同一片商圈,对不同社区、在风暴和居家令里,还是同一个吸引力吗?
论文名片|Haiyan Hao、Yan Wang,A Deep Learning Representation of Spatial Interaction Model for Resilient Spatial Planning of Community Business Clusters。文稿首页与参考文献末页未印期刊、卷期、本文 DOI 或正式发表日期。PDF 文件信息记录的生成时间是 2024 年 1 月 9 日,年份按这一文稿日期理解。这是一项把空间相互作用模型改写成图注意力网络,再用可解释方法阅读一个都市区到访流的研究。
2019 年 1 月 8 日,论文把它当作迈阿密都市区的一个平常日。2019 年 9 月 3 日,是飓风多里安对这一地区影响最重的一天。2020 年 3 月 25 日,是迈阿密-戴德县居家令生效一周之后。如果每个商业集群只带一个固定吸引力,再除以一个固定出行成本,这三个日子、以及高收入街区和少车街区,都会被看成同一套选择。
这项研究没有证明多修一座广场或多设一个公交站就会多来多少顾客。它把商业集群、居住普查区和多方式交通连成一张图,拟合 2019 年 1 月 1 日至 2020 年 11 月 17 日、从居住普查区指向商业集群的到访流,再用 DeepLIFT 看模型把哪些地方特征推进了预测到访。读下来的方向是:店铺数量、面积和一部分形态仍然重要,但贡献随街区改变;多里安当天正负号大体还在、幅度变小,居家令这一天多数商圈特征几乎不再起作用。
先说结论
- 研究区最后保留 199 个商业集群、共 8,309 家三类店铺,居住侧是 406 个普查区。SIM-GAT 在随机抽出的 20% 验证数据上泊松损失为 1.5555,训练损失为 1.4407。1.5555 是 100 轮里验证损失最低的那一轮,不是第三套未参与挑轮次的测试。
- 同一损失下,GCN 的验证损失是 1.7550,GraphSAGE 是 1.5615。SIM-GAT 参数量 1,751,是 GCN 4,718 的 37.1%(1,751/4,718),是 GraphSAGE 4,846 的 36.1%(1,751/4,846)。后两个模型只用商圈节点。论文没有给出传统引力模型或 Huff 模型的对照损失。
- 在 2019 年 1 月 8 日,DeepLIFT 把更多店铺、更大面积、市中心和广场形态、海岸洪水区以及靠近住宅,读成更高的预测到访;内陆高风险洪水区、混合用地和商业用地偏负。2019 年 9 月 3 日幅度缩小,2020 年 3 月 25 日多数商圈变量靠近零。这是模型贡献的方向,不是已经实施的改造效果。
- 公交站数量的正贡献,主要出现在汽车拥有率低于 85% 的街区,对高收入和高有车率街区影响很小。65 岁以上居民比例最高和最低的各 10 个普查区之间,变量贡献差别不大。起点被假定为居住普查区;2017 年全美家庭出行调查里,基于家的购物出行占抽样购物出行的 52.4%。
一个商圈一个面积,会漏掉谁的差异?
空间相互作用模型(spatial interaction model,SIM)用两地的规模和出行成本预测流量。引力模型(gravity model)把从一地到另一地的流量写成两边规模相乘,再除以出行成本的某个幂。用到商圈时,规模常常就是腹地人口和商圈面积。Huff 模型再让几个商圈竞争同一位顾客:某个商圈的吸引力除以出行成本之后,要除以所有可去商圈的这项之和,才得到到访概率。
已有研究认为,规模、商品和价格会影响人是否再次光顾,富有顾客和更在意折扣的顾客权数也不相同。节假日、风暴和疫情还会改变人当时觉得哪里值得去。把这些因素加成一个固定分数,或者乘在一起再回归出一套权重,得到的仍是不随人群、不随日期改变的吸引力。出行成本若只留一个直线距离,也会丢掉路网、驾车和公交加步行的差别。
SIM-GAT 要处理的是三件具体的事:商圈和居住街区可以带不同特征,同一商圈对不同街区的注意力可以不同,环境可以进入每一天的分数。它拟合的是观察到的到访怎样被分派,不是证明人先在心里按某个公式打分。
迈阿密这张图,连的是集群、普查区和出行时间
案例是佛罗里达的迈阿密都市区。论文给出两个理由。其一,东南沿海反复遇到沿海洪水和热带风暴;作者初步统计,有 2,189 家依赖到店的店铺位于风暴潮规划区 A 和 B,飓风时居民应撤离,危险地带却仍有商业和混合开发。其二,这里的社会隔离明显,便于看不同街区是否被不同的商圈特征吸引。后文讨论规划时,地域又称迈阿密—劳德代尔都市区。数据从 2019 年 1 月 1 日到 2020 年 11 月 17 日。
兴趣点来自 SafeGraph 的 Core Place。全美有六百多万个兴趣点,空间连接后研究区内有 24,708 个。到访计数来自 Pattern,包括每个兴趣点的到访、访客居住普查区、出行距离中位数和停留时间分组。平台在全美约有 4,700 万台设备,论文写这约占全国人口的 10%。这里的 4,700 万是平台面板,不是迈阿密的受访者人数。本文使用的是汇总到居住普查区的到访计数,分析单位不是单人轨迹。
到店人流对制造业、建筑业不一定说得通。论文因此只保留三类:零售(NAICS 44 和 45),艺术、娱乐和休闲(71),住宿和餐饮(72)。正文说这三类大约占 24,708 个兴趣点的一半,括号里印着 114,77。24,708 的一半是 12,354,括号中的数字对不上,不用它作为样本规模。
商业集群用 DBSCAN 寻找,距离是店铺之间的直线距离。半径 200 米、最少点数 5。作者的操作性说法是:200 米半径内上述三类店铺超过五家,地点才开始成为集群种子。他们试过 100 米、200 米、400 米,以及最少点数 5 和 10,在地图上人工比较后选定,没有报告量化的聚类评分。最初得到 218 个集群,再按建筑环境手工合并,例如把同一路段上的并成一个,最后是 199 个集群、8,309 家这三类店铺。2,189 家是风暴潮区里依赖到店的店铺,和这 8,309 家不是同一个计数,论文没有给出二者的交集。

