2026-Spatial distribution of foot traffic in New York City and applications for urban planning


把每小时走过的人算进去,纽约的步行路等级和最危险路口还停在曼哈顿吗?

论文名片|Andres Sevtsuk、Rounaq Basu、Liu Liu、Abdulaziz Alhassan、Justin Kollar,Spatial distribution of foot traffic in New York City and applications for urban planning,Nature Cities,2026年2月6日在线发表。DOI:10.1038/s44284-025-00383-y。正式文章,2025年7月21日收稿,2025年12月12日接收。

工作日傍晚五点到六点,皇后区阿斯托里亚、31街与23大道,靠近迪特马斯林荫道地铁站。论文估计这里每小时有 1024 人在走,并认为这个量级已经对得上全球走廊的门槛。相邻的 23 大道和 31 街,在纽约市 2020 年步行机动性规划里仍被标成基线或社区连接路。路口人行道宽度倒是常常达到邻里走廊要求的 15 英尺。

同一套人流若拿去读事故,排序也会改。2012 到 2023 年,行人受伤人数最高的路口集中在曼哈顿中城、时代广场一带。把三个工作日高峰小时的估计人流放进分母之后,下城和中城退出风险最高的那一批,上曼哈顿、布朗克斯、布鲁克林、皇后区和史泰登岛更靠前。

这项研究先给纽约全城高峰时段的步行流量一个路段级估计,再把它当作基线,回看街道分级和路口风险。它支持的是:官方走廊类型并没有按实测或估计人流来划,只按受伤人数排序也会把高流量路口说得比每人风险更危险。它没有证明某一条街的等级造成了事故,也没有给出应该先改哪一个路口的施工清单。

先说结论

  • 随机森林用 2018–2019 年、每小时至少 30 人的路段计数做校准。工作日训练集的 R² 为 0.954–0.963,测试集降到 0.662–0.736;周末早高峰测试集只有 39 段,R² 为 0.400。平均绝对百分比误差是各段误差的平均,训练段大约 15%–19%,留出测试段大约 41%–52%。
  • 工作日早高峰,就业地与地铁站这一类起讫对预测的置换重要度约 48%。这是打乱该类流量后预测变化的相对大小,不是早高峰 48% 的行人走在这条起讫上。午间和傍晚转向就业地与设施;周末则由设施之间、设施与地铁站更突出。
  • 工作日三个高峰,曼哈顿路段的中位数和最大值都最高。59 个社区区里,中城在工作日傍晚平均每段 1697 人,论文称这是其他社区区的两倍以上。外区被点名的较高社区区大约每段 186–263 人,低于正文列出的下曼哈顿 576–740,也远低于中城。
  • 工作日傍晚,全球走廊中位数大约每小时 1500 人。按“超过上一档第 75 百分位”计数,区域走廊 26 段、邻里走廊 200 段、社区连接路 684 段、基线 2901 段可能被划低。论文同时写明,这组对照没有纳入历史、旅游、土地用途和机构因素。
  • 人数最高的 100 个路口与按暴露校正后的 100 个路口不是同一批。校正用的分母是典型工作日三个高峰小时的估计人流之和,分子是 11 年受伤人数。这是相对排序,不是每人每年的事故概率。

全城步行为什么不能只靠通勤表和几个路口?

纽约市交通局的全市出行调查显示,步行约占出行的 41%,小汽车约占 28%。论文引用的是这项调查,不是本次模型算出来的分担率。美国社区调查的通勤表又只覆盖上班出行。论文据此引用全美家庭出行调查的说法:通勤不到全部出行的三分之一,所以大多数步行根本不在通勤表里。全市每个路段都派人去数,也不现实。

既有步行模型大致分三条路。一类用土地利用、密度和街道类型直接回归某个点的人数,不追踪一次出行从哪里到哪里。一类用智能体把每个人走出来,适合机场、车站或几个街区,很难铺到整座城市。一类在网络上用图方法累加经过每条路段的出行,城市网络分析、sDNA 和 MoPed 都属于这一类。纽约步行研究(NYC Walks)走第三条:先有可通行的人行网络,再估计高峰时段哪些出行会经过每一段。

网络来自纽约市交通局的 LION 人行道图层。原始数据缺公园里的步道,也有拓扑错误。作者用了大约 6 个月做自动和人工清理,并对照 2019 年航空影像。清理后的网络有 315,577 段,是人行道、人行横道和步道的中心线。模型只让人走这些设施,不包含未标记的乱穿马路。作者也说明,残留的拓扑错误仍可能影响结果。

有限的计数,怎样被铺到 31 万段人行网络上?

