劉澤潤 劉超＊

1 背景

1.1 大數(shù)據(jù)和物聯(lián)網(wǎng)加快智能化進(jìn)程

大數(shù)據(jù)和物聯(lián)網(wǎng)的興起和發(fā)展加快了智能化的進(jìn)程，為建成環(huán)境可持續(xù)發(fā)展帶來了新的機(jī)遇和挑戰(zhàn)。城市涌現(xiàn)海量的數(shù)據(jù)，對建成環(huán)境的認(rèn)知手段更加智能化，實(shí)時(shí)的監(jiān)測和數(shù)據(jù)收集也豐富了研究和實(shí)踐的資源，物聯(lián)網(wǎng)也進(jìn)一步將人流、物流、能量流和信息流編織到城市系統(tǒng)中，使得建成環(huán)境各個(gè)維度之間的關(guān)系更加緊密[1]。建立在智能化數(shù)據(jù)和信息基礎(chǔ)上的新方法和分析體系蓄勢待發(fā)，以應(yīng)對可持續(xù)建設(shè)中日新月異的問題，響應(yīng)新的需求和應(yīng)用場景，實(shí)現(xiàn)智能化的建設(shè)、改造和管理，推動城市結(jié)構(gòu)的轉(zhuǎn)變，促進(jìn)建成環(huán)境的可持續(xù)發(fā)展[2]。

1.2 可持續(xù)建成環(huán)境研究受到更多關(guān)注

當(dāng)前可持續(xù)環(huán)境的特點(diǎn)和熱點(diǎn)的討論是歷久彌新的問題。自第二次工業(yè)革命以來，人類活動范圍和對環(huán)境的影響逐步擴(kuò)大，隨著自然科學(xué)體系的蓬勃發(fā)展，基于物理、化學(xué)、生態(tài)、熱力學(xué)等學(xué)科的綜合理論推動了對環(huán)境經(jīng)濟(jì)和人類活動的認(rèn)知和思考，20 世紀(jì)70 年代，對技術(shù)發(fā)展和資源分配的反思促進(jìn)了可持續(xù)概念的誕生，社會、自然、建成環(huán)境的“復(fù)雜巨系統(tǒng)”不斷擴(kuò)展了可持續(xù)的內(nèi)涵，涉及財(cái)富和社會公平、未來發(fā)展、生態(tài)系統(tǒng)保護(hù)、公眾參與及文化的方方面面[3]。進(jìn)入21 世紀(jì)，建成環(huán)境和可持續(xù)的內(nèi)涵被進(jìn)一步擴(kuò)展[4]，建成環(huán)境從自然系統(tǒng)發(fā)展到人類系統(tǒng)，以及人類的感知和歷史維度，可持續(xù)的體系也建立在文化性、社會性、生態(tài)性、政治性、經(jīng)濟(jì)性之上，研究可持續(xù)建成環(huán)境成為影響人類命運(yùn)和建設(shè)發(fā)展的重要問題。

在建筑、城市規(guī)劃和風(fēng)景園林領(lǐng)域，這一問題尤為重要。一方面，建成環(huán)境中物質(zhì)空間與建筑師、規(guī)劃師和風(fēng)景園林師的實(shí)踐和工作緊密相關(guān)，可持續(xù)發(fā)展是當(dāng)下及未來的建設(shè)導(dǎo)向。另一方面，建成環(huán)境多維度復(fù)雜化的性質(zhì)對可持續(xù)提出了更多要求。不止物質(zhì)空間，空間中人的活動、意識形態(tài)和交互關(guān)系也是這一領(lǐng)域研究的對象，越來越多的學(xué)者投入到相關(guān)的工作中，致力于挖掘新的方向。因此，探討建成環(huán)境的可持續(xù)發(fā)展的研究議題，分析其實(shí)踐成果并展望趨勢，能引起當(dāng)下建筑、城市和風(fēng)景園林研究者的共鳴。

為了遴選關(guān)鍵和前沿的可持續(xù)建成環(huán)境議題，比較聯(lián)合國可持續(xù)發(fā)展目標(biāo)[5]和建成環(huán)境概念，發(fā)現(xiàn)它們都包含促進(jìn)健康、氣候行動、綠色出行、生態(tài)性景觀的內(nèi)容，可以歸納為公共健康、能源碳排放、氣候環(huán)境、生態(tài)系統(tǒng)和綠色出行這5 個(gè)議題（圖1）。同時(shí)，中國知網(wǎng)和Web of Science 數(shù)據(jù)統(tǒng)計(jì)顯示，近5 年來，大數(shù)據(jù)和機(jī)器學(xué)習(xí)（machine learning,ML）的研究在公共健康、能源碳排放、氣候環(huán)境、生態(tài)系統(tǒng)和綠色出行這5 個(gè)議題中增長較快（圖2），有必要對這幾個(gè)議題開展深入研究。

1 可持續(xù)建成環(huán)境概念及重要議題Concept and key topics of sustainable built environment

2 重要議題2019—2023 年文獻(xiàn)數(shù)量變化趨勢Quantity changing trend of literature on important topics during the period from 2019 to 2023

1.3 機(jī)器學(xué)習(xí)給各研究領(lǐng)域帶來新影響

作為人工智能的一個(gè)分支，機(jī)器學(xué)習(xí)在過去幾年中快速崛起，并在不同學(xué)科領(lǐng)域展示了強(qiáng)大的能力[2,5-6]。數(shù)據(jù)類型和量級的增長為機(jī)器學(xué)習(xí)奠定了基礎(chǔ)，借由計(jì)算機(jī)硬件的升級，越來越多的復(fù)雜算法介入不同研究主題的分析、解讀和決策過程。環(huán)境的高度智能化和龐大復(fù)雜的運(yùn)算量使得計(jì)算機(jī)輔助人類成為必然趨勢，而機(jī)器學(xué)習(xí)的高效性和可靠性也使得其頻繁出現(xiàn)在制造、醫(yī)學(xué)、社交、生物、互聯(lián)網(wǎng)等各行業(yè)中。對于可持續(xù)建成環(huán)境中的議題，機(jī)器學(xué)習(xí)也依靠其能夠處理復(fù)雜大量信息的優(yōu)勢，迅速生根繁榮，在實(shí)證研究和決策實(shí)踐中都得到了廣泛應(yīng)用。其中，在智能交通、可持續(xù)能源系統(tǒng)等機(jī)器學(xué)習(xí)發(fā)展的熱門話題下，學(xué)者對機(jī)器學(xué)習(xí)方法進(jìn)行了系統(tǒng)的回顧[7-10]，綜述了機(jī)器學(xué)習(xí)的范式和分類，分析了機(jī)器學(xué)習(xí)方法對研究產(chǎn)生的影響，總結(jié)了不同方向的發(fā)展程度，為未來研究提供參考；也有學(xué)者討論機(jī)器學(xué)習(xí)的重要算法對研究的貢獻(xiàn)和之后的趨勢[11-13]。雖然機(jī)器學(xué)習(xí)愈發(fā)重要，但現(xiàn)有的綜述多關(guān)注到建成環(huán)境的某一方面或者機(jī)器學(xué)習(xí)的某類算法，定義機(jī)器學(xué)習(xí)范式、分類和優(yōu)劣勢，缺乏關(guān)于可持續(xù)建成環(huán)境領(lǐng)域的綜合性論述，以及機(jī)器學(xué)習(xí)應(yīng)用于城市研究的解釋局限性分析。

因此，有必要分析機(jī)器學(xué)習(xí)對可持續(xù)建成環(huán)境領(lǐng)域的研究帶來的影響。筆者通過對機(jī)器學(xué)習(xí)相關(guān)概念的回顧，分析機(jī)器學(xué)習(xí)在可持續(xù)建成環(huán)境中的應(yīng)用重點(diǎn)和發(fā)展趨勢。進(jìn)一步聚焦公共健康、能源碳排放、氣候環(huán)境、生態(tài)系統(tǒng)和綠色出行5 個(gè)可持續(xù)建成環(huán)境領(lǐng)域核心議題，梳理不同議題用到了何種機(jī)器學(xué)習(xí)方法，以及這些方法如何幫助研究者解決研究問題。雖然本研究綜述的文獻(xiàn)跨度較大，涉及不同地區(qū)和學(xué)科背景，但是本研究扎根可持續(xù)建成環(huán)境領(lǐng)域，緊扣機(jī)器學(xué)習(xí)應(yīng)用這一核心線索，總結(jié)機(jī)器學(xué)習(xí)給可持續(xù)建成環(huán)境研究帶來的影響，包括研究范式的變革、研究方向的創(chuàng)新、研究對象的多元和研究結(jié)論的提升。比較分析5 個(gè)重要議題的側(cè)重，展現(xiàn)不同議題在目標(biāo)、方法、對象和發(fā)展程度上的差別。本研究的分析內(nèi)容和結(jié)論旨在完善機(jī)器學(xué)習(xí)在可持續(xù)建成環(huán)境領(lǐng)域研究的應(yīng)用綜述，展望機(jī)器學(xué)習(xí)的方法為研究實(shí)踐帶來的變化，從而促進(jìn)學(xué)科向更科學(xué)、更智能、更全面的方向發(fā)展。

