Multi-Scale Street Vitality Analytics: A Comprehensive Review of Technologies, Data, and Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle