EN中文

Landscape Architecture >

2026 , Vol. 33 >Issue 2: 105 - 114

DOI: https://doi.org/10.3724/j.fjyl.LA20250418

A Walkability Assessment Method for Urban Streets Based on Multi-source Urban Data and Deep Learning: A Case Study of the Central Urban Area of Beijing

  • LIN Ruijun , 1, 2 ,
  • LIANG Bingyun , 1, 2 ,
  • FU Jun , 1, 2, *
Expand
  • 1 School of Landscape Architecture, Beijing University of Agriculture
  • 2 Beijing Rural Landscape Planning and Design Engineering Research Center

LIN Ruijun is a master student in the School of Landscape Architecture, Beijing University of Agriculture, and a member of Beijing Rural Landscape Planning and Design Engineering Research Center. His research focuses on landscape planning and design

LIANG Bingyun is a master student in the School of Landscape Architecture, Beijing University of Agriculture, and a member of Beijing Rural Landscape Planning and Design Engineering Research Center. His research focuses on landscape planning and design

FU Jun, Ph.D., is a professor in the School of Landscape Architecture, Beijing University of Agriculture, and a member of Beijing Rural Landscape Planning and Design Engineering Research Center. Her research focuses on landscape planning and design

Received date: 2025-07-11

  Online published: 2026-03-12

Copyright

Copyright © 2026 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective]

Walking is the most fundamental mode of urban transportation, and building pedestrian-friendly streets holds great significance in urban planning. Yet many metropolises remain auto-oriented and lack high-quality pedestrian environments. Advances in multi-source urban data and deep learning now make it feasible to evaluate street-level walkability with greater coverage, precision, and reproducibility than traditional audit or perception-based approaches. This study proposes a comprehensive framework that integrates multi-source urban data with deep learning to quantify urban street walkability, and demonstrates its utility through an application to Beijing’s central districts with external validation against on-site pedestrian ratings.

[Methods]

By reviewing relevant literature, a multi-criteria street walkability value framework was developed, covering five dimensions: imageability, convenience, vibrancy, comfort, and safety. A walkability evaluation indicator system comprising 23 indicators was established. To operationalize the measurement, we assembled and harmonized multi-source urban data: vector layers for roads, buildings, green spaces, and land-use types; high-resolution satellite imagery; 213,950 street-view images captured via the Baidu panorama application programming interface (API) at 100-meter intervals and four bearings per point; point of interest (POI) records (20 top-level categories); urban heat-map rasters sampled at six time slots across a workday−weekend cycle; field photos; and official statistics. The street network was segmented into a 100 m grid of 53,631 units after removing duplicates and very short fragments. A DeepLab v3+ semantic segmentation model, fine-tuned via transfer learning on urban streetscape data and optimized with cross-validation and learning-rate decay, produced pixel-level shares of sky, vegetation, roadway, buildings, and other salient elements for each viewing direction; a weighted fusion yielded panoramic proportions per street unit. A YOLO v5 detector, trained on 2,000 labeled images based on building-facade quality criteria and validated on a 10% hold-out set, identified facade attributes relevant to building quality. ArcGIS pipelines performed accessibility analysis, conducted geo-joins of POIs and heat-map intensities to the street grid, integrated building and population data through grid-based analysis, and visualized the final results; georeferencing of heat-map mosaics used a WGS-84 frame and second-order polynomial transformation. Indicator weights were derived using the analytic hierarchy process (AHP) based on judgments from 35 domain experts (consistency ratio CR < 0.10). Indicator values were min-max normalized and combined via weighted summation to obtain a composite walkability score for each street unit.The empirical application covers Beijing’s central urban districts (Dongcheng, Xicheng, Chaoyang, Haidian, Fengtai, Shijingshan), which occupy less than 10% of the city’s total land area but accommodate more than 50% of its population. This region is characterized by high density and intense daily travel demand. Composite walkability scores were discretized into five performance classes from I (0.80−1.00) to V (0.00−<0.20), corresponding to “very high”, “high”, “medium”, “low”, and “very low” walkability for communication and mapping.

[Results]

The mean composite score across the study area is 0.558, indicating moderate overall walkability with marked spatial heterogeneity. Class proportions are: I 23.69% (12,707 units), II 19.04% (10,210), III 26.46% (14,190), IV 16.64% (8,921), and V 14.17% (7,603). A clear ring-pattern emerges: scores are higher between the Second and Fourth Ring Roads, but lower within the inner core and at peripheral edges. In the historic inner city—despite dense networks and strong transit—comfort sub-scores are depressed by constrained built forms and heritage alleys, while functions concentrate in government or cultural uses. Peripheral zones perform relatively better on greenery and basic safety yet lag in land-use diversity, accessibility, and street activity. High-performing units cluster as patches that become more continuous toward the center, prominently around commercial and mixed-service hubs (e.g., CBD and Guomao, Financial Street, Zhongguancun, Sanlitun, Olympic area). Major ring roads and radial expressways exhibit low walkability, interrupting otherwise contiguous high-score corridors.Accuracy of assessment results was tested on three representative streets—Xueyuan Road, Wangfujing Street, and Sanlitun Road—using a random street-intercept survey of 1,217 pedestrians. Ratings used a 10-point scale and were normalized to [0,1]. Inter-rater reliability was strong, intraclass correlation coefficient (ICC) = 0.817, 95% confidence interval (CI) = 0.79−0.85, p < 0.001. Model-to-perception fit was high: mean absolute error (MAE) was 0.0734 (Xueyuan Road), 0.0811 (Wangfujing Street), and 0.0839 (Sanlitun Road); mean absolute relative error was lowest on Sanlitun Road (0.112); and prediction variance—standard deviation (SD) of errors, was smallest on Wangfujing Street (0.092). Collectively, the low error magnitudes demonstrate that the computational scores closely track lived pedestrian experience across distinct street typologies. Based on the assessment results, several major challenges in the walkability of Beijing’s central urban districts can be identified. 1) Low walkability in peripheral areas: Streets located in the outer edges of the central districts generally perform poorly, particularly in the northeast, southwest, and northwest sectors. 2) Scattered distribution of very high walkability streets: Streets classified as “very high” in walkability are dispersed in isolated patches across the central area, lacking continuity and reducing their capacity to guide surrounding improvements. 3) Low and uneven vitality: Vitality scores are generally low and display strong spatial polarization, with the urban core performing much better than the outer areas. 4) Imageability and comfort require further improvement: While moderate overall, these two dimensions exhibit a spatial imbalance, being significantly stronger in the urban core than at the periphery.

[Conclusion]

By integrating multi-source urban datasets, deep learning techniques (DeepLab v3+, YOLO v5), GIS analytics, and analytic hierarchy process-based (AHP-based) weighting, this research develops a comprehensive and detailed framework for assessing street walkability, rigorously validated against pedestrian perceptions. The method efficiently evaluates large street networks, captures diverse dimensions—from attraction and comfort to perceived safety—and offers quantitative support for street renewal and pedestrian environment enhancement, as well as scientific evidence for policy-making and urban spatial design.

Key words： urban planning; landscape architecture; walkability assessment; deep learning; multi-source urban data; urban streets

Cite this article

LIN Ruijun , LIANG Bingyun , FU Jun . A Walkability Assessment Method for Urban Streets Based on Multi-source Urban Data and Deep Learning: A Case Study of the Central Urban Area of Beijing[J]. Landscape Architecture, 2026 , 33(2) : 105 -114 . DOI: 10.3724/j.fjyl.LA20250418

步行作为一种绿色出行方式，除了能够提高身体活动水平，还在健康、环境、经济等多个层面表现出协同益处[1]。建设行人友好型街道有助于增强社区活力、促进居民健康并改善城市环境。在机动车依赖加剧、缺乏良好步行环境的城市背景下，可步行性作为衡量城市街道吸引力和步行环境质量的重要特性，对政策制定者和城市规划者建设更具可步行性的城市具有重要意义[2]。
城市街道可步行性评估的研究可追溯至20世纪80年代，Gehl首次系统描述了步行所需的室外空间特性[3]。其后，相关研究逐渐分为2类。一类聚焦于社区或城市尺度的步行网络评估，重点分析连通性、可达性、公共服务设施分布与土地混合利用情况。典型方法如步行得分（walk score），通过计算街道与公共服务设施的距离、人口密度和街道网络结构等指标，对街道可步行性进行评分[4]，更复杂的模型还纳入宜居性、社会公平与经济发展等维度[5, 6]。另一类研究关注街道微观空间的可步行性，从安全性、舒适性、包容性等物理与空间质量角度评估建成环境[7]。
传统街道可步行性评估方法主要包括基于指标体系的客观评估与基于感知数据的主观评估。前者通过评分表量化街道要素，如步行环境评估系统和邻里环境步行性量表等[8-10]，后者依靠问卷或访谈获取行人对环境的感受[11-12]。这2类方法在描述环境特征和行人感知方面具有价值，但在样本规模、数据时效性及精度方面存在局限。随着城市多源数据的发展，以计算机辅助进行可步行性量化成为新的研究方向[13-14]。
深度学习技术具备强泛化与自动化特征提取能力，已在图像识别、自动驾驶与自然语言处理等领域广泛应用[15]。在城市街道可步行性研究中，通过卷积神经网络（convolutional neural network, CNN）分析街景图像，可自动识别建筑与街道绿化要素以及街道通透性特征，显著降低人工调查成本[16-17]。此外，多源数据如遥感、兴趣点（point of interest, POI）、社交媒体及地理信息系统（geographic information system, GIS）数据的融合，为定量化研究街道可步行性提供了新的可能[18]。ArcGIS平台在多源数据整合、空间分析与结果可视化方面发挥了关键作用，被广泛用于街道特征提取与步行环境优化的研究中[19-20]。然而，目前的自动化可步行性评估多依赖单一数据源，难以实现不同类型数据的集成；同时，不同学科间的指标体系和评估框架存在差异，导致评估结果的片面性。
本研究将城市多源数据、地理信息系统与深度学习技术相结合，提出一种城市街道可步行性多指标量化评估方法。研究目标包括：1）整合城市多源数据，构建可步行性自动化评估工具；2）建立涵盖可意象性、便利性、活力性、舒适性与安全性五大标准23项指标的多标准可步行性评估指标体系；3）以北京市中心城区为案例，进行街道级可步行性测度与准确性验证。本研究旨在更精细且高效地量化城市街道可步行性水平，为城市规划者营造步行友好型环境提供决策支持。

1 可步行性评估方法构建

本研究的评估流程包括4个步骤（图1）：1）系统梳理可步行性相关文献，构建多标准可步行性评估指标体系；2）运用ArcGIS平台、DeepLab v3+语义分割模型和YOLO v5目标检测模型，从城市多源数据中计算并获取各可步行性指标的量化值；3）采用层次分析（analytic hierarchy process, AHP）法确定各指标权重，并计算综合得分；4）通过与行人实地评价结果对比，验证方法的准确性与适用性。
图1 可步行性评估方法技术路线

Fig. 1 Technical framework for walkability assessment methods

1.1 多标准可步行性评估指标体系构建

现有研究多从不同角度划分可步行性维度，但尚未形成统一体系。例如，伦敦规划咨询委员会提出“5C”准则（连接性、便利性、舒适性、欢乐性和显眼性）[21]；杨俊宴等将通畅性、便利性、舒适性与安全性作为4个基本领域[13]；Ewing等提出以可意象性、围合度、人性化、透明度与复杂度量化街道空间质量[22]。
本研究在综合前人研究基础上，结合人本街道理论、步行友好城市理念与城市设计美学等理论，提炼出5个核心维度。1）审美感知维度：基于城市设计美学与格式塔心理学，强调通过街道界面比例、材质与形态构成设计，增强街道空间视觉连续性与空间节奏感，从而提升行人对环境的识别度与审美体验。2）功能便利维度：依据现代城市功能理论，要求街道具备居住、工作、休闲等复合功能，形成高效可达的交通与服务体系。3）社交活力维度：借鉴Gehl的交往行为理论，强调街道应促进社会互动与公共活动，营造场所精神并提升人群吸引力[3]。4）行为舒适维度：基于环境行为学，要求街道的尺度、设施布局及气候条件符合人体生理特征，营造安全、愉悦的步行体验。5）心理安全维度：依据环境犯罪学理论，通过空间界定、视线控制与环境心理暗示等手段，提升行人心理安全感。
这5个维度既反映了行人的多层次需求，也体现了街道空间质量的综合标准。本研究对应上述价值维度构建了可意象性、便利性、活力性、舒适性和安全性5个评估标准。基于多维评估标准，从可步行性评估相关研究中提炼和筛选出对应标准的评估指标，将挑选出的评估指标整合为城市街道可步行性评估指标草案。随后，通过专家咨询法对评估指标草案进行2轮筛选，剔除影响较小或冗余项，并根据专家意见进行相应的调整。最终，确立了城市街道可步行性多维度评估标准及各维度标准附属的评估指标，并以此构建多标准可步行性评估指标体系（表1）。
表1 多标准可步行性评估指标体系[22-50]

Tab. 1 Multi-criteria walkability assessment index system[22-50]