2 從預(yù)測性到解釋性：機(jī)器學(xué)習(xí)的發(fā)展

2.1 機(jī)器學(xué)習(xí)的概念、分類和方法

在統(tǒng)計(jì)學(xué)等的基礎(chǔ)上，機(jī)器學(xué)習(xí)模擬實(shí)現(xiàn)人類的學(xué)習(xí)過程，從而讓計(jì)算機(jī)能自主從經(jīng)驗(yàn)數(shù)據(jù)中學(xué)習(xí)規(guī)律，并用于新的樣本和數(shù)據(jù)中[6,14]。機(jī)器學(xué)習(xí)是人工智能領(lǐng)域最為成功的實(shí)踐之一。早在1959 年，Arthur Samuel 提出“機(jī)器學(xué)習(xí)是指賦予計(jì)算機(jī)無須明確編程即可學(xué)習(xí)的能力”的概念[14]，1997 年，Tom Mitchell 提出了更加工程化的定義[14]：“一個(gè)計(jì)算機(jī)程序利用經(jīng)驗(yàn)E 來學(xué)習(xí)任務(wù)T，性能是P，如果針對任務(wù)T 的性能P 隨著經(jīng)驗(yàn)E不斷增長，則稱之為機(jī)器學(xué)習(xí)?！睆淖畛醯暮唵嗡惴ㄩ_始，經(jīng)歷概率理論完善、算法升級、數(shù)據(jù)驅(qū)動和算力飛躍幾個(gè)階段，機(jī)器學(xué)習(xí)表現(xiàn)不斷提高，在預(yù)測準(zhǔn)確度和自主學(xué)習(xí)能力上具有巨大提升。在廣泛的實(shí)際應(yīng)用中幫助人們解決復(fù)雜問題，提升決策效率，適應(yīng)新數(shù)據(jù)環(huán)境中的波動，洞察大量數(shù)據(jù)并學(xué)習(xí)認(rèn)識新的規(guī)律。