图 3|聚类想辨认的,是哪几种商圈形态?
(a)购物中心,店铺围着集中的停车场。(b)商业广场,露天、地块较完整。(c)沿街商业,店铺顺着道路拉成一条。(d)市中心,街网更密、兴趣点铺得更开。四张都是形态举例,后面的形态变量来自人工复核,不是吸引力高低的测量。来源:原论文 Fig. 3。

图 4|199 个集群在都市区里怎样铺开?
无字母子图。黄是市中心,蓝是商场,绿是广场,粉是沿街商业,比例尺标到 8 公里。四色沿海岸和内陆都有,不是只标出一个市中心。颜色是形态,不是到访量。来源:原论文 Fig. 4。
每个集群还带一组特征:四类形态的独热编码,六位行业编码的店铺构成,店铺多样性,连锁店比例,周围 200 米缓冲区内的用地比例、公交站数量,以及洪水区 X、A、V 的面积比例。X 是低风险的 500 年一遇洪泛区,A 是高风险的 100 年一遇洪泛区,V 是海岸 100 年一遇洪泛区。100 年一遇对应的是每年约 1% 的淹没概率,不是每年发生一次。行业构成最初有 126 类,主成分分析压成 7 维,论文写这 7 维解释该构成数据 96.51% 的方差。多样性是六位编码的香农多样性。
居住侧用普查区,因为这是各套数据都能对齐的最细单元,研究区共 406 个。普查局设计普查区时,大致对应约 4,000 人、特征相对同质的群体。这是引用的一般口径,不是这 406 个普查区的实测平均人口,论文也没有给出它们的人口合计。每个普查区有 7 个人口社会经济变量:年龄、汽车拥有、贫困比例、教育、就业、人口规模、白人与非白人。另有用地、路口密度、道路密度、步行性,以及同样三类洪水区比例。
出行时间不是直线距离。驾车和步行路网来自 OpenStreetMap,公交线路来自迈阿密都市区的开放门户,再合成一张多方式网络。没有限速信息的道路,车辆和公交按每小时 50 公里,步行按每小时 5 公里。有车家庭假定开车,无车家庭走公交加步行。时间取离普查区质心和集群质心最近的路网节点之间的最短路径。论文没有报告这套出行时间的中位数或分布。