评估标准 评估指标 指标内容说明 指标来源文献
可意象性 建筑外观 由建筑设计、色彩、材料、工艺、维护质量等方面综合反映的建筑外观美感 [22]~[24]
绿视率 街景图像中绿化要素所占的像素比率 [25][26]
色彩丰富度 街景图像中沿街界面的色彩多样化程度 [22][27][28]
视觉复杂度 街景图像中要素类型的多样化程度 [29]
便利性 功能混合度 沿街地块的功能多样化程度 [30][31]
功能密度 沿街地块中商铺、公共服务设施等的数量 [30][31]
交通可达性 街道中公交站、地铁口等交通设施的可触及程度 [32]
设施可达性 教育设施、商业服务设施和公共管理设施等公共服务设施的可触及程度 [32]
道路交叉口密度 一定区域内道路交叉口的数量 [33][34]
活力性 人口密度 沿街地块单位面积的常住人口数量 [35][36]
建筑密度 街道单元内建筑基底面积与单元面积的比率 [37][38]
容积率 街道单元内总建筑面积与单元面积的比率 [37][38]
人群聚集指数 街道单元内行人的密集程度 [39][40]
连续性 街道单元内建筑物的投影宽度之和与街道长度的比率 [22]
舒适性 建筑街道比 街景图像中建筑要素和人行道要素的像素比率 [41][42]
街道宽高比 街道单元内街道宽度与建筑高度的比率 [22]
平均建筑高度 街道两侧沿街建筑的平均高度 [24]
绿化覆盖率 一定范围内绿化覆盖面积与街道面积的比率 [25][26][43]
天空可见度 街景图像中天空要素所占的像素比率 [22][44]
安全性 行人密度 街景图像中行人要素所占的像素比率 [45][46]
车辆干扰度 街景图像中机动车要素所占像素比率 [46][47]
安全设施指数 街景图像中栏杆、斑马线和交通信号标识等要素所占像素比率 [46][48][49]
空间围合度 街景图像中街道两侧树木、建筑和柱体等要素所占像素比率 [22][44][50]

1.2 评估指标的测算方法

本研究中评估指标的测算以ArcGIS平台和深度学习技术为主，同时辅以其他计算机软件和工具，以实现各指标的量化表达。街道可步行性评估指标体系中所有指标的测量方法和内容已进行说明（表2）。
表2 街道可步行性评估指标测算方法[22-23, 25, 27-29, 31, 38, 45-46]

Tab. 2 Calculation method for walkability evaluation indicators of streets[22-23, 25, 27-29, 31, 38, 45-46]

评估指标 测算方法/工具 测算内容
建筑外观 专家评分和YOLO v5目标检测 借鉴郭睿提出的建筑外观分类评分方法[23]，基于百度地图街景图片，利用训练好的YOLO v5模型对街景图片中建筑外观进行自动评分
绿视率 街景图像语义分割 基于街景图像语义分割结果，计算植物像素在整幅图像中的占比[22-23]
色彩丰富度 街景图像语义分割 基于街景图像颜色分布，采用香农多样性指数表征色彩丰富程度[27-28]
视觉复杂度 街景图像语义分割 基于街景图像中不同视觉要素的像素分布，采用香农多样性指数衡量视觉复杂度[29]
功能混合度 ArcGIS 基于街道单元内POI类型分布，采用香农多样性指数衡量功能混合程度[31]
功能密度 ArcGIS 基于街道单元内POI数量与街道长度的关系，表征街道空间的功能集聚强度[31]
交通可达性 ArcGIS
 采用ArcGIS中的最近设施分析，以每个街道单元的中心点为起点，以城市公交车站和地铁入口的坐标为终点。路径为城市道路行程最短路径，其长度代表各设施的可达性
设施可达性 ArcGIS 与交通可达性采用类似的测量方法
道路交叉口密度 ArcGIS 基于道路矢量数据，使用ArcGIS筛选街道网格内的道路交叉口数量
人口密度 ArcGIS 街道单元内的人口数量与街道单元面积的比值，计算式[23]
　　　　　　 $D_{\rm{P}}={\displaystyle\sum}_{i=1}^{n}\left[{S}_{i}\left({F}_{i}-1\right)\right]/{A}_{{\rm{r}}}{S}_{{\rm{u}}}$
式中：S i和F i分别表示在建筑矢量数据中，街道网格单元内第i栋住宅楼的建筑基底面积和楼层数；n代表街道单元内的住宅建筑数量；A r代表城市人均住宅面积；S u代表街道单元的面积
建筑密度 ArcGIS 以街道单元内建筑基底面积总和与街道单元面积的比值表征建筑覆盖强度[38]
容积率 ArcGIS 基于街道单元内建筑居住面积与街道单元面积的比值，表征建筑开发强度[38]
人群聚集指数 ArcGIS 街道单元内的各时段平均人群聚集程度，计算式[23]
　　　　　　 ${I}_{\text{CA} }=\displaystyle\sum \nolimits_{i=1}^{n}{H}_{i}/n$
式中，H i表示第i 次评估街道单元中的热力等级，n表示单天评估次数
连续性 ArcGIS 街道单元内的建筑界面的连续程度，计算式[22]
　　　　　　 $C=\left({l}_{{\rm{a}}}+{l}_{{\rm{b}}}\right)/2A$
式中，l a和l b分别表示街道单元中左侧与右侧街道的建筑界面的长度，A表示街道单元的长度
建筑街道比 街景图像语义分割 基于街景图像语义分割结果，计算建筑要素与道路要素像素比例，用以表征街道空间的围合程度[22]
街道宽高比 ArcGIS 基于街道单元道路宽度与建筑平均高度的比值，表征街道空间的尺度特征[22]
平均建筑高度 ArcGIS 基于街道单元内建筑高度数据，计算建筑的平均高度，用以表征街道空间的垂直形态特征
绿化覆盖率 ArcGIS 基于遥感影像数据，计算街道单元内绿化面积占街道单元总面积的比例[25]
天空可见度 街景图像语义分割 基于街景图像语义分割结果，计算天空要素像素所占比例，用以表征街道空间的开敞程度[23]
行人密度 街景图像语义分割 基于街景图像语义分割结果，计算行人要素在图像中的像素占比，用以表征街道空间的人群活动强度[45]
车辆干扰度 街景图像语义分割 基于街景图像语义分割结果，计算车辆要素像素占比，用以反映机动车活动对行人空间的干扰程度 [46]
安全设施指数 街景图像语义分割 基于街景图像语义分割结果，计算街景图像中各类安全设施要素像素数所占比率，计算式[46]
　　　　　　 $ {I}_{\text{WFS}}=\dfrac{{A}_{\mathrm{F}}+{A}_{\text{ZC}}+{A}_{\text{TL}}+{A}_{\text{SL}}+{A}_{\text{MF}}}{A} $
式中，A F、A ZC、A TL、A SL和A MF分别表示街景图像中栏杆、斑马线、交通信号灯、街道照明、监控设施的像素数，A表示街道图像的总像素数
空间围合度 街景图像语义分割 基于街景图像语义分割结果，计算街景图像中建筑、植物和围栏等要素像素数所占比率，计算式[22]
　　　　　　 $ {V}_{\mathrm{E}}=\dfrac{{A}_{\mathrm{B}}+{A}_{\mathrm{G}}+{A}_{\mathrm{Q}}+{A}_{\mathrm{P}}+{A}_{\mathrm{F}}}{A} $
式中，A B、A G、A Q、A P、A F分别表示街景图像中建筑、植物、墙壁、柱子、围栏要素的像素数，A表示街景图像的总像素数

