立模型对城市活力进行评价，可称为模型法，模型法使用了较多经典方法建立模型，例如耦合度模型、熵值法、地理加权回归模型、空间权重矩阵模型等，近年来的研究也使用新技术手段建立更为复杂的机器学习模型。

总体而言，现有技术存在以下不足：

目前对城市活力进行定量评价的方法中，建立指标的方法相对单一且精度不高，对数据的处理也相对简单，城市活力定量评价指标通常只采用POI数据、热力图数据、手机信令数据等单类数据，单一指标通常可以反映某一方面的城市活力，但缺乏代表性和对不同类型城市活动的考虑。同时，不同数据对城市活力的影响作用机理和强度可能不同，指标法很难全面地考虑对指标的结构及其构建方法。

模型法使用的经典模型具有坚实的理论基础和较好的精度，但能使用的数据种类较少，无法使用多源数据，计算过程也较为复杂，对目前使用更加广泛的地理大数据的利用并不充分。例如使用多元线性回归模型，使用既往方法，回归自变量通常不超过10种。而如果引入机器学习方法，自变量可以达到数十种，对数据的应用更为广泛。机器学习方法在城市活力定量评价中研究潜力甚大，目前应用还不够广泛。

需解决的主要技术难题

1.能使用的数据种类较少，无法使用多源数据，计算过程也较为复杂，对目前使用更加广泛的地理大数据的利用并不充分。

2.机器学习方法在城市活力定量评价中研究潜力甚大，目前应用还不够广泛。

期望实现的主要技术目标

能精度评价方法，解决现有技术中城市活力评价方法单一、缺乏衡量不同数据贡献程度和评价精度的方法带来的局限性，形成综合城市活力定量评价体系，也可为城市规划、建设与管理提供参考。

处理进度