根據(jù)訓(xùn)練過程中數(shù)據(jù)集的監(jiān)督數(shù)量和類型的不同，可以簡單將機(jī)器學(xué)習(xí)分成有監(jiān)督學(xué)習(xí)（supervised learning, SL）、無監(jiān)督學(xué)習(xí)（unsupervised learning, UL）、半監(jiān)督學(xué)習(xí)（semi-supervised learning SSL）和強(qiáng)化學(xué)習(xí)（reinforcement learning, RL）4 類。有監(jiān)督學(xué)習(xí)通過訓(xùn)練有標(biāo)記的數(shù)據(jù)集（labeled datasets）實(shí)現(xiàn)算法，這也是目前機(jī)器學(xué)習(xí)領(lǐng)域研究最為成熟的方法，常見的有監(jiān)督學(xué)習(xí)算法包括K 近鄰算法、線性回歸、邏輯回歸、支持向量機(jī)（support vector machine, SVM）、決策樹和隨機(jī)森林以及神經(jīng)網(wǎng)絡(luò)等，這些算法能較為準(zhǔn)確地解決回歸和分類問題，例如預(yù)測公園人流量、提取并分類城市街景元素、進(jìn)行城市綠視分析、分析社交網(wǎng)絡(luò)和文本的熱點(diǎn)等。無監(jiān)督學(xué)習(xí)使用的是未經(jīng)標(biāo)記的數(shù)據(jù)（unlabeled datasets），重要的無監(jiān)督學(xué)習(xí)算法有聚類算法、K 均值算法、具有噪聲的基于密度的聚類方法（density-based spatial clustering of applications with noise, DBSCAN）、分層聚類分析（hierarchy clustering analysis,HCA）、異常檢測和新穎性監(jiān)測、單類支持向量機(jī)（one-class support vector machine,OCSVM）、孤立森林、主成分分析、關(guān)聯(lián)規(guī)則學(xué)習(xí)等，無監(jiān)督學(xué)習(xí)善于發(fā)現(xiàn)數(shù)據(jù)未被人類認(rèn)識的潛在規(guī)律，主要解決聚類問題，常被用于城市形態(tài)的分類和人群畫像等。半監(jiān)督學(xué)習(xí)可以處理部分標(biāo)記的數(shù)據(jù)，大部分的半監(jiān)督學(xué)習(xí)算法是無監(jiān)督和有監(jiān)督算法的結(jié)合，解決分類、回歸和聚類問題。強(qiáng)化學(xué)習(xí)則強(qiáng)調(diào)個(gè)體與環(huán)境的交互，借由策略（policy）、獎(jiǎng)勵(lì)（reward）、價(jià)值（value）和模型（model）要素，進(jìn)行目標(biāo)導(dǎo)向的學(xué)習(xí)和決策過程，常見算法有自適應(yīng)動態(tài)規(guī)劃（adaptive/approximate dynamic programming, ADP）、時(shí)間差分（temporal difference, TD）學(xué)習(xí)、Q 學(xué)習(xí)（Q-learning）和深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning, DRL）等，典型的運(yùn)用如DeepMind 的AlphaGO 學(xué)習(xí)圍棋的制勝策略，未來能應(yīng)用到城市管理、土地預(yù)測等方面。

2.2 “黑盒”模型的應(yīng)用瓶頸

隨著模型復(fù)雜程度和數(shù)據(jù)量的提升，現(xiàn)有的機(jī)器學(xué)習(xí)模型已經(jīng)可以達(dá)到很高的準(zhǔn)確度，但是，僅依靠預(yù)測的準(zhǔn)確率無法滿足實(shí)際問題的需求。因?yàn)閷?shí)際問題的應(yīng)用場景往往不是結(jié)果導(dǎo)向的，更多關(guān)注到?jīng)Q策的過程和背后的機(jī)制，所以，對機(jī)器學(xué)習(xí)的模型解釋尤為重要，機(jī)器學(xué)習(xí)的研究導(dǎo)向也從提高預(yù)測性轉(zhuǎn)變?yōu)閮?yōu)化解釋性。通過對模型的解釋，可以有效提高模型的可信度，降低決策過程中的偏見和偶然性，改進(jìn)模型的決策機(jī)制。同時(shí)，解釋的過程可以幫助研究者捕捉潛在規(guī)律，探索未知領(lǐng)域，解讀海量數(shù)據(jù)和復(fù)雜關(guān)系，為學(xué)習(xí)新知識、建立新體系提供支持。然而，計(jì)算機(jī)語言的難讀性、計(jì)算過程的復(fù)雜性、決策的不透明性使得機(jī)器學(xué)習(xí)成為“黑盒”模型，為解釋機(jī)器學(xué)習(xí)提出挑戰(zhàn)。

2.3 解釋性機(jī)器學(xué)習(xí)的興起與發(fā)展

為了更好地理解“黑盒”模型的內(nèi)部工作原理，理解模型的決策過程，提高模型的透明性和可讀性，機(jī)器學(xué)習(xí)的解釋性方法逐步發(fā)展起來。機(jī)器學(xué)習(xí)的可解釋性可以被看作對抽象概念的解釋、對決策過程的解讀和對功能的理解?？山忉屝缘哪康脑谟趯?fù)雜的計(jì)算機(jī)模型映射到人類可理解的領(lǐng)域，從而實(shí)現(xiàn)從計(jì)算機(jī)語言到人類語言的轉(zhuǎn)移，幫助人們讀懂模型隱藏的步驟[15-17]。