1.3 研究区域概况

北京是中国的政治、文化及国际交流中心。本研究选取北京市中心城区（包括东城区、西城区、朝阳区、海淀区、丰台区和石景山区）作为研究区域。中心城区虽不足北京市总面积的10%，却聚集了全市50%以上的人口。对该区域街道可步行性进行科学、精确的评估，不仅有助于居民优化出行路径，也可为城市规划与街道更新提供量化支撑，推动步行友好型环境建设。
根据北京市交通发展研究院《2025北京交通发展年度报告》（www.bjtrc.org.cn/List/index/cid/7），2024年北京市中心城区常住人口总量为10 929万人。中心城区日均出行总量约3 985万人次，绿色出行方式占比75.6%，其中城市轨道交通15.3%、公共汽（电）车10.0%、自行车20.0%、步行30.1%、班车等集约化出行方式0.2%。报告显示，中心城区居民出行以日常生活和通勤为主，其中日常生活相关出行占53.9%（其中休闲、娱乐及健身类出行和购物类出行占比分别为7.1%和6.4%），通勤类出行占46.0%。
研究区域总面积约1 383.85 km2，其中建成区面积183.98 km2，绿地面积292.85 km2。基于去除重复与极近道路段后的道路矢量数据，中心城区街道总长度为5 363.19 km，涵盖主干道、次干道、支路、快速路及部分未分类道路等。

1.4 数据处理

1.4.1 数据来源与内容

本研究综合运用城市多源数据，涵盖空间、影像、社会功能和政府统计数据。空间数据包括道路、建筑、绿化及土地分类等GIS矢量信息：道路数据包含道路中心线、边界、类型与方向；建筑数据提供建筑轮廓、面积与层数信息；绿化数据涵盖绿地分布与植被类型；土地分类数据反映不同功能用地特征。影像数据来源于Google Earth Pro平台2022年高分辨率卫星影像（www.google.com/earth/versions/#earth-pro）、2024年百度街景图像（lbsyun.baidu.com/index.php?title=webapi/panorama）及实地照片，用于提取街道空间与视觉特征。社会功能数据采用高德地图2024年POI数据（lbs.amap.com），涵盖20类兴趣点及其属性，并结合百度地图2024年城市热力图（lbsyun.baidu.com/index.php?title=webapi/heatmap）表征人群活动强度；政府统计数据来源于政府文件、统计年鉴及相关报告，为指标计算与结果验证提供支撑。

1.4.2 街道网格处理

网格化方法是城市空间定量分析的重要技术框架，在将街道网格化之前，需设定街道单元的尺寸。通过街景风貌异质性观测实验，将网格长度定义为100 m。根据北京市地方标准DB11/1116—2014《城市道路空间规划设计规范》中对城市道路红线最小推荐宽度的规定，将一级道路和主干道的道路宽度定义为60 m，次干道定义为50 m；支路、未分类道路和未知道路定义为30 m。根据该规范，不同的建筑高度所对应建筑退线距离的中位数估值为20 m，沿街建筑物深度估值为20 m。街道单元宽度（w）的计算式
$ w=r+2（s+d）=r+80 。 $
式中，r表示道路对应的道路红线宽度，s表示不同的建筑高度所对应建筑退线距离的中位数，d表示单元内沿街建筑的进深。
本研究使用ArcGIS 10.8、Rhinoceros软件中的Grasshopper插件对北京市中心城区的路网矢量数据进行网格化处理，共生成了53 631个街道单元。

1.4.3 街景图像语义分割

利用ArcGIS平台从北京市道路矢量数据中筛选出中心城区的主干道、次干道、支路及未知道路等类型，并按100 m间隔沿道路布设采样点来获取坐标。随后，借助百度地图开放平台的全景静态图应用程序接口（application programming interface, API），将采样点坐标输入系统，从4个方向（0°、90°、180°、270°）获取对应街景图像共213 950张。对于部分街道单元图像缺失的情况，采用邻近街道图像补齐；若某区域图像缺失严重，则通过实地拍摄方式补充。
当前语义分割领域主流模型包括全卷积网络（fully convolutional network, FCN）、金字塔场景解析网络（pyramid scene parsing network, PSPNet）和DeepLab v3+等，其中DeepLab v3+模型在复杂场景解析中表现优异，在Cityscapes城市街景数据集上的平均交并比（mean intersection over union, mIOU）达81.5%[51]。Cityscapes数据集包含5 000组高分辨率（1 024×2 048）城市街景影像，具备丰富且精确的街道要素标注[52]。本研究基于Cityscapes数据集对DeepLab v3+模型进行迁移学习，采用交叉验证与动态学习率衰减策略优化超参数，直至损失函数收敛。优化后的DeepLab v3+模型可精确识别道路、建筑、植被、车辆等19类城市要素（图2）。
图2 基于DeepLab v3+模型的街景图像识别结果

Fig. 2 Street view image recognition results based on DeepLab v3+ model

开发JavaScript对象表示法（javascript object notation, JSON）数据解析模块，对4个方向街景图像识别结果进行空间融合。采用加权平均算法计算各要素在全景视野中的占比。

1.4.4 基于YOLO v5模型的数据结果

本研究采用YOLO v5模型对街景图像中的建筑要素进行目标检测，评估建筑立面质量。与YOLO v3和YOLO v4相比，YOLO v5进行了多项创新，显著提高了检测速度[53]。具体操作为从已抓取的213 950张街景图像中抽取2 000张图像，按照郭睿提出的建筑评估标准[23]，使用LabelImg软件对图像中的建筑立面进行标注（图3）。其中，90%的标注数据作为YOLO v5模型的训练集，其余10%作为验证集。经过训练后，该模型被用于对北京市中心城区53 631个街道单元的街景图像进行建筑立面质量识别与评估（图4）。
图3 使用LabelImg软件标注的建筑外观质量示例

Fig. 3 Example of building appearance quality annotated using LabelImg

图4 YOLO v5模型推理结果示例

Fig. 4 Example of YOLO v5 model inference results

YOLO v5模型训练的性能评估表明，所有评估指标均达到了良好水平，表明该模型能够准确识别图像中各建筑立面所对应评判标准的标签类别，在此基础上实现对建筑立面质量的准确识别与评估（表3）。
表3 模型性能评估指标测算结果

Tab. 3 Measurement results of model performance evaluation metrics %

召回率 精确率 F 1值 准确率
85.9 82.4 83.6 85.9

1.4.5 城市POI数据处理

本研究使用的POI数据来源于高德地图，数据收集于2024年8月15日，包括餐饮服务、生活服务和公司企业等20个大类及其附属中小类POI数据。根据POI点位坐标在ArcGIS中进行了地理定位，并通过空间叠加分析与街道网格进行匹配，最终在网格内得到了916 476条POI数据（图5）。
图5 中心城区POI数据类型和数量

Fig. 5 Types and quantities of POI data in the central urban area

1.4.6 热图数据处理

基于百度地图开放平台实时抓取研究区域热力图（图6）。城市人群活动具有显著的周期性规律，其空间分布特征在“工作-休闲”周期转换中呈现结构化差异[39]。为精准捕捉这种时空分异特征，本研究构建了多周期连续观测方案，跟踪了2024年8月15日（星期四）、16日（星期五）和17日（星期六）3 d内研究区域的百度热力图数据。数据采集实施6时段等间隔采样（08：00、11：00、14：00、17：00、20：00、23：00）。该观测方案完整覆盖工作日早晚高峰（周四）、周末前效应（周五）及休闲主导（周六）3种典型城市运行特征，有效捕捉人群活动的周期演变特征。
图6 通过ArcGIS处理的北京市中心城区2024年8月15日的日均城市热力图

Fig. 6 Daily average urban heat map of the central urban area of Beijing on August 15, 2024 processed through ArcGIS

1.5 权重计算

为了给街道可步行性评估指标赋予权重，本研究咨询了相关领域的专家。为确保专家的代表性和权威性，本研究对来自北京的35位城市街道环境领域的专家进行问卷调查。
AHP法通过构建“可步行性综合水平-评估标准-评估指标”的层级结构，实现定性与定量分析的有机融合。该方法数据依赖性低，适用于小样本决策场景；具有适用于多指标、多方案、多目标决策问题等优势[54]。本研究使用AHP模型工具SPSSAU，根据专家问卷获取各街道可步行性评估指标的判断矩阵，并通过一致性检验，即一致性比率（consistency ratio, CR）<0.1，来确认矩阵一致性，从而确定各指标的综合权重（表4）。
表4 城市街道可步行性评估指标的权重值

Tab. 4 The weight values of each indicator for evaluating the walkability of urban streets

评估标准 评估指标 指标权重
可意象性 建筑外观 0.062
绿视率 0.072
色彩丰富度 0.024
视觉复杂度 0.031
便利性 功能混合度 0.065
功能密度 0.063
交通可达性 0.084
设施可达性 0.035
道路交叉口密度 0.047
活力性 人口密度 0.025
建筑密度 0.022
容积率 0.020
人群聚集指数 0.031
连续性 0.042
舒适性 建筑街道比 0.042
街道宽高比 0.030
平均建筑高度 0.022
绿化覆盖率 0.036
天空可见度 0.044
安全性 行人密度 0.022
车辆干扰度 0.055
安全设施指数 0.065
空间围合度 0.063
街道可步行性分值是所有指标性能值的总和。每个指标的性能值是其归一化值与其权重值的乘积，计算式 ${P}_{i}={N}_{i}\times {W}_{i} 。 $式中，P i表示第i个指标的性能值，N i表示第i个指标的归一化值，W i表示第i个指标的权重值。

2 北京市中心城区街道可步行性评估结果

为了更直观地反映不同街道单元或路段之间的可步行性水平差异，将可步行性得分划分为Ⅰ（0.80~1.00）、Ⅱ（0.60~＜0.80）、Ⅲ（0.40~＜0.60）、Ⅳ（0.20~＜0.40）和Ⅴ（0.00~＜0.20）5个级别，分别对应“非常高”“高”“中”“低”“非常低”的街道步行性能。
基于北京市中心城区的可步行性评估结果，包括可步行性综合评分和5项评估标准评分（图7），可以发现北京市中心城区的整体可步行性得分处于中等水平，平均值为0.558。具体等级分布为：Ⅰ级街道单元12 707个，占23.69%；Ⅱ级街道单元10 210个，占19.04%；Ⅲ级街道单元14 190个，占26.46%；Ⅳ级街道单元8 921个，占16.64%；Ⅴ级街道单元7 603个，占14.17%。其中Ⅲ级街道单元数量最多，其次是Ⅰ级街道单元，Ⅴ级街道单元数量最少。
图7 北京市中心城区的可步行性评估结果

Fig. 7 The walkability assessment results of the central urban area of Beijing

空间分布上，二环以内及五环外区域得分较低，二环至四环之间表现最佳，四环至五环之间的整体可步行性水平居中且各级别得分分布零散，呈现过渡带特征。二环以内虽拥有密集路网、发达公共交通和较高的交通及设施可达性，但受历史建筑和胡同街区（如烟袋斜街、帽儿胡同、八道湾胡同等）风貌限制，可意象性与舒适性指标（如绿视率、色彩丰富度、视觉复杂度、绿化覆盖率、天空可见度等）整体偏低，且功能类设施多集中于历史文化景点和政府办公区，街道功能较为单一。五环外区域除绿化与安全性较优外，其余指标普遍较差，主要受基础设施供给不足与人口密度下降影响。
“非常高”等级区域多呈斑块状分布，且靠近城市中心时斑块连续性增强。北京市二环至四环之间的区域是20世纪中后期城市快速扩张的主要受益带，“非常高”等级区域多分布在该范围的商业中心、商业副中心、综合服务节点和高密度居住区周边，例如国贸—CBD、金融街、中关村、三里屯、奥林匹克功能区，这些区域的街道设施完善、活跃度高，但由于城市功能布局是分散多核的，所以该等级区域表现为斑块状分布。此外，各环线道路及京密、京通快速路沿线可步行性普遍较低，降低了该等级区域的连续性。
各主城区平均得分为：东城区0.629，西城区0.645，朝阳区0.554，海淀区0.537，丰台区0.555，石景山区0.561。其中，西城区平均得分最高，海淀区平均得分最低。

3 可步行性评估方法的验证与精度分析

3.1 评估结果精度验证

为了验证本研究所提出评估方法的预测准确性，选取了研究区内具有代表性的3条街道——学院路、王府井大街和三里屯路进行验证。3条街道分别代表交通型、生活商业型与纯商业型街道类型，功能与空间特征差异明显，可用于验证评估方法的普适性。
学院路位于海淀区，为主干道，全长约2.7 km，共79个街道单元，以高校建筑为主；王府井大街位于东城区，为次干道，全长约1.4 km，共26个街道单元，商业与历史建筑集中；三里屯路位于朝阳区，为支路，全长约1.5 km，共14个街道单元，以商业建筑为主。
通过比较预测值（测算的可步行性得分）与实际值（行人感知评分）之间的拟合程度来实现评估结果的精度测定。为获取实际行人感知评分，随机街访了1 217名行人，对3条街道单元进行10分制评分（1为最低，10为最高），调查覆盖工作日、周末时段及多类活动场景，以保证社会经济属性的代表性。评分结果一致性较高，组内相关系数（intraclass correlation coefficient, ICC）=0.817，95%置信区间（confidence interval, CI）=0.79~0.85，p<0.001，表明受访者对评价标准理解一致，评分稳定可靠。所有评分结果归一化至[0，1]区间，用于与模型预测值进行对比分析，从而验证评估方法的精度与适用性。

