【论文分享】街道环境特征对路面跑步的影响：使用群众源健身追踪数据和机器学习进行的分析_利用机器学习分析居民活动轨迹数据,动态优化绿道服务半径与设施布局-优快云博客

该论文使用群众源健身追踪数据和机器学习方法分析了街道环境特征对路面跑步的影响！

【论文题目】

The effects of street environment features on road running: An analysis using crowdsourced fitness tracker data and machine learning

【题目翻译】

街道环境特征对路面跑步的影响：使用群众源健身追踪数据和机器学习进行的分析

【期刊信息】

Urban Analytics and City Science 2024, Vol. 51(2) 529–545

【作者信息】

Shuyang Zhang, 清华大学建筑学院,北京,中国

Nianxiong Liu, 清华大学建筑学院,北京,中国 phlnx@tsinghua.edu.cn

Beini Ma,清华大学建筑学院,北京,中国

Shurui Yan,清华大学建筑学院,北京,中国

【论文链接】

https://doi.org/10.1177/23998083231185589

【关键词】

路面跑步，路面跑步强度，适于跑步的街道，群众源数据，机器学习，随机森林回归

【摘要】

城市街道为路面跑步提供了环境。该研究提出了一种非参数方法，使用机器学习模型来预测路面跑步强度。这些模型是利用来自Keep这一移动运动应用的路线签到数据，以及北京核心区的街道地理信息数据开发的。结果显示，蓝色空间和路径连续性是提高路面跑步强度的最重要因素。天空开放度和街道封闭性有一个最佳设计值，需要在满足道路光照的同时与遮荫达到平衡。同时，提供适当的视觉透视性也很重要。此外，与日常活动不同的是，功能混合和功能密度较高并未对路面跑步强度产生显著的正面影响。本研究提供了关于路面跑步的实证证据，并突出了规划者、景观设计师和城市管理者在设计适于跑步的城市街道时应考虑的关键因素。

【前言】

2.1 路面跑步与健康改善

近期研究发现，并非所有体育活动对人类健康的影响相同，中至高强度的体力活动（MVPA），例如骑自行车和跑步，可以帮助减少身心健康问题的风险，例如心血管疾病、心脏病、帕金森氏病、2型糖尿病、肥胖、抑郁和焦虑（Fang et al., 2018; Lee and Kwan, 2018; Nayor et al., 2021; Yerramalla et al., 2020）。在所有MVPA中，路面跑步因其与城市街道环境的紧密关联而显得尤为突出。大多数MVPA需要专门的运动场地，但路面跑步可以在城市街道、绿道和乡间小道上进行。

城市跑道大致可根据其位置分为三类：街道、公园和游乐场。许多研究者已研究了体育活动与街道和公园环境之间的关系（Chen et al., 2021; Su et al., 2014; Ying et al., 2015）。已注意到城市居民不仅依赖公园，街道也提供了大量的体育活动机会（Lu, 2019; Lu et al., 2018）。通常，公园比街道更环保。然而，由于距离、开放时间或门票访问限制，公园的可达性有限。相比之下，居民可以自由地在街道上锻炼（Bodin and Hartig, 2003）。作为一项重要的运动，路面跑步健康且易于参与。改善城市街道环境可以有效促进路面跑步（Coutts, 2008; Liu et al., 2016）。因此，研究路面跑步强度与街道环境特征之间的关系至关重要（图S1）。

图S1：研究区域内一些道路跑步强度较高的道路环境。

研究表明，高质量的绿蓝空间可以增加市民户外慢跑的机会（Karusisi et al., 2012; Schuurman et al., 2021）。蓝色空间（包括湖泊、河流和景观池塘）被视为一种视觉上吸引人的自然元素，可以促进路面跑步（Huang et al., 2022; 2023; Schuurman et al., 2021; Tan et al., 2021）。研究发现，绿道上的体育活动持续时间与居住地之间的距离有关，临近性会显著增加活动量（Humpel et al., 2004; Owen et al., 2004; Zhang et al., 2013）。而高度功能混合或土地使用混合也可以鼓励体育活动（Chen et al., 2021; Su et al., 2014; Ying et al., 2015）。根据研究，小径连续性是影响路面跑步者运动体验的关键因素（Majumdar et al., 2021）。大多数接受调查的路面跑步者表示，他们不希望路口打断他们的跑步连续性（Schuurman et al., 2021）。此外，高度封闭和黑暗的街道已被证明对行人来说是压抑和不安全的（Nagata et al., 2020），而设有良好照明的道路则可以是明亮和放松的（Schuurman et al., 2021）。

2.2 众包数据和机器学习模型

随着手机GPS定位、加速度计系统和大数据技术的普及，以及机器学习算法的发展，研究方法已经发生了变化。研究从低效的小样本问卷调查转向挖掘新的城市大数据，并从基于问卷数据的统计分析转向使用机器学习模型进行分析（Lu, 2019; Zhou et al., 2019）。这种新方法不仅耗时更少，允许更大的样本量，而且比传统方法更经济（Hoseinzadeh et al., 2020）。路面跑步轨迹和移动健身应用中的签到数据是一种新的、开放的众包数据集，由用户自愿收集和分享（Birenboim et al., 2021; Jankowska et