计数来自纽约市交通局交通信息管理系统,取 2018 和 2019 年、新冠疫情前的记录。原始记录按 15 分钟汇总,再加总到三个高峰小时:早 8:00–9:00、午 12:30–13:30、晚 17:00–18:00。工作日和周末各做一遍,一共六个时段。计数包含步行和使用轮椅等辅助器具的人,不包含自行车、滑板和其他个人机动装置。2019 年 9 月和 11 月占校准所用计数的 61%。正文没有给出这 61% 的分子和总次数。

在作者称为 1011 段校准计数的集合里,842 段在人行横道上,占 83.3%;其余 169 段、占 16.7% 在路段中部。因此校准更靠路口。正文说路段中部和横道的拟合表现相当,并指向补充表 2。

生成出行时,模型使用 10 类起讫点对。起点和终点包括住所、就业地、地铁出入口、学校、公园和零售等设施。每个起点只在网络距离 800 米(半英里)内寻找目的地。多个目的地同时存在时,用赫夫模型(Huff model)分配概率:更近、权重更大的目的地分到更多出行。表注给出的距离衰减是逆指数,系数为 0.001,绕行上限是最短路的 1.15 倍。800 米决定谁能进入候选,0.001 决定半径内距离增加时权重下降多快。这个系数是模型设定,不是从纽约行人问卷里估计出来的偏好。

路径分配找出不超过最短路 1.15 倍的全部路径,并给它们相等概率。较短路段会反复出现在多条路径里,所以累加后更高。作者没有使用纽约本地的步行选路系数,路径代价只含网络距离,不含人行道宽度、底层店铺、车流、照明或绿荫。目的地更容易步行到达的起点,人均会产生更多相应出行。这一步用 k 近邻可达性修正起点权重。模型本身不单独做方式选择;步行总量是在后面的校准里,被观测人数拉向实测。

扩展数据表 3 列出权重。编号从 1 跳到 3,印出的是 9 行,没有第 2 行。图 1 的类别里有住所与地铁,表中却没有这一行的空间单元和权重,这里不补。已印出的对应关系是:住所到学校、公园、就业地和设施时,起点权重为街区临街人口;学校用学生容量,公园用 100 米网格的面积,就业地用雇员数,设施用个数。就业地到地铁时,起点是雇员数,地铁出入口的权重是线路数除以出入口数。设施到设施、公园到地铁、设施到地铁也按表中的个数或面积。地铁权重没有用发车频率。

住所用 2020 年人口普查街区,插值到临街中心点。就业地和设施用 InfoGroup 2019 年商业数据。学校来自纽约市教育局,公园来自公园与游憩局,地铁出入口来自大都会运输署。计数、人口、商业和影像不是同一周的快照。

初步流量估计出来之后,随机森林把估计值校准到观测人数。数据按 80% 训练、20% 测试划分,再做 20 折随机交叉验证,报告 20 个模型的平均预测。只保留每小时至少 30 名行人的路段。下表的 n 是路段数,不是行人数。MAE 是平均绝对误差,单位为每小时人数;论文表注写作 mean average error。MAPE 是平均绝对百分比误差,0.182 表示 18.2%,而且是各段百分比误差的平均,不是每一段都落在这个范围里。

时段 工作日训练 ρ / R² / MAE / MAPE / n 工作日测试 ρ / R² / MAE / MAPE / n 周末训练 ρ / R² / MAE / MAPE / n 周末测试 ρ / R² / MAE / MAPE / n
早高峰 0.977 / 0.954 / 82.5 / 0.182 / 1010 0.814 / 0.662 / 203.3 / 0.500 / 252 0.957 / 0.916 / 34.7 / 0.160 / 158 0.632 / 0.400 / 90.3 / 0.425 / 39
午高峰 0.981 / 0.963 / 123.7 / 0.152 / 346 0.848 / 0.719 / 317.8 / 0.410 / 86 0.978 / 0.957 / 87.2 / 0.190 / 454 0.669 / 0.669 / 222.2 / 0.524 / 113
晚高峰 0.980 / 0.961 / 121.1 / 0.187 / 1051 0.858 / 0.736 / 302.8 / 0.510 / 263 0.967 / 0.935 / 170.6 / 0.183 / 172 0.769 / 0.591 / 440.1 / 0.468 / 43