3.2 评估结果精度测定

3条街道的整体可步行性得分处于较高水平，平均值为0.813。其中学院路、王府井大街和三里屯路平均值分别为0.807、0.791和0.821。以平均绝对误差、平均相对误差绝对值和标准差作为精度测定指标，3条街道的步行性评分预测效果如下。1）在平均绝对误差方面，学院路的误差值最小（0.073），表现最佳，王府井大街（0.081）和三里屯路（0.084）的误差值相比于学院路依次略有增加；2）在平均相对误差绝对值方面，三里屯路的平均相对误差绝对值最低（0.112），而王府井大街的平均相对误差最大（0.137）；3）在预测误差波动性方面，王府井大街的标准差最小（0.092），明显优于学院路（0.126）和三里屯路（0.113）。
综上所述，通过对3条街道的数据进行分析，发现各项精度测定指标的误差值均较低，证明了本研究所构建的城市街道可步行性评估方法的评估结果与实际情况较为接近，能够有效地反映街道可步行性的真实表现。

4 结论

本研究针对城市街道可步行性评估中人工评估成本高、数据来源单一、指标体系不完善等问题，构建了一套基于多源数据的城市街道可步行性评估体系，并在北京市中心城区进行了实证研究。结果显示，该区域街道可步行性呈现4个方面的特征与问题。
1）五环外区域可步行性水平普遍较低。中心城区东北、西南和西北部街道整体可步行性水平偏低，而城市中心轴线沿线街道表现较好。安全性得分在全区普遍较高，其次为便利性，但可意象性、活力性和舒适性在五环外区域明显偏低。需重点优化建筑界面与街道尺度，完善功能设施，强化空间连续性与街景品质。
2）高水平可步行街道分布零散。“中”及“高”等级街道在四环以内的中心区形成集中面状分布，五环外区域呈块状，而“非常高”等级街道零星分布，缺乏对周边街区的引导作用。这种分散格局削弱了慢行系统的整体连通性与吸引力，可能导致短途出行对机动车的依赖。应强化跨区域的高品质步行廊道建设，提升街道网络的连续性与整体性。
3）街道活力性得分偏低且空间分布不均。活力性指标呈现明显的两极分化，中心区得分高且集中成片，而五环外区域普遍偏低，导致中心区交通压力过大。需通过提升街道功能多样性、完善商业与公共服务布局，推动城市外围次中心建设，以激发边缘区域活力。
4）街道可意象性和舒适性仍需提升。可意象性与舒适性总体处于中等水平，呈“中心高、外围低”的空间格局。应在保持中心区高水平的同时，建设具有示范效应的高品质街道，并带动周边区域整体改善，促进街道空间品质均衡提升。
在方法普适性方面，行人步行需求在可意象性、便利性、舒适性、活力性与安全性维度具有共性，但受经济发展、城市化水平与文化差异影响，不同地区需对指标权重与标准化方法进行本地化调整。例如，北京专家认为行人密度对安全性影响较弱，而国外研究强调“街道之眼”效应的重要性[55]；不同国家的容积率政策差异也会影响指标标准化。中国作为人口密集的发展中国家，其规划政策与发达国家显著不同。因此，可步行性评估方法需在普适性与本地化之间寻求平衡。本研究提出的基于多源数据的评估方法，为大规模城市街道可步行性分析提供了可扩展的技术框架。通过调整指标权重与标准化参数，可实现多地区、多尺度的适配与比较。
未来研究应进一步探索计算机视觉与人工智能在数据获取、指标计算和可视化中的应用，提升评估精度与效率；同时引入更多类型的城市多源数据，完善指标体系，构建适应不同城市特征的可步行性评估框架，推动城市街道空间的精细化与智能化评估。

图6、7底图源自国家地理信息公共服务平台天地图（cloudcenter.tianditu.gov.cn/administrativeDivision），审图号GS﹝2024﹞0650号；表1由作者根据参考文献[22]~[50]整理；表2由作者根据参考文献[22][23][25][27]~[29][31][38][45][46]整理；其余图表由作者绘制。

1、结合城市多源数据和深度学习技术构建了一种城市街道可步行性评估方法，能应用于大规模城市街道可步行性的高效测算。

2、构建涵盖可意象性、便利性、活力性、舒适性与安全性5个维度的多标准步行价值体系，形成系统化的街道可步行性综合量化框架。

3、以北京市中心城区进行实证分析，验证方法的有效性，结果揭示可步行性的空间分异特征，为城市街道更新与步行环境优化提供科学依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
DING D, LUO M Y, INFANTE M F P, et al. The Co-benefits of Active Travel Interventions Beyond Physical Activity: A Systematic Review[J]. The Lancet Planetary Health, 2024, 8 (10): e790-e803.

DOI

[2]
LI Y Q, YABUKI N, FUKUDA T. Integrating GIS, Deep Learning, and Environmental Sensors for Multicriteria Evaluation of Urban Street Walkability[J]. Landscape and Urban Planning, 2023, 230: 104603

DOI

[3]
GEHL J. Cities for People[M]. New York: Island Press, 2010.

[4]
龙瀛, 赵健婷, 李双金, 等. 中国主要城市街道步行指数的大规模测度[J]. 新建筑, 2018 (3): 4-8.

DOI

LONG Y, ZHAO J T, LI S J, et al. The Large-Scale Calculation of “Walk Score” of Main Cities in China[J]. New Architecture, 2018 (3): 4-8.

DOI

[5]
LITMAN T A. Economic Value of Walkability[J]. Transportation Research Record: Journal of the Transportation Research Board, 2003, 1828 (1): 3-11.

DOI

[6]
张哲浩, 高昊, 汪海溟.步行指数测度体系的研究进展与启示[C]//中国城市规划学会.人民城市, 规划赋能: 2023中国城市规划年会论文集（07城市设计）.北京: 中国建筑工业出版社, 2023: 128-139.

ZHANG Z H, GAO H, WANG H M. Research Progress and Implications of Walkability Index Measurement System[C]//Urban Planning Society of China. People’s City, Planning Empowerment: Proceedings of the 2023 China Urban Planning Annual Conference (07 Urban Design). Beijing: China Architecture Publishing & Media Co., Ltd., 2023: 128-139.

[7]
HUMBERTO M, LABOISSIÈRE R, GIANNOTTI M, et al. Walking and Walkability: Do Built Environment Measures Correspond with Pedestrian Activity?[J]. Ambiente Construído, 2019, 19 (4): 23-36.

DOI

[8]
MILLINGTON C, WARD THOMPSON C, ROWE D, et al. Development of the Scottish Walkability Assessment Tool (SWAT)[J]. Health & Place, 2009, 15 (2): 474-481.

DOI

[9]
CERIN E, CHAN K W, MACFARLANE D J, et al. Objective Assessment of Walking Environments in Ultra-Dense Cities: Development and Reliability of the Environment in Asia Scan Tool: Hong Kong Version (EAST-HK)[J]. Health & Place, 2011, 17 (4): 937-945.

DOI

[10]
于长明, 吴培阳. 城市绿色空间可步行性评价方法研究综述[J]. 中国园林, 2018, 34 (4): 18-23.

