《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Perceived streetscape quality and bike lane effectiveness: a computer vision approach
编辑推荐：
本研究利用计算机视觉技术分析柏林街景图像，探讨街道景观感知质量与条纹、受保护型自行车道类型对骑行行为的影响，发现视觉安全与车道类型存在交互作用，受保护车道在视觉不安全区域更有效促进骑行。
作者：Uijeong Hwang、Patricia L. Mokhtarian、Bon Woo Koo、Subhrajit Guhathakurta
机构：亚特兰大地区委员会交通规划部，地址：美国乔治亚州亚特兰大市Peachtree街229号100室，邮编30303
摘要
本研究探讨了人们所感知的街道景观质量以及不同类型的自行车道（条纹式和防护式）与城市骑行行为之间的关系。通过使用计算机视觉技术分析来自德国柏林的街道视图图像，我们评估了视觉安全评分及其与骑行次数的关联。研究结果表明，无论是感知到的安全性还是自行车道的存在都显著促进了骑行活动；然而，这两者之间的相互作用因自行车道的类型而异。在安全性较高的街道上，条纹式自行车道的效果更佳；而在视觉上不安全的区域，防护式自行车道相比条纹式自行车道能提供更大的便利。这些结果表明，通过提升街道景观的视觉吸引力和安全性，城市可以促进积极出行方式，从而营造更加可持续、健康和充满活力的城市环境。
引言
城市街道景观在促进积极出行方式方面发挥着重要作用。街道环境的视觉和美学特性——包括建筑、人行道、设施、绿化以及这些元素之间的相互作用——对人们的出行选择有着显著影响（Ewing和Handy，2009；Ewing等人，2013）。随着城市对可持续交通的重视，理解街道景观如何影响人们的出行决策（尤其是骑行决策）变得至关重要。
感知在这一过程中起着核心作用。多项研究表明，个人对街道景观的感知——包括其美学吸引力、安全感以及整体氛围——会直接影响他们的出行倾向（Sugiyama等人，2012；Reynolds等人，2009）。有时，人们的感知甚至会超过客观环境特征的影响（Guo和He，2021；Ma和Cao，2019；Ma和Dill，2017）。
然而，关于人们所感知的街道景观质量与自行车道（作为骑行基础设施的关键组成部分）之间的相互作用，目前仍存在研究空白。虽然自行车道因其对骑行使用和安全性的直接影响而受到关注，但其有效性可能与人们对街道景观的感知密切相关。本研究旨在揭示这种复杂的相互作用：一个被积极评价的街道景观是否能够提升自行车道的吸引力，或者是否会掩盖对自行车道的实际需求？
本研究采用了一种新颖的方法来填补这一空白。我们没有仅仅依赖容易受到地理和资源限制的调查方法，而是利用了先进的计算机视觉技术。通过训练一个基于庞大Place Pulse 2.0数据集（该数据集收集了全球街道视图图像的感知信息）的深度学习模型，来预测特定街道景观的感知质量。这种可扩展的方法能够快速高效地获取街道景观的感知数据。
在本研究中，我们特别关注视觉安全性，即基于街道视觉特征的感知安全性。虽然街道景观质量包含美学、活力和清洁度等多个维度，但视觉安全性反映了公众对环境安全性的主观判断。这种感知质量对于理解人们如何体验公共空间以及如何做出关于积极出行的决策（如骑行）尤为重要。
本研究旨在为自行车道的设计和实施提供参考。通过了解街道景观感知与骑行基础设施的使用和有效性之间的关联，我们可以创造出既实用又在美学和心理上符合社区需求的空间。这项研究可能推动积极出行方式规划的范式转变，从而优先考虑基于街道景观感知的适当基础设施，以促进积极、健康和可持续的城市发展。
研究内容片段
建成环境与积极出行
建成环境——指为人类活动提供场所的人造环境——在促进步行和骑行等积极出行方式方面起着关键作用。这一早已确立的关系在从城市规划到公共卫生的多个领域都受到了广泛关注。大量研究表明，建成环境的特征对积极出行方式有着显著影响（Cervero和Kockelman，1997；Frank等人，2006）。
概念框架
街道的视觉和功能特性显著影响人们对街道的感知，进而影响他们的使用方式。我们的周围环境，尤其是在交通选择方面，会直接影响我们的行为。本研究探讨了街道景观与自行车道在激励骑行行为方面的复杂相互作用。
假设存在两条街道：街道A的景观被忽视且缺乏吸引力，而街道B则美观宜人。
街道景观的感知
传统的街道景观感知研究主要依赖于对个人的调查。尽管这些调查很有价值，但它们在成本、时间和地理适用性方面存在局限性，这可能会限制研究结果的普遍性。本研究通过利用计算机视觉技术的力量来克服这些限制。
其基本思路是将街道图像展示给计算机，并训练计算机理解人类的感知。由于技术的进步，这种方法变得越来越可行。
计算机视觉模型训练结果
本研究采用迁移学习来训练一个计算机视觉模型，以预测街道视图图像的视觉安全评分。Place Pulse 2.0数据集的真实安全评分被标准化到0-10的范围。训练后的模型在测试集上的平均绝对误差（MAE）为0.766，表明预测评分与真实评分之间的平均偏差为0.766。图4展示了真实评分与预测评分之间的相关性（相关系数=0.66）。
为了进一步评估……
讨论
本研究的目的是探讨人们所感知的街道景观质量与不同类型自行车道（条纹式和防护式）之间的相互作用，以及这种相互作用如何影响城市街道上的骑行频率。通过半对数线性模型，本研究分析了视觉安全评分在自行车道的存在类型与骑行频率之间的关系中的调节作用。
结论
本研究强调了街道景观感知与自行车道有效性之间的复杂关系。通过强调街道设计中的视觉和实体元素之间的相互作用对骑行行为的影响，本研究为将视觉安全考虑纳入骑行基础设施开发的重要性提供了有力证据。研究强调了防护式自行车道在为骑行者提供安全感方面的关键作用，尤其是在……
作者贡献声明
Uijeong Hwang：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、数据整理、概念构建。
Patricia L. Mokhtarian：撰写——审稿与编辑、验证、监督、方法论设计。
Bon Woo Koo：验证、监督、方法论设计、概念构建。
Subhrajit Guhathakurta：撰写——审稿与编辑、验证、监督、资源协调、项目管理、方法论设计、概念构建。