工作日训练集 R² 都超过 0.95。正文把工作日训练 MAPE 概括为 18%–19%,表中午高峰实际是 15.2%,早、晚为 18.2% 和 18.7%。测试集 MAPE 为 41.0%–51.0%(工作日)和 42.5%–52.4%(周末)。正文所说的训练相关系数 0.977–0.981、测试 0.814–0.858,对应的是工作日;周末训练最低到 0.957,周末测试最低到 0.632。最弱的一格是周末早高峰测试:39 段,R² 为 0.400。

工作日晚高峰进入上表的训练加测试共 1051+263=1314 段。相对全网 315,577 段,大约 0.4%。模型把这少数路段上的关系推广到其余路段。推广误差不能从训练集 R² 直接读出来。

扩展数据表 1 的样本量与上表训练集完全一致,所以下面的分位数描述的是训练集、且每小时至少 30 人的路段,不含那 20% 测试段,也不是全城路段。

观测计数 最小值 第10百分位 中位数 第90百分位 最大值 段数
工作日早 31 60 281 1307 5774 1010
工作日午 31 92 830 2108 4007 346
工作日晚 31 63 332 1960 7921 1051
周末早 32 63 212 488 882 158
周末午 31 64 305 1418 4052 454
周末晚 32 214 904 2245 5348 172

工作日晚高峰的观测中位数是每小时 332 人,最大值是 7921 人。高流量尾部很长。后面会看到,模型给出的全城最高估计低于这个观测最大值。

早高峰的预测,主要被哪一类出行带动?

校准之后,作者用置换重要度看每一类起讫流量对路段预测的相对影响。做法是打乱某一类变量,看预测变化多大。条越长,这类流量对当前时段的预测越关键。横轴从 0 到 1。它不回答这类出行占全部步行人次的比例,也不回答一个人早上是否从家里出发。

工作日与周末六个高峰的起讫类型置换重要度

图 1|不同高峰里,哪一类起讫最影响路段人流预测?

(a)工作日。早高峰最长的是就业地与地铁站,正文给出的重要度约 48%;就业地与设施只有一条短条,住所相关的类别都接近零。(b)周末。午间较长的是设施之间,其次是设施与地铁、就业地与设施;晚高峰最长的是设施之间,设施与地铁也可见。纵轴 10 类起讫在两幅图中相同。来源:原论文 Fig. 1。

这个图形和通勤直觉需要分开读。早高峰住所到就业地、住所到地铁的条很短,只能说明打乱这两类流量对校准后的路段预测影响小。模型在校准前仍然会生成从住所出发的出行。周末午间,就业地与设施仍有一条可见的条,论文据此认为就业中心周围的店铺在非工作日也有步行活动。图上没有给出除 48% 以外的精确百分数,其余类别只按长短比较。

中城远高于其他社区区,外区的高流量在哪里?

校准模型把估计扩展到全部网络段。下图是工作日早高峰的全城分布。颜色按每小时估计人数分段,从不足 500 人到 3000–3500 人。白框是网络缺失的区域。右侧放大图用青色标实测、白色标模型估计,比例尺为 0–200 英尺。

纽约工作日早高峰步行流量估计及局部放大

图 2|早高峰的人流集中在哪里,放大以后估计和实测差多远?