图 5|三种路网合成之后,节点数是相加的吗?
无字母子图。驾车网 69,983 个节点、105,421 条边;步行网 230,909 个节点、327,474 条边;公交网 3,818 个节点、4,609 条边。合成后的多方式网络是 233,088 个节点、358,177 条边。三个网络的节点数之和是 304,710(69,983+230,909+3,818),合成图更少,重合节点被并到了一起,不能把三张网的规模直接相加。来源:原论文 Fig. 5。
环境按天进入模型。天气是 5 维,包括气温、风速、2 分钟最大风速、多日降水所含天数和降水强度。灾害标成海岸洪水、洪水、风暴和其他。前三类占风暴事件记录的 86.7%,即 113 条里的 98 条;其余 15 条放进其他,包括雷电、冰雹、野火和强降雨。作者认为这些太少,这套模型抓不住。居家令只标记迈阿密-戴德县实施居家的日期,节假日标记全美法定假日。
注意力怎样把一个街区的需求分给不同商圈?
图先看成两类节点彼此相连:案例里是 199 个商圈对 406 个普查区。边的权重不事先写死。商圈特征、街区特征和当天环境拼在一起,学出一个注意力分数,再除以已经算好的出行时间。出行时间越大,修正后的分数越低。这一步借用了引力模型里成本放在分母的位置,但没有再估计一个距离衰减指数。
同一街区前往各个商圈的分数用 softmax 归一化,让这些商圈竞争这一份需求。任务若是预测到访流,就把这个份额和两边特征一起映射成流量,最后用指数激活。指数激活是因为到访被当成泊松分布的计数来训练,不是因为真实客流已经被证明只服从这一种分布。两种出行成本,也就是有车和无车,先用一个可学习的线性层合成一张。环境序列用长度为 7 的长短期记忆网络处理,各层隐藏维度是 8。
论文举例说,腹地可以事后划成贡献 80% 顾客流的那些街区。这是方法上的一个可选阈值。结果部分没有报告迈阿密各集群按 80% 划出的腹地。

图 1|一个街区的需求怎样散开,一个商圈又怎样把需求收拢?
(a)一个居住节点把需求分给若干商业中心,边上的系数是注意力份额。(b)一个商业中心收拢来自若干居住节点的需求。上方地图里蓝点是商业中心、黄点是居住街区,粉色块是图例中的街区底色。整张图是机制示意,不是迈阿密的实测到访。来源:原论文 Fig. 1。

图 2|从出行成本、商圈特征和环境序列,到一张到访矩阵,中间经过什么?
无字母子图。左侧多种出行成本矩阵经线性层合成一张;商圈特征与街区特征各自嵌入,一段时间的环境序列经 LSTM 得到状态。三者拼进注意力层,softmax 得到商圈之间的竞争份额,再经线性层和指数激活输出到访。右下小图重复的是需求分派,不是另一套实证结果。来源:原论文 Fig. 2。
训练前,店铺数这类长尾变量先取对数,再和其他变量一起标准化。优化用泊松损失,批大小 8,学习率 0.01,最多 100 轮。这组超参数来自网格搜索。数据随机分成 80% 训练和 20% 验证,保留验证损失最低的那一轮。正文写预测使用过去七天的环境和总体到访条件,并指向环境变量表;该表列出的是天气、灾害、居家令和节假日,没有把历史到访流本身列成一项输入。
空间图案像,时间下跌也跟上了,就能说明每条流量都对吗?
时间平均后的实际与预测到访,在集群和普查区之间的亮暗条纹大体相仿。把空间加总之后,每日到访则一起经历了 2020 年春季的下跌。

图 6|时间平均之后,到访集中在哪些集群和哪些街区?
无字母子图。左是实际,右是预测。横轴为商业集群序号,图上标出的刻度是 0 和 100;纵轴为居住街区序号,刻度到 400,与 406 个普查区同一量级。颜色是时间维度上平均后的到访频数,色标从 0 标到 10。多数格子接近 0,少数纵条、横条更亮,左右亮带的位置大致对应。色标没有说明是否截断,也不能从相似的条纹推出每条流量的误差。来源:原论文 Fig. 6。

