城市人工智能与基础模型

AI城市主义，AI城市主义诸形态：以福柯式话语分析追踪城市AI形态

文章将城市人工智能视为一种存在争议的真理体制，运用福柯式话语分析考察深圳、波士顿和巴塞罗那。研究指出，城市AI从智慧城市治理术中发展而来，却分化为预测性统筹、温和的反向治理及程序边界约束下的条件性等不同形态，并据此提出六维分析框架。

基于深度学习模型与卫星影像时间序列的城市树种分类：数据驱动的可解释性分析

研究在法国斯特拉斯堡使用 Sentinel-2 和 PlanetScope 时间序列，评估 InceptionTime 模型对10、15和20种城市树种的分类表现，并提出数据驱动的可解释性框架。融合模型结合两类数据的空间、光谱和时间特征；分析发现，物候异常、树种间相似性及树冠变化与分类错误显著相关。

结合多模态空间数据与机器学习，在刚果布拉柴维尔开展情境化贫困识别

通过遥感与深度学习模拟安第斯地区人类住区增长及边缘形态

基于机器学习的亚利桑那州城市树木智能灌溉多目标优化

从空间构型与可解释机器学习视角分析城市形态对城市地表温度的影响：以七座城市为例

基于地理空间可解释机器学习的灾害韧性与公平性情境敏感分析

结合机器学习与区间模糊层次分析法评估地铁站抵御城市洪涝的韧性

结合公民科学与机器学习量化亚利桑那州马里科帕县蓝绿基础设施的降温潜力

评估不同站点间的相似性与模型可迁移性：机器学习预测不同城市类型的CO₂和CH₄浓度

运用可解释机器学习与多目标优化，实现城市闲置土地再绿化的最佳降温效果

新型AI城市：NEOM与The Line中的权力、新城与城市人工智能

文章以沙特阿拉伯NEOM大型项目为例，探讨人工智能发展与新城建设的交汇。研究指出，NEOM及The Line中的AI实验服务于政治经济议程，新技术与新城成为巩固沙特王储权力的媒介。文章提出“新型AI城市”概念，分析全自主AI运营的可持续城市等愿景如何形成，并警示其可能损害社会与环境可持续性。

极端天气事件下地铁乘客出行延误的解析：分析框架

研究提出并验证一种分析框架，将宏观层面的乘客延误与微观层面的设施运行表现定量关联。框架结合数据驱动的归因方法和因果引导的深度学习模型，用于识别设施层面的延误来源及成因，并揭示极端天气影响设施的主要路径。该框架在深圳地铁得到验证，可支持事后诊断和近实时运营决策。

超越俯视与街景：利用逼真三维城市模型和深度学习关联全市室内自然暴露与预期寿命

墨西哥城大都市区的出行情境：运用机器学习探索通勤时间与距离

研究运用出行情境框架，分析墨西哥城大都市区通勤时间和距离的影响因素。基于2017年起讫点调查，将192个出行分区按平均通勤时间和距离划分为四类，并结合空间计量与LASSO算法评估88项潜在因素。结果显示，短途通勤与中心性和特权相关，长途通勤与排斥和大众交通相关；“出行荒漠”体现基础设施不足导致的低效短途出行，“虫洞”则体现多模式策略支持的高效长途出行。

城中村居民情感与空间环境：基于X分钟社区生活圈的分析

研究利用多源大数据和大语言模型，考察深圳城中村居民情感及5、10、15分钟社区生活圈内的环境特征。结果显示，城中村居民情感得分低于一般人群，低分集中于郊区；10分钟生活圈环境影响最大。地铁站和绿地有积极作用，工业园区及建筑密度、建筑高度则有负面影响。

运用空间高斯—伯努利深度信念网络与GraphSAGE探索多伦多移民定居的空间模式

研究结合空间高斯—伯努利深度信念网络与GraphSAGE，分析多伦多多族裔定居模式。该两阶段框架先提取潜在特征，再沿街道网络进行图预测；基于2001—2021年、3,741个区域和401项普查特征，模型对伊朗裔、华裔和印度裔社区的预测表现优于传统方法。研究识别出商业中心型、教育—交通廊道型和分布式多中心型定居机制，并指出街道网络拓扑比欧氏距离更能解释定居扩散。

理解不同年龄群体的共享单车使用及建成环境影响：一种空间机器学习方法

热带高密度城市行人高度气温的高分辨率评估：机器学习与点位形态指标

研究以新加坡为例，利用公开气象数据和GIS形态指标建立行人高度气温预测模型，并比较六种机器学习算法及不同时间尺度模型。夜间模型精度最高，昼夜变化的影响强于季风季节差异；点位形态指标优于场地平均指标。最终模型可生成米级、分钟尺度的连续热环境图，用于实时评估与热韧性规划。

城市交通中货运与客运量的短期滞后互动：可解释机器学习揭示的跨方式与方式内效应

研究利用英国利物浦6,003条小时记录，结合K-means聚类、XGBoost分类和DALEX可解释性工具，分析货运与客运流量的短期关联。结果显示，滞后一小时的货运量能显著改善当前客运交通状态分类，反向作用有限；货运量是重要预测因素，超过约每小时500辆时与客流下降相关。