(左)全城工作日早高峰估计。曼哈顿中南部最亮,外区呈线状而不是成片高亮;白框标出缺失网络。(右)放大后的路段。青色数字为实测,白色数字为估计,图例文字写的是 weekday PM,图题写的是早高峰。图例中的 9,999 是占位数字,不是某个路口的流量。来源:原论文 Fig. 2。

图题把整张图和放大图都称为工作日早高峰,并说明蓝字是 2018 或 2019 年早高峰实测。放大图图例却把实测和估计都写成 weekday PM。两套时间不能同时成立。读这张图时,全城颜色按图题视为早高峰;放大图上的单个数字不在这里引用,避免把早高峰和晚高峰的人数混成同一组事实。

扩展数据表 2 给出的是各区路段估计值的分布,不是区总人数,也不是区平均人数。中位数描述的是该区一条典型路段,最大值描述最忙的一段。

区 工作日早中位 / 最大 工作日午中位 / 最大 工作日晚中位 / 最大 周末早中位 / 最大 周末午中位 / 最大 周末晚中位 / 最大
布朗克斯 130 / 1289 104 / 1525 134 / 1941 128 / 423 124 / 1373 204 / 1696
布鲁克林 123 / 1506 106 / 1630 128 / 1738 126 / 397 124 / 1308 206 / 1789
皇后区 109 / 1722 84 / 1844 93 / 1808 130 / 369 111 / 1521 212 / 1660
曼哈顿 210 / 2890 269 / 2802 264 / 3398 133 / 469 192 / 1875 225 / 2498
史泰登岛 107 / 286 83 / 936 81 / 402 135 / 197 111 / 739 222 / 444
全市 124 / 2890 86 / 2802 118 / 3398 130 / 469 121 / 1875 212 / 2498

工作日三个高峰,曼哈顿的中位数和最大值都是五区最高。工作日晚高峰,曼哈顿中位数为每小时 264 人,第 90 百分位为 1291 人,最大值为 3398 人;全市中位数只有 118 人。皇后区同一时段的中位数是 93 人,最大值仍有 1808 人。外区的典型路段低于曼哈顿,外区最忙的路段可以进入曼哈顿的高流量区间,只是还达不到曼哈顿的极端最大值。

周末早高峰的中位数挤在 126–135 人,史泰登岛 135 人,曼哈顿 133 人。周末晚高峰的中位数也很接近:布朗克斯 204、布鲁克林 206、皇后区 212、史泰登岛 222、曼哈顿 225。曼哈顿在这一时段的优势主要在尾部,第 90 百分位为 1098 人,最大值为 2498 人;史泰登岛的第 90 百分位只有 230 人,最大值为 444 人。论文写周末傍晚仍由曼哈顿主导。从表上看,这句话更符合高分位和最大值,中位数本身已经接近。

社区区尺度把路段再平均一次。下图是工作日 17:00–18:00、59 个社区区的平均每段人数。颜色越深越高。这是区内所有人行道、人行横道和步道段的平均,论文没有给出每个区的段数,所以 1697 不能换成该区总人数。

59个社区区工作日傍晚高峰的平均每段行人量

图 3|哪个社区区的典型路段最忙?

原图没有子图字母。每个社区区标一个工作日傍晚的平均每段人数,颜色由浅到深表示由低到高。中城为 1697,明显深于其他区;下曼哈顿若干区在 576–740;外区多数在 200 以下,布朗克斯、布鲁克林和皇后区有若干区超过 180。史泰登岛整体更浅。比例尺 0–3 英里。来源:原论文 Extended Data Fig. 1。

正文点名的工作日晚高峰平均值是:中城 1697;金融区 740,格林尼治村 656,切尔西 601,斯泰弗森特镇 576。外区相对高的是布朗克斯大学高地 263、海布里奇 236,布鲁克林高地 227、日落公园 224、博罗公园 234,皇后区桑尼赛德 204、阿斯托里亚 186。1697 大于 740 的两倍。外区这些 186–263 的区低于正文列出的下曼哈顿社区区,也远低于中城。地图上还有颜色更浅的曼哈顿社区区,正文没有逐一给出区名和数字,这里不另引。

下图把四个流量更普通的地点放大到路段,时间是工作日傍晚 17:00–18:00。白字是模型估计,蓝字是 2018 或 2019 年同一小时、有计数的路段上的实测。

四个普通街区的工作日傍晚估计与实测

图 4|离开中城以后,估计和实测还在同一量级吗?