图 7|把所有空间单元加总后,每天的到访怎样变化?
无字母子图。蓝线是实际,橙线是预测。纵轴是空间加总后的到访频数,刻度从 2 万到 14 万;横轴从 2019 年初画到 2020 年 10 月,研究数据收到 2020 年 11 月 17 日。从图中刻度看,2019 年两条线经常在约 5 万到 11 万之间起伏,也有落到 5 万上下的低点。2020 年春季一起降到大约 2 万到 4 万,实际曲线有几次贴近或略低于 2 万刻度。2020 年夏季,实际曲线有一次越过 14 万刻度,同一时段的预测高点没有一起冲到这个高度。预测跟上了下跌和回升的方向,没有逐日贴住每一个急跌和最高峰。图 6 是每对地点的时间平均,图 7 是每一天的空间总和,两个数不能互相代替。来源:原论文 Fig. 7。
和另外两个图模型比,SIM-GAT 的验证损失最低,参数也最少。表 5 的标题写成 SIM 与 SIM-GAT,表里的三行却是 SIM-GAT、GCN 和 GraphSAGE,没有传统引力模型的一行。
| 模型 | 参数量 | 训练泊松损失 | 验证泊松损失 |
|---|---|---|---|
| SIM-GAT | 1,751 | 1.4407 | 1.5555 |
| GCN | 4,718 | 1.6502 | 1.7550 |
| GraphSAGE | 4,846 | 1.4392 | 1.5615 |
SIM-GAT 的验证损失比 GCN 低 0.1995。若以 GCN 的 1.7550 为分母,损失值低约 11.4%,即 (1.7550−1.5555)/1.7550。泊松损失不是到访人数的百分比,这 11.4% 只描述损失值本身。GraphSAGE 的训练损失比 SIM-GAT 低 0.0015(1.4407−1.4392),验证损失则高 0.0060(1.5615−1.5555)。论文称之为与 GraphSAGE 相当,同时参数少得多。GCN 和 GraphSAGE 假定节点是同一类型,实验里只用了商圈节点,用不到街区特征。较低的验证损失里,有一部分来自多出来的街区数据,不全是注意力结构本身的胜利。

图 8|三种图模型的损失是怎样降下来的?
无字母子图,从左到右是 SIM-GAT、GCN、GraphSAGE。蓝线是训练损失,橙线是验证损失,横轴都到 100 轮。三条验证曲线都停在训练曲线上方,大约在前几十轮下降后变平。三个纵轴范围不同:左图约 1.4 到 2.6,中图约 1.6 到 2.8,右图约 1.4 到 2.2,不能凭曲线高度跨图比较。可比的是上表里同一口径的损失。来源:原论文 Fig. 8。
还有两处不能把拟合读成对未来的预测。划分是随机的 80% 和 20%,不是把 2020 年留到最后再考。报告的验证损失又是这 20% 上 100 轮中的最低值,挑轮次用的就是这套验证数据。图 6 和图 7 也没有说明只画了未参与训练的日期。
平常、飓风和居家令,贡献还一样大吗?
解释用的是 DeepLIFT。正值表示该变量出现或取值更高时,会把预测到访往上推;盒子紧贴零线,表示影响很小。比较的是三个单日、全部 406 个普查区:2019 年 1 月 8 日,2019 年 9 月 3 日,2020 年 3 月 25 日。不是把整个飓风季或整个居家时期做了平均。

