Multi-Scale Street Vitality Analytics: A Comprehensive Review of Technologies, Data, and Applications
Notice bibliographique
Résumé
Street vitality is an important indicator of urban attractiveness and sustainable development, and it has become a central topic in contemporary urban planning and research. Using the PRISMA methodology, this review systematically examines four major technologies including machine learning (ML), space syntax, GPS, and sensors, together with six categories of data that are commonly used in street vitality studies. The analysis traces the methodological development of these approaches and identifies application trends across both macro and micro spatial scales. ML has become the leading technology in this field, showing strong performance in dynamic modeling, pattern recognition, and the integration of multiple data sources. GPS provides high temporal accuracy for tracking mobility and identifying spatiotemporal dynamics. UAVs and sensor networks make it possible to observe environmental and behavioral responses in real time. When combined, these technologies support four main research themes: the built environment and vitality, pedestrian mobility and urban dynamics, spatial and visual characterization, and social interaction. Other complementary data sources, including social media, online maps, surveys, and government statistics, expand analytical coverage and improve contextual interpretation across different spatial and cultural settings. The review emphasizes the need to connect advanced technologies and diverse data sources with broader concerns of governance, ethics, and civic participation, while maintaining a focus on methodological and data-based synthesis. By clarifying the technological pathways and data foundations of street vitality research, this study provides a structured reference for researchers, urban designers, and policymakers who aim to develop evidence-based and socially responsive frameworks for urban space evaluation and planning.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».