(a)布朗克斯枢纽。(b)曼哈顿坚尼街。(c)布鲁克林第七大道与 58 街。(d)布朗克斯洪水三角地带。黄线是人行网络,蓝字只出现在当年有计数的路段上,不能把没有蓝字读成实测为零。(a)带 0–300 英尺比例尺。来源:原论文 Extended Data Fig. 2。

这四张图说明模型不是只在中城画一张亮图。有实测的路段上,估计与计数大体同量级,也有对得不紧的路段。因为蓝字只覆盖被数过的段,这张图不能用来计算全市误差;全市误差仍以表 1 的训练段和测试段为准。

作者还用两个最大值说明模型压低了极端高流量:扩展数据表 1 里,工作日晚高峰观测最大值为每小时 7921 人;扩展数据表 2 里,模型全城最大值为 3398 人。前者是训练集中最忙的一段,后者是全城估计的最高一段,不一定是同一段。这个比较支持“极端值被拉低”,不能写成那一段的预测误差就是 7921 减 3398。作者认为原因是训练样本更强调全市常见路段,而不是极端路段。

走廊等级是按人流划的吗?

纽约市交通局 2020 年步行机动性规划把街道分成五类,并称分类基于预期步行流量和沿线土地利用。论文指出,这套分类并没有使用实测或估计的行人数量。五类的规划定义是:

  • 全球走廊:人很多,目的地吸引来自世界各地的人。
  • 区域走廊:人流集中,目的地或大型吸引点覆盖整个区域。
  • 邻里走廊:人数较小但稳定,如社区商业、大学校或大公园。
  • 社区连接路:行人互相经过或三五成群,连接附近的小公园、学校。
  • 全市基线:人流低、很少与人相遇,通常是没有明显步行吸引点的居住街道。

论文后文也把社区连接路写成社区走廊。分类会影响人行道上留给步行的比例、净空和街道家具。所以等级不只是地图颜色。作者也写明,真正划等级时还应考虑历史、旅游、土地利用和机构因素,而下面的对照只看人流。

五类走廊在工作日傍晚的小时行人量箱线图

图 5|五类走廊的傍晚人流重叠有多大?

原图没有子图字母。横轴是工作日晚高峰的估计小时人流。箱体两端是第 25 和第 75 百分位,箱内竖线是中位数,箱内点是均值,两端须线是第 10 和第 90 百分位,不是置信区间。红线标出超过上一档第 75 百分位的路段,红字是段数。全球走廊 n=508,区域 2506,邻里 11465,社区 17883,基线 43026。来源:原论文 Fig. 3。

全球走廊的中位数大约每小时 1500 人,箱体位于其余四类右侧,右端须线也明显更长。图上没有标出各类第 90 百分位的精确人数。其余四类的箱体都靠近原点,彼此重叠。红线给出的可能划低的段数是:区域走廊 26 段,超过全球走廊的第 75 百分位;邻里 200 段,社区 684 段,基线 2901 段。四项合计 3811 段。相对各类自身段数,分别是 26/2506(约 1.0%)、200/11465(约 1.7%)、684/17883(约 3.8%)和 2901/43026(约 6.7%)。

图中五类 n 合计 75,388 段,少于全网 315,577 段。论文没有说明差额来自未分类路段,还是走廊分类用了另一套切分。75,388 不能当作全城人行道段数。红线比较的是“比上一档的第 75 百分位更高”,不是“比上一档的中位数更高”。一条基线路段超过社区连接路的高分位,仍可能远低于全球走廊的中位数。

下图左边是五类的空间分布,线的粗细表示估计人流。右边更严:只标工作日 17:00–18:00 人流高于再上一档、也就是高出两个等级的第 75 百分位的路段。31 街与 23 大道在两幅图上都被圈出。

走廊类型分布与高出两档的路段

图 6|划低的路段集中在曼哈顿,还是外区?