图 9|三个日子里,商圈变量对预测到访的贡献还保持同一侧吗?
无字母子图,从左到右是平常日、飓风多里安、居家令。横轴是变量影响,标出的刻度为 −5 和 0,青色竖线是 0;颜色只用来分开变量。平常日上,店铺数和总面积在零线右侧,市中心、商场和广场也偏正,沿街商业更靠近零线。洪水区 A 整体在零线左侧,误差棒很长;海岸洪水区 V 和低风险的 X 偏正。单户和多户住宅用地偏正,混合用地和商业用地偏负。公交站数量和店铺多样性的盒子跨在零线两侧,中心靠近零。多里安当天正负方向大体还在,盒子更窄。居家令当天多数盒子收到零线附近。来源:原论文 Fig. 9。
这和“集群越大越吸引人”的旧结果同向,但证据等级是模型贡献,不是把面积随机加大之后看到的客流。沿街商业不如市中心和广场。论文把它和美国常见的汽车导向商业带联系起来:这种带子不太支持一次办几件事,也和欧洲以步行为主的商业街不是同一种形态。洪水区的结果不能收成“凡是 100 年一遇都不受欢迎”。V 是海岸 100 年一遇,贡献偏正;A 是内陆高风险的 100 年一遇,贡献偏负。公交站和多样性在全部集群上平均接近零,不表示它们对每个街区都没有差别。
高收入、少车和老年街区,看到的是同一个商圈吗?
街区比较仍以 2019 年 1 月 8 日为主。406 个普查区里,按人均收入、汽车拥有率、65 岁以上居民比例,各取最高的 10 个和最低的 10 个。10/406 约是每侧 2.5% 的尾巴,不是把街区分成人数相等的两半。

图 10|收入、有车率和老年比例的两端,变量贡献差在哪里?
无字母子图,从左到右是人均收入、汽车拥有、老年比例。蓝是最高的 10 个普查区,橙是最低的 10 个,横轴影响从 −5 到 5,青色竖线为 0。收入图里,高收入组的市中心、商场、海岸洪水区 V 和住宅用地更偏正,洪水区 A 明显偏负,误差棒很长。有车率图的方向与收入图相近,低有车率组对多户住宅用地的正贡献更突出。老年比例图里,蓝橙大多贴在一起。公交站数量在低收入和低有车率的橙色一侧更偏正,在高收入和高有车率一侧接近零。来源:原论文 Fig. 10。
论文给出的一种可能解释是,迈阿密的多户住宅里既有豪华公寓,也有可负担住房,所以少车街区更依赖这类地点附近的商圈。这是对模型差异的猜想,不是把公寓类型分开之后做的检验。老年比例两端差别不大,只说明在这一个平常日、这 20 个普查区上没有看出稳定分叉,不能写成年龄不影响购物。