根據(jù)解釋發(fā)生時(shí)間的不同，可以將解釋性機(jī)器學(xué)習(xí)（interpretable ML）分為本身可解釋的機(jī)器學(xué)習(xí)方法的事前可解釋和本身不可解釋模型的事后可解釋方法[18-20]（表1）。前者是相對簡單和可讀的“白盒”模型，如線性回歸、邏輯回歸、（淺層）決策樹、K 近鄰算法、廣義加性模型、（樸素）貝葉斯和基于規(guī)則的方法等。后者是在完成的“黑盒”模型基礎(chǔ)上，進(jìn)行模型內(nèi)部關(guān)系的解讀，也是當(dāng)下研究的重點(diǎn)。根據(jù)解釋范圍的不同，事后可解釋方法可以分為全局可解釋和局部可解釋[18,20]。全局可解釋方法關(guān)注對所有輸入數(shù)據(jù)的整體理解，而局部可解釋強(qiáng)調(diào)對特定樣本的解讀，能聚焦個(gè)性化的差異。目前，常用的全局可解釋方法有特征重要性（feature importance）、部分依賴圖（partial dependence plot, PDP）、累積局部效應(yīng)圖（accumulated local effect plot, ALE）和全局代理模型（global surrogate model）等，局部可解釋方法主要有局部代理模型（interpretable model-agnostic explanation, LIME）、個(gè)體條件期望（individual conditional expectation, ICE）和SHAP 方 法（Shapley additive explanations）。

表1 解釋性機(jī)器學(xué)習(xí)分類及常見算法總結(jié)[18-20]Tab.1 Summary of interpretable ML categories and common algorithms[18-20]

目前，各領(lǐng)域?qū)＜覍W(xué)者已對可持續(xù)建成環(huán)境研究做出了突出貢獻(xiàn)，建立了相對完整的方法體系，并綜合運(yùn)用傳統(tǒng)統(tǒng)計(jì)方法和一般性機(jī)器學(xué)習(xí)方法得出了富有啟發(fā)性的研究成果。然而，隨著數(shù)據(jù)的多樣化和精細(xì)程度的提升，一般的機(jī)器學(xué)習(xí)方法已經(jīng)不能滿足復(fù)雜機(jī)制的模擬需求，如何解釋模型背后的原因，推演決策過程成為新的研究難題。傳統(tǒng)的統(tǒng)計(jì)方法和一般性機(jī)器學(xué)習(xí)的方法無法精確描述多要素之間的復(fù)雜關(guān)系，難以完成這一復(fù)雜框架的評估。為突破方法上的瓶頸，解釋性機(jī)器學(xué)習(xí)彌補(bǔ)了傳統(tǒng)統(tǒng)計(jì)模型精確性不足和一般機(jī)器學(xué)習(xí)解釋性不足的缺陷，具有更廣泛應(yīng)用前景。在可持續(xù)建成環(huán)境領(lǐng)域，亟待引入解釋性機(jī)器學(xué)習(xí)的方法，用新技術(shù)、新數(shù)據(jù)來深入挖掘其中的規(guī)律和復(fù)雜機(jī)制，實(shí)現(xiàn)模型精度、可信度和可讀性的平衡。當(dāng)前解釋性機(jī)器學(xué)習(xí)的探索正處于起步階段，在健康、節(jié)能減排、氣候、交通、生態(tài)等方面仍需更多實(shí)證研究支持和發(fā)展。