(左)五类走廊。橙红色的全球和区域走廊集中在曼哈顿,外区以绿、青、灰为主。(右)高出两个等级第 75 百分位的路段,品红色,工作日晚高峰。两图都圈出皇后区 31 街与 23 大道。比例尺 0–3 英里。原图没有 a、b 字母。来源:原论文 Fig. 4。

左边的格局是曼哈顿高等级更密。右边的品红线段在布鲁克林和皇后区更醒目,曼哈顿并没有整片被标成低估。论文据此认为,按预测人流,曼哈顿有些路段的等级可能偏高,外区有些路段可能偏低。这是等级与人流的错位,不是已经审计过的投资金额差异。

论文接着写道,全城被低估的街道大约 5256 英里(8459 公里),其中基线走廊 3067 英里(4936 公里),社区走廊 1280 英里(2060 公里)。这句话紧跟在高出两档的地图之后,但没有逐项对应图 5 的 26、200、684、2901 段。英里数和段数不宜直接相除。最明显的低估位于布鲁克林和皇后区。

皇后区31街与23大道的街景

图 7|1024 人的路口,街上实际长什么样?

原图没有子图字母,是同一路口附近的两张街景。(左)宽人行横道、街角店铺和行道树。(右)沿街商业、停靠车辆和人行道上的行人。照片本身没有人数。每小时 1024 人、基线或社区连接路的等级、以及约 15 英尺的邻里走廊宽度,都来自正文对这个路口的说明。来源:原论文 Extended Data Fig. 3。

1024 低于全球走廊大约 1500 人的中位数。论文说它符合全球走廊门槛,但没有给出门槛的切分公式。可以确定的是:模型把这里放进高人流,规划等级仍是基线或社区连接路,而路面宽度已经达到邻里走廊的 15 英尺标准。旁边人流同样高的路段也未被升档。

受伤最多的路口,每人风险也最高吗?

第二个用途是事故。愿景零死亡计划从 2014 年开始强调行人和骑行者。公开地图通常按受伤和死亡人数标出路口。论文使用纽约市警察局经开放数据发布的机动车碰撞记录,取 2012–2023 年涉及行人受伤的事故。

人流估计在人行道和人行横道上,事故点落在道路中心线节点上。作者先把节点周围所有人行横道的估计人流加到该节点,再把节点 50 米内的行人受伤事故连到这个节点。左图是这 11 年里行人受伤人数最高的 100 个路口。右图把人数除以工作日早、午、晚三个高峰小时的估计人流之和,表示成每 1000 名行人的受伤数。

行人受伤人数最高的路口与暴露校正后的风险

图 8|按人数和按每人风险,最靠前的路口还是同一批吗?

(左)2012–2023 年行人受伤人数最高的 100 个路口。图例三档为 34–41、42–56、57–84 人。点在曼哈顿、布朗克斯和布鲁克林更密,史泰登岛只有一个点。(右)同一批比较改用暴露校正后的 100 个路口。图例为每 1000 人 51–65、66–91、92–135。下城和中城的高人数点退出,外区和上曼哈顿更突出。比例尺 0–3 英里。原图没有 a、b 字母。来源:原论文 Fig. 5。

右图的“每 1000 人”有固定口径:分子是 11 年的受伤人数,分母是一个典型工作日三个高峰小时的估计人数之和,再乘以 1000。它不是每年每 1000 名行人的概率,也不是全天、全周或全年的暴露。一个三小时估计人流为 1000 人、11 年里有 100 名行人受伤的路口,会落在每 1000 人 100 的位置。换一套全日人流,排序可能改变。

人数图里,时代广场和中城很突出,史泰登岛只有 1 个路口进入前 100。风险图里,下城和中城不再出现在这 100 个里;上曼哈顿、布朗克斯、布鲁克林部分地区、皇后区和史泰登岛更靠前。论文的解释是:高人流可以积累很多受伤人数,每人面对的风险仍可能低于人少、人数却差不多的路口。这个解释依赖估计人流当暴露。若某路口的人流被低估,它的风险率会被抬高。

事故分析只用已经发生并被记录的碰撞,不含险些发生的冲突。因此它回答的是记录在案的受伤如何随暴露重新排序,不是街道上全部危险的清单。

估计能用到哪一步?