图 11|市中心和公交站的贡献,怎样铺在收入和有车率上?
无字母子图。左图横轴是人均收入,刻度到 12 万,纵轴是市中心形态的变量影响,红线为 0。从图上看,点在大约 1 万到 4 万美元一段最密,多数贴在零线上方一小带,图上没有画出回归斜率。右图横轴是汽车拥有率,刻度从 60 到 100,纵轴是公交站数量的影响,红线为 0。论文据此写:公交站数量只对有车率低于 85% 的街区有较清楚的正影响,高于 85% 时方向不再清楚。85% 是对右图的读法,不是一个单独估计出的回归拐点。来源:原论文 Fig. 11。
左图不能单独证明越有钱越偏向市中心。收入两端的对比在图 10 的前十与后十里更清楚。图 11 说明,市中心影响在观察到的收入范围内大多略正,高收入处的点数更少。
这些读法怎样进入规划,又不能证明什么?
论文据此给迈阿密—劳德代尔的商业规划四条建议。第一,优先成核的商业中心,例如广场,而不是带状沿街商业,理由是前者在不利情景下仍然更有吸引力。图 9 里,多里安当天方向还在、幅度已经变小;居家令当天多数变量近于没有影响。所以这句话更接近多里安这一天的减弱版,而不是居家令这一天仍有明显的形态差异。
第二,不鼓励把新店铺放进年淹没概率为 1% 的脆弱洪泛区,理由是这些地方对本地顾客的吸引力更低。图 9 里吸引力更低的是内陆高风险区 A。海岸区 V 同样属于 100 年一遇、年概率约 1% 的洪水区,贡献却偏正。把建议理解成所有 1% 洪泛区都因为吸引力低而不该再开发,会盖住 V 和 A 的差别。吸引力高也不等于适合继续加码:海岸集群可以又吸引人,又处在风暴潮区。2,189 这个计数提醒的是暴露,不是模型算出的客流损失。
第三,在单户或多户住宅为主、尤其汽车拥有率低的街区,考虑小型或中型商业集群。第四,公交站要看周围街区,并用这类解释寻找当地阈值,文中的例子就是有车率 85%。这四条都是对已标定模型的解读。研究没有报告先改变形态或先增加公交站、再观察客流变化的前后对比。
讨论里还有一句概括:居民大体偏好两类地方,热闹市中心里又大又多样的中心,以及住宅附近的地方广场。店铺数和面积的正贡献支持“大”。多样性这个变量本身的贡献却在零线两侧摆动。因此“多样”更像讨论中的定性描述,不能从图 9 的多样性盒子直接读出来。
使用边界也来自数据口径。SafeGraph 没有给出每趟出行的具体起点,论文假定起点是访客的居住普查区。2017 年全美家庭出行调查中,基于家的购物出行占抽样购物出行的 52.4%。在非基于家的购物出行里,前一项活动是其他购物的占 53.9%,是工作的占 11.0%。前一个分母是抽样购物出行,后两个分母是非基于家的购物出行,而且调查是全美的,不是迈阿密样本。这个假定可能低估办公和商业更集中的街区的需求。
到访只代表到店。作者看过包含外卖平台交易的消费数据,但那些记录没有像到访数据这样的时空分布,所以没有进入模型。灾害变量标记的是这一天研究区有没有这类事件,没有淹没范围。图注意力在结构上可以换成另一组节点数量,但本文只标定了这一个都市区,没有做跨城市检验。
一句话总结
同一片商圈不是对不同社区、在风暴和居家令里都保持同一个吸引力;店铺规模和一部分形态会进入模型,贡献却随街区改变,而居家令这一天多数商圈特征几乎不再推动预测到访。
核心来源
- 本文依据的文稿,含图 1 至图 11、表 1 至表 5。首页与文末未印期刊、卷期和本文 DOI,文内也没有另附补充材料或代码与数据仓库链接。
- SafeGraph 的 Places 与 Patterns,用于兴趣点,以及汇总到居住普查区的到访计数。文中给出的产品页分别是 Places 和 Patterns。
- 路网来自 OpenStreetMap,公交来自迈阿密都市区开放门户。天气来自 NOAA Climate Data Online,灾害记录来自 NOAA Storm Events Database。普查区属性引用美国普查局的区划口径。
- 2017 年 National Household Travel Survey 只用于讨论“家作为起点”覆盖了多少抽样购物出行,不是本模型的训练数据。
- 致谢写明工作受到美国国家科学基金会项目 2316450 和佛罗里达大学研究生奖学金支持。文中观点不代表资助方。
作者介绍
以下只采用文稿署名,以及该文参考文献里能够对上的研究线索。
- Haiyan Hao:署名为佛罗里达大学设计、建造与规划学院城市与区域规划系、建成环境韧性研究所博士(Ph.D.)。文稿参考文献中,与 Wang 合作的论文讨论极端事件下的社区韧性、可解释深度学习,以及城市路边空间。
- Yan Wang:署名为同一系与研究所的助理教授,通讯作者。文稿中的相关文献同样围绕社区韧性、城市空间管理和可解释模型。
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。
85% 这个有车率分界,来自平常日的模型解释。居家令当天,多数商圈变量的贡献已经收到零线附近。若规划要回答的是人出不了门时公交站还能不能撑住社区商业,就得在那些日子上重新读贡献,而不是把 1 月 8 日的 85% 直接写成应急规则。否则,阈值优化的是平常到店,服务的却是另一套出行约束。
海岸洪水区 V 贡献偏正、内陆洪水区 A 贡献偏负,也说明不能用一个“1% 洪泛区”同时决定吸引力和风险。候选地至少可以分列两栏:模型给出的到访贡献,以及落在 V 区的面积比例。正贡献不再自动抵消风暴潮暴露,A 区的低贡献也不被拿去否定海岸集群正在发生的到店。本文报告的是已有集群上的解释,没有给一个尚未建成的广场做开业前后的检验。真要给新方案打分,还得先规定新集群的特征向量,并决定总到访是保持不变,还是允许整个都市区的到店一起增减。