3 重要議題的機(jī)器學(xué)習(xí)應(yīng)用

機(jī)器學(xué)習(xí)看似晦澀難懂，但其核心是通過數(shù)據(jù)對不同議題進(jìn)行預(yù)測和解釋。傳統(tǒng)的研究過程是通過對理論原理的深度剖析，推導(dǎo)公式或算法，預(yù)測事物的運(yùn)行，解釋其背后的原因。然而，機(jī)器學(xué)習(xí)“暴力”地降低了這一過程的難度，通過對數(shù)據(jù)的推斷，機(jī)器學(xué)習(xí)能自己明白其中的方法，將龐大的數(shù)據(jù)轉(zhuǎn)化為科學(xué)知識，數(shù)據(jù)越多，算法給出的答案也就越準(zhǔn)確。這無疑掃清了許多研究上的障礙：一方面，它給了研究者通往未知領(lǐng)域的“鑰匙”，借助機(jī)器學(xué)習(xí)，很多過去難以用公式定義的、復(fù)雜的、多尺度的、動態(tài)的問題得以解決，效率得到極大的提升；另一方面，它打破了知識的壁壘，研究者能夠通過機(jī)器學(xué)習(xí)快速入門，甚至跨學(xué)科地解決復(fù)雜問題。當(dāng)然，機(jī)器學(xué)習(xí)并不是萬能的，數(shù)據(jù)的體量和質(zhì)量都極大影響著結(jié)果的可靠性和準(zhǔn)確度，現(xiàn)階段，研究者更多地把機(jī)器學(xué)習(xí)作為數(shù)據(jù)分析的工具，幫助快速識別關(guān)鍵信息，發(fā)現(xiàn)其中規(guī)律。在可持續(xù)建成環(huán)境領(lǐng)域的公共健康、能源碳排放、氣候環(huán)境、生態(tài)系統(tǒng)和綠色出行5 個(gè)重要議題下，筆者選取近5 年內(nèi)具有代表性的機(jī)器學(xué)習(xí)研究，選擇的范圍旨在能覆蓋更全面的機(jī)器學(xué)習(xí)方法，包括有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的各類算法，力圖涵蓋算法應(yīng)用的不同目的，包括是預(yù)測導(dǎo)向或是解釋導(dǎo)向，以及對數(shù)據(jù)處理和決策過程的輔助，并按照任務(wù)的簡單到復(fù)雜、單一到多樣對不同領(lǐng)域進(jìn)行整理總結(jié)（表2）。但機(jī)器學(xué)習(xí)的發(fā)展十分迅速，國內(nèi)外文獻(xiàn)也與日俱增，篩選難免帶有一定的時(shí)效性、主觀性和隨機(jī)性，但筆者力求能最大程度遵循客觀多樣性，概括性地分析不同算法的特點(diǎn)、適用的數(shù)據(jù)和輸出的結(jié)果，比較分析不同領(lǐng)域的應(yīng)用側(cè)重，幫助讀者快速理解不同機(jī)器學(xué)習(xí)算法如何運(yùn)用到研究中，如何支持研究結(jié)論，以及在不同議題下的發(fā)展進(jìn)展。

表2 可持續(xù)建成環(huán)境領(lǐng)域典型機(jī)器學(xué)習(xí)研究應(yīng)用總結(jié)[21-60]Tab.2 Summary of typical ML researches and applications in the field of sustainable built environment[21-60]

3.1 公共健康議題有大量的解釋性需求

分析國內(nèi)外較為典型的建成環(huán)境與公共健康的研究，并總結(jié)相應(yīng)的機(jī)器學(xué)習(xí)算法，發(fā)現(xiàn)對公共健康話題的討論十分多元，涵蓋傳染病、慢性病、健康行為習(xí)慣、心理健康問題等不同方面，尤其是對慢性病、行為習(xí)慣、心理問題的探索不斷增多，人們愈發(fā)意識到環(huán)境對居民行為的塑造作用，對身心健康的潛在影響。伴隨健康數(shù)據(jù)和建成環(huán)境數(shù)據(jù)的增多，機(jī)器學(xué)習(xí)模型被廣泛應(yīng)用于分析建成環(huán)境對各類健康問題的影響。在大量經(jīng)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，有監(jiān)督學(xué)習(xí)算法主要應(yīng)用于挖掘關(guān)鍵的建成環(huán)境影響要素，識別建成環(huán)境與不同健康風(fēng)險(xiǎn)之間的關(guān)系。線性回歸模型因其高效、簡單和實(shí)用性，出現(xiàn)在許多健康問題的研究中，幫助研究者快速分析顯著影響因子，而邏輯回歸模型多用于健康行為決策的分析。決策樹和隨機(jī)森林能夠更有效構(gòu)建多要素復(fù)雜模型，同樣幫助理解關(guān)鍵要素，同時(shí)，通過部分依賴圖的解釋性機(jī)器學(xué)習(xí)展示了要素之間的復(fù)雜關(guān)系。無監(jiān)督學(xué)習(xí)主要應(yīng)用于健康人群劃分、健康風(fēng)險(xiǎn)分類和樣本地區(qū)分類等問題，K 均值、主成分分析等聚類算法頻繁出現(xiàn)，為健康與建成環(huán)境的研究提供分類依據(jù)。強(qiáng)化學(xué)習(xí)主要應(yīng)用于與健康有關(guān)的傳感器，通過對傳感器具體流程的學(xué)習(xí)，幫助傳感器更好地收集數(shù)據(jù)并實(shí)現(xiàn)交互?？偟膩碚f，對于建成環(huán)境與健康關(guān)系的解釋探索仍是當(dāng)下和未來的熱點(diǎn)，該議題的研究將面臨數(shù)據(jù)更多元化和模型更復(fù)雜化的形勢，現(xiàn)有研究對機(jī)器學(xué)習(xí)的解釋度挖掘有限，可解釋機(jī)器學(xué)習(xí)的應(yīng)用較少，尤其是基于臨床實(shí)驗(yàn)的因果機(jī)制挖掘，隨著各類健康問題理論的完善，亟須結(jié)合病理的可解釋的機(jī)器學(xué)習(xí)算法來幫助人們梳理其中的關(guān)系和決策。