这套估计适合做全城高峰人流的基线,也适合和街道、地址尺度的其他数据叠在一起。它还不适合直接宣布某条街应升到哪一档,或某个路口的改造会减少多少事故。

出行生成缺少几类明显的人流来源。地铁站只用线路数和出入口数,没有用逐小时班次。公交站没有进入起讫点。宾州车站、中央车站、扬基体育场、康尼岛等特殊吸引点也没有单列。休闲、没有明确目的地的散步不会被生成;校准用的实测人数里却可能含有这类步行。作者认为,这类缺口会让模型既低估极端高流量,也漏掉一部分非目的性步行。

施工封闭没有进入网络。工作日早、晚高峰绝对百分比误差超过 100% 的路段,常常和施工挡路有关:人被挤到旁边的路段,模型仍按畅通网络分配。航空影像看不清这些临时封闭。

校准对着的是路段总人数,不是分方向人数,也不是住所到学校、住所到地铁这种分类型的实测。随机森林给出的是树的分段规则,不能写成一条可带到另一座城市的公式。作者明确提醒,不要把纽约校准后的模型文件直接用到其他城市或其他数据集上。即便仍在纽约,疫情后的在家办公也会改变日波动和季节波动,需要用新计数重做校准。

走廊对照忽略了规划名义上还要考虑的历史、旅游和土地用途。事故对照用的是高峰小时估计,不是受伤发生那一小时的实测人流。相关的空间重叠不能写成等级导致事故,也不能写成降低人流就会降低受伤人数。

一句话总结

纽约全城高峰步行可以被估计到路段,但官方走廊等级并没有按这套人流来划;把受伤人数除以高峰人流之后,最需要优先查看的路口也会从中城人数高地移向外区和上曼哈顿。

核心来源

  • Nature Cities 正式文章,核对题目、作者、2026年2月6日在线发表日期与数据说明。正文图 1–5,扩展数据图 1–3,表 1 与扩展数据表 1–3。
  • 作者写明,人行网络、分出行类型的流量、六个时段的校准人流,以及 pckl 格式的校准模型,随补充数据发布。补充表 1–2 和补充图 1–8 在正文中被引用,用于计数点位置、月份、高峰曲线和路口与路段中部的分别拟合。

作者介绍

机构与分工以论文署名和作者贡献说明为准。

  • Andres Sevtsuk:署名麻省理工学院城市研究与规划系,通讯作者。提出研究问题,与 Basu 共同设计实现,并主笔。麻省理工学院在论文发表当天的新闻中称他为该系副教授。
  • Rounaq Basu:署名佐治亚理工学院城市与区域规划学院。与 Sevtsuk 共同设计实现,完成模型校准,并参与写作。
  • Liu Liu:署名麻省理工学院城市研究与规划系。绘制人流图,并把估计人流与实测计数做视觉对照。
  • Abdulaziz Alhassan:署名麻省理工学院城市研究与规划系。用 Python 实现模型并估计行人流量。
  • Justin Kollar:署名麻省理工学院城市研究与规划系。用人流估计分析交通事故、绘制相关图,并参与写作。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

若极端高流量被系统性压低,中城那些人数很多的路口,风险率会被抬高,因为分母变小了。在这种偏误下,中城仍然退出风险最高的 100 个路口。这说明“中城按人数靠前、按每人风险不一定靠前”不太像是低估人流制造出来的;低估人流会把证据往相反方向推。要确认这一点,需要同一批路口在 2018–2019 年高峰小时的实测人流,而不是再比较全市最大值 7921 和 3398。这两个最大值不一定落在同一段上。

另一个可以马上做的检查,是把图 5 的 3811 段拆开。31 街与 23 大道这种高人流紧挨地铁出入口,模型自己的搜索半径就是 800 米。地铁口前的一个高峰小时,和一整条零售街上持续的高人流,需要的设施不一样:前者可能是过街时间和站口排队,后者才是规划里全球走廊的净空和街道家具。论文的红字只统计超过上一档第 75 百分位的段数,英里数又跟在另一套、高出两档的定义后面。若两种定义各自同时报告段数和长度,并分开地铁口邻近路段与连续商业路段,升档名单会短很多,也更接近能施工的项目。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
 上一篇
下一篇 
2026-Human mobility in the metaverse mirrors patterns in the physical world 2026-Human mobility in the metaverse mirrors patterns in the physical world
拿掉路程和路费之后,人的移动还像在真实城市里吗? 论文名片|Kishore Vasan、Márton Karsai、Albert-László Barabási, Human mobility in the metaverse mirror
2026-11-10
  目录