Urban street clusters: unraveling the associations of street characteristics on urban vibrancy dynamics in age, time, and day
Notice bibliographique
Résumé
Abstract Understanding urban vibrancy has been considered crucial to promoting human activities and interactions in public open spaces. Recent advancements in urban big data have facilitated the potential to understand and measure vibrancy patterns throughout cities. While streets are considered the center stage of human activity, previous studies have often overlooked their multifaceted nature and their association with urban vibrancy. In this study, we incorporate multi-source big data and combine a set of features that comprehensively describe the scale, function, and topology of street segments in two Seoul districts: Jung-gu and Gangnam-gu. Using these features, we employ a machine learning clustering technique to classify them into five distinct typologies. Then, with street-level aggregated mobile phone tracking data, we investigate whether street typology characteristics are associated with urban vibrancy with respect to age groups, time of day, and day types (weekends/weekdays). The results show varying relationships between street characteristics with age-, time- and day-vibrancy measures by the identified street typology. Further, we contrast the results of the two districts to evaluate urban vibrancy differences in organic and planned urban layouts. This study enables a more nuanced understanding of urban streets to better comprehend their impact on people’s use of street space. The derived novel insights could assist planners and designers to better pinpoint street management solutions for different age- and time-dependent needs based on the complexities in urban vibrancy dynamics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».