将机器学习与全球敏感性分析整合以实现以人为中心的行人路径设计

本研究考察了将人类行为纳入行人路径设计的整合，采用了涵盖物理、心理、社会、环境和经济方面的多维方法。认识到当前文献中的重大空白，尤其是城市环境中在开发过程中对综合建模框架和机器学习的有限考虑，本研究旨在识别影响行人满意度的关键因素，并提出全面、以用户为中心的解决方案。理论基础包括行为科学、城市规划和建筑见解，而实证部分则通过对埃及新阿克西特市选定行人路径的直接观察、结构化问卷和用户个人访谈收集数据。本研究的一个关键方法贡献是深度残差神经网络（DRNNs）和基于方差的全球敏感性分析（VBSA）的创新应用，允许对设计因素进行稳健的量化和优先排序。研究结果突出显示可达性、安全性、视觉连贯性和气候舒适性对行人满意度的主要影响，并指出这些元素之间的显著相互作用。此外，研究强调了公共交通整合不足、视觉美学不一致、阴影有限和缺乏经济活动等关键短板。通过全面解决这些不足和相互作用，本研究为城市规划者和政策制定者提供了一个可复制的分析模型和可操作的见解，以增强行人基础设施。此外，提供的分析框架是通用的，可以应用于其他城市设计背景中。