DOI

YU C M, WU P Y. Review of Urban Green Space Walkability Assessment Method[J]. Chinese Landscape Architecture, 2018, 34 (4): 18-23.

DOI

[11]
徐伟星, 曾鹏, 刘蓓蓓, 等. 微观建成环境对地铁站域可步行性的影响研究: 以大连为例[J]. 现代城市研究, 2024, 39 (5): 106-113.

XU W X, ZENG P, LIU B B, et al. Research on the Influence of Micro Built Environment on the Walkability of Metro Catchment Area: A Case of Dalian[J]. Modern Urban Research, 2024, 39 (5): 106-113.

[12]
TALEAI M, TAHERI AMIRI E. Spatial Multi-criteria and Multi-scale Evaluation of Walkability Potential at Street Segment Level: A Case Study of Tehran[J]. Sustainable Cities and Society, 2017, 31: 37-50.

DOI

[13]
杨俊宴, 吴浩, 郑屹. 基于多源大数据的城市街道可步行性空间特征及优化策略研究: 以南京市中心城区为例[J]. 国际城市规划, 2019, 34 (5): 33-42.

YANG J Y, WU H, ZHENG Y. Research on Characteristics and Interactive Mechanism of Street Walkability Through Multi-source Big Data: Nanjing Central District as a Case Study[J]. Urban Planning International, 2019, 34 (5): 33-42.

[14]
王艺霏, 葛蓓悦, 朱凤杰, 等.基于大数据的天津市河西区街道可步行性评价[C]//中国城市规划学会.面向高质量发展的空间治理: 2021中国城市规划年会论文集（07城市设计）.北京: 中国建筑工业出版社, 2021: 891-898.

WANG Y F, GE B Y, ZHU F J, et al. Evaluation of Street Walkability in Hexi District, Tianjin Based on Big Data[C]//Urban Planning Society of China. Spatial Governance for High-Quality Development: Proceedings of the 2021 China Urban Planning Annual Conference (07 Urban Design). Beijing: China Architecture Publishing & Media Co., Ltd., 2021: 891-898.

[15]
LI Y Q, YABUKI N, FUKUDA T. Exploring the Association Between Street Built Environment and Street Vitality Using Deep Learning Methods[J]. Sustainable Cities and Society, 2022, 79: 103656

DOI

[16]
NAGATA S, NAKAYA T, HANIBUCHI T, et al. Objective Scoring of Streetscape Walkability Related to Leisure Walking: Statistical Modeling Approach with Semantic Segmentation of Google Street View Images[J]. Health & Place, 2020, 66: 102428

DOI

[17]
汪美会.基于街景影像和深度学习方法的城市街道绿视率研究[C]//南京市国土资源信息中心, 江苏省测绘地理信息学会.南京市国土资源信息中心30周年学术交流会论文集.南京: 南京市国土资源信息中心, 2020: 104-106.

WANG M H. Study on Green View Index of Urban Streets Based on Street View Images and Deep Learning[C]//Nanjing Mucipal Land Resource & Information Center, Jiangsu Society for Geodesy Photogrammetry and Cartography. Proceedings of the 30th Anniversary Academic Conference of Nanjing Land and Resources Information Center. Nanjing: Nanjing Mucipal Land Resource & Information Center, 2020: 104-106.

[18]
AHMAD A A, NAHARUDIN N. Walkability Index in Pasir Gudang by Using GIS[J]. IOP Conference Series: Earth and Environmental Science, 2022, 1051 (1): 012015

DOI

[19]
DOĞAN U. Examining Urban Design Characteristics of City Centers Using Walkability Criteria: Case of Turkey[J]. Journal of Urban Planning and Development, 2021, 147 (2): 04021003

DOI

[20]
刘玲君, 郑曦.基于多源大数据与语义分割模型的街道可步行性测度[C]//中国风景园林学会.中国风景园林学会2022年会论文集.北京: 中国建筑工业出版社, 2023: 219-225.

LIU L J, ZHENG X. Street Walkability Measure Based on Multi-source Data and Semantic Segmentation Model[C]//Chinese Society of Landscape Architecture. Proceedings of the 2022 Annual Conference of Chinese Society of Landscape Architecture. Beijing: China Architecture Publishing & Media Co., Ltd., 2023: 219-225.

[21]
Putting London Back on Its Feet. The Why, How and Who of Developing a Strategy for Walking in London. Main Report and Supplementary Technical Report[EB/OL]. [2025-06-11]. https://trid.trb.org/view/487275.

[22]
EWING R, HANDY S. Measuring the Unmeasurable: Urban Design Qualities Related to Walkability[J]. Journal of Urban Design, 2009, 14 (1): 65-84.

DOI

[23]
郭睿.基于景观效用测度的城市街道风貌量化评价研究: 以长沙市主城区为例[D].长沙: 中南大学, 2023.

GUO R. Quantitative Evaluation of Urban Street Landscape Based on Utility Measurement: A Case Study of Changsha Downtown[D]. Changsha: Central South University, 2023.

[24]
徐磊青, 施婧. 步行活动品质与建成环境: 以上海三条商业街为例[J]. 上海城市规划, 2017 (1): 17-24.

DOI

XU L Q, SHI J. Walking Activity Quality and Built Environment: Take Three Commercial Streets in Shanghai as Examples[J]. Shanghai Urban Planning Review, 2017 (1): 17-24.

DOI

[25]
SUN Y, LU W, SUN P J. Optimization of Walk Score Based on Street Greening: A Case Study of Zhongshan Road in Qingdao[J]. International Journal of Environmental Research and Public Health, 2021, 18 (3): 1277

DOI

[26]
郝新华, 龙瀛. 街道绿化: 一个新的可步行性评价指标[J]. 上海城市规划, 2017 (1): 32-36.

DOI

HAO X H, LONG Y. Street Greenery: A New Indicator for Evaluating Walkability[J]. Shanghai Urban Planning Review, 2017 (1): 32-36.

DOI

[27]
SHAO J Z, YANG M G, LIU G, et al. Urban Sub-center Design Framework Based on the Walkability Evaluation Method: Taking Coomera Town Sub-center as an Example[J]. Sustainability, 2021, 13 (11): 6259

DOI

[28]
YIN L. Street Level Urban Design Qualities for Walkability: Combining 2D and 3D GIS Measures[J]. Computers, Environment and Urban Systems, 2017, 64: 288-296.

DOI

[29]
KAWSHALYA L W G, WEERASINGHE U G D, CHANDRASEKARA D P. The Impact of Visual Complexity on Perceived Safety and Comfort of the Users: A Study on Urban Streetscape of Sri Lanka[J]. PLoS One, 2022, 17 (8): e0272074

DOI

[30]
HABIBIAN M, HOSSEINZADEH A. Walkability Index Across Trip Purposes[J]. Sustainable Cities and Society, 2018, 42: 216-225.

