The In‐Depth Analysis on the Influencing Factors of Urban Vitality in China’s HSR Station Area
Notice bibliographique
Résumé
High‐speed railway (HSR) station area is the key focus of urban construction, and the development of HSR station area has significant regional differences. This study adopts the association rule mining model and ordinary least squares (OLS) regression method to explore the relationships among the development level of the station‐setting cities, the development level of the HSR station area, and the urban vitality of the HSR station area. It further investigates how each factor influences the urban vitality in the HSR station area. Findings reveal a prominent multicenter clustering pattern in the urban vitality of the HSR station area. The association rule mining analysis reveals a clear and complex link between the urban vitality in the station area and the influencing factors of the development level of the station‐setting cities and the development level of the HSR station area. OLS regression analysis results indicate that the proportion of the tertiary industry in GDP and the intensity of intracity travel are significantly positively correlated with urban vitality in the HSR station area, directly contributing to the growth of the urban vitality. The study’s innovation mainly lies in utilizing multisource data to analyze the spatial pattern characteristics and influencing mechanism of the urban comprehensive vitality in the HSR station area from multiple perspectives, as well as applying association rule mining to explore the correlations between urban vitality in the HSR station area and its determinants. From the perspective of urban vitality, gaining deeper insight into the overall development status of the HSR station area and identifying the factors that affect the urban vitality of the HSR station area can support efforts to enhance the vitality of the broader urban environment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».