DOI

[31]
TELEGA A, TELEGA I, BIEDA A. Measuring Walkability with GIS: Methods Overview and New Approach Proposal[J]. Sustainability, 2021, 13 (4): 1883

[32]
KOOHSARI M J, SUGIYAMA T, HANIBUCHI T, et al. Validity of Walk Score® as a Measure of Neighborhood Walkability in Japan[J]. Preventive Medicine Reports, 2018, 9: 114-117.

DOI

[33]
CRUISE S M, HUNTER R F, KEE F, et al. A Comparison of Road- and Footpath-Based Walkability Indices and Their Associations with Active Travel[J]. Journal of Transport & Health, 2017, 6: 119-127.

DOI

[34]
ELLIS G, HUNTER R, TULLY M A, et al. Connectivity and Physical Activity: Using Footpath Networks to Measure the Walkability of Built Environments[J]. Environment and Planning B: Planning and Design, 2016, 43 (1): 130-151.

DOI

[35]
HUANG R Z, MOUDON A V, ZHOU C, et al. Higher Residential and Employment Densities Are Associated with more Objectively Measured Walking in the Home Neighborhood[J]. Journal of Transport & Health, 2019, 12: 142-151.

DOI

[36]
顾浩, 周楷宸, 王兰. 基于健康视角的步行指数评价优化研究: 以上海市静安区为例[J]. 国际城市规划, 2019, 34 (5): 43-49.

DOI

GU H, ZHOU K C, WANG L. Improvement of Walk Score from the Perspective of Public Health: Jing’an District of Shanghai as a Case Study[J]. Urban Planning International, 2019, 34 (5): 43-49.

DOI

[37]
RIBEIRO A I, HOFFIMANN E. Development of a Neighbourhood Walkability Index for Porto Metropolitan Area. How Strongly Is Walkability Associated with Walking for Transport?[J]. International Journal of Environmental Research and Public Health, 2018, 15 (12): 2767

DOI

[38]
KENYON A, PEARCE J. The Socio-Spatial Distribution of Walkable Environments in Urban Scotland: A Case Study from Glasgow and Edinburgh[J]. SSM-Population Health, 2019, 9: 100461

DOI

[39]
闵忠荣, 丁帆. 基于百度热力图的街道活力时空分布特征分析: 以江西省南昌市历史城区为例[J]. 城市发展研究, 2020, 27 (2): 31-36.

DOI

MIN Z R, DING F. Analysis of Temporal and Spatial Distribution Characteristics of Street Vitality Based on Baidu Thermal Diagram: The Case of the Historical City of Nanchang City, Jiangxi Province[J]. Urban Development Studies, 2020, 27 (2): 31-36.

DOI

[40]
LI M Y, PAN J H. Assessment of Influence Mechanisms of Built Environment on Street Vitality Using Multisource Spatial Data: A Case Study in Qingdao, China[J]. Sustainability, 2023, 15 (2): 1518

DOI

[41]
KOO B W, GUHATHAKURTA S, BOTCHWEY N. How Are Neighborhood and Street-Level Walkability Factors Associated with Walking Behaviors? A Big Data Approach Using Street View Images[J]. Environment and Behavior, 2022, 54 (1): 211-241.

DOI

[42]
KOO B W, HWANG U, GUHATHAKURTA S. Streetscapes as Part of Servicescapes: Can Walkable Streetscapes Make Local Businesses more Attractive?[J]. Computers, Environment and Urban Systems, 2023, 106: 102030

DOI

[43]
ULMER J M, WOLF K L, BACKMAN D R, et al. Multiple Health Benefits of Urban Tree Canopy: The Mounting Evidence for a Green Prescription[J]. Health & Place, 2016, 42: 54-62.

DOI

[44]
YIN L, WANG Z X. Measuring Visual Enclosure for Street Walkability: Using Machine Learning Algorithms and Google Street View Imagery[J]. Applied Geography, 2016, 76: 147-153.

DOI

[45]
SINGH R. Factors Affecting Walkability of Neighborhoods[J]. Procedia-Social and Behavioral Sciences, 2016, 216: 643-654.

DOI

[46]
JACOBSEN P L, RACIOPPI F, RUTTER H. Who Owns the Roads? How Motorised Traffic Discourages Walking and Bicycling[J]. Injury Prevention, 2009, 15 (6): 369-373.

DOI

[47]
XUAN W, ZHAO L W. Research on Correlation Between Spatial Quality of Urban Streets and Pedestrian Walking Characteristics in China Based on Street View Big Data[J]. Journal of Urban Planning and Development, 2022, 148 (4): 05022035

DOI

[48]
MEMON I A, KALWAR S, SAHITO N, et al. Average Index Modelling of Campus Safety and Walkability: The Case Study of University of Sindh[J]. Sukkur IBA Journal of Computing and Mathematical Sciences, 2020, 4 (1): 37-44.

DOI

[49]
MUHAMMAD MULYADI A, VERANI ROULY SIHOMBING A, HENDRAWAN H, et al. Walkability and Importance Assessment of Pedestrian Facilities on Central Business District in Capital City of Indonesia[J]. Transportation Research Interdisciplinary Perspectives, 2022, 16: 100695

DOI

[50]
WANG R Y, LU Y, ZHANG J B, et al. The Relationship Between Visual Enclosure for Neighbourhood Street Walkability and Elders’ Mental Health in China: Using Street View Images[J]. Journal of Transport & Health, 2019, 13: 90-102.

DOI

[51]
LI X T, LI X, ZHANG L, et al. Improving Semantic Segmentation via Decoupled Body and Edge Supervision[C]//VEDALDI A, BISCHOF H, BROX T, et al. Computer Vision: ECCV 2020. Cham: Springer, 2020: 435-452.

[52]
CORDTS M, OMRAN M, RAMOS S, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]//IEEE. 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 3213-3223.

[53]
邵延华, 张铎, 楚红雨, 等. 基于深度学习的YOLO目标检测综述[J]. 电子与信息学报, 2022, 44 (10): 3697-3708.

DOI

SHAO Y H, ZHANG D, CHU H Y, et al. A Review of YOLO Object Detection Based on Deep Learning[J]. Journal of Electronics & Information Technology, 2022, 44 (10): 3697-3708.

DOI

[54]
陈帅, 高健康, 卫红. 基于AHP法的街道景观评价与改造策略研究: 以郑州市煤仓北街为例[J]. 湖北农业科学, 2022, 61 (15): 176-179.

DOI

CHEN S, GAO J K, WEI H. Research on Street Landscape Evaluation and Renovation Strategy Based on AHP Method: A Case Study of North Meicang Street in Zhengzhou City[J]. Hubei Agricultural Sciences, 2022, 61 (15): 176-179.

DOI

[55]
VIDAL-DOMPER N, HERRERO-OLARTE S, RAMOS G, et al. “Eyes on the Street” as a Conditioning Factor for Street Safety Comprehension: Quito as a Case Study[J]. Buildings, 2025, 15 (15): 2590

DOI

Options
Outlines

/

〈 〉