3.2 能源碳排放議題更多關(guān)注預(yù)測與決策過程

建成環(huán)境與能源方面的研究主要關(guān)注到區(qū)域尺度、城市尺度和建筑尺度，包括燃料消耗、能源消費(fèi)、電網(wǎng)負(fù)荷等。而碳排放方面的研究，多是在國家、城市和家庭層面，綜合運(yùn)用多種機(jī)器學(xué)習(xí)方法，對碳排放量進(jìn)行計(jì)算。基于燃料、能源消費(fèi)、燈光影像、遙感、環(huán)境要素和天氣等數(shù)據(jù)，多種有監(jiān)督學(xué)習(xí)算法可以用來預(yù)測能源消耗量和碳排放計(jì)算，同時(shí)分析不同要素的影響程度。包括K 均值聚類算法等在內(nèi)的無監(jiān)督學(xué)習(xí)主要應(yīng)用于對城市進(jìn)行分類、對類別劃分和對特征類型的提取。此外，也有研究綜合有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)算法，在集成樹模型的基礎(chǔ)上，借助SHAP 的解釋性機(jī)器學(xué)習(xí)方法，理解機(jī)器學(xué)習(xí)的決策過程。強(qiáng)化學(xué)習(xí)在能源和碳排放領(lǐng)域被應(yīng)用于尋找最優(yōu)節(jié)能減排的各場景中，包括但不限于生成對成本、舒適度、收益、滿意度和可持續(xù)性的平衡多目標(biāo)最優(yōu)策略?？紤]到能源和碳排放有科學(xué)詳細(xì)的量化基礎(chǔ)，結(jié)果與因素往往可通過公式推理，有跡可循，機(jī)器學(xué)習(xí)算法多用于對結(jié)果的預(yù)測，通過算法和數(shù)據(jù)的“暴力破解”，節(jié)省公式計(jì)算的成本和時(shí)間。面對更為精細(xì)的系統(tǒng)，可解釋性方法也能幫助人們捕捉數(shù)據(jù)背后隱藏的線索?？傮w來說，該議題之下機(jī)器學(xué)習(xí)的預(yù)測性應(yīng)用更多，解釋性應(yīng)用較少，但解釋性方法探索已初見成效。此外，尋找發(fā)展和保護(hù)的平衡是該議題下機(jī)器學(xué)習(xí)的另一個(gè)主要應(yīng)用方面，基于決策過程并結(jié)合各種深度學(xué)習(xí)算法的強(qiáng)化學(xué)習(xí)能有效助力這一過程，提高與能源碳排放相關(guān)決策的效率和合理性。

3.3 氣候環(huán)境議題兼顧預(yù)測性與解釋性

對于建成環(huán)境中氣候、空氣質(zhì)量和熱島效應(yīng)等話題的研究主要關(guān)注到時(shí)空變化和驅(qū)動力分析，在數(shù)據(jù)監(jiān)測和量化體系逐步完善的當(dāng)下，多元數(shù)據(jù)處理、多情景估算和影響要素分析愈發(fā)豐富，雖然傳統(tǒng)的統(tǒng)計(jì)分析、空間分析和空間模型應(yīng)用已比較成熟，但機(jī)器學(xué)習(xí)仍展現(xiàn)出優(yōu)勢和潛力，兼顧預(yù)測問題和解釋問題。多元線性模型、支持向量機(jī)、隨機(jī)森林等有監(jiān)督學(xué)習(xí)被用于預(yù)測估算和要素的識別上，基于梯度提升的樹模型和神經(jīng)網(wǎng)絡(luò)、實(shí)施特征重要性和部分依賴圖等可解釋性方法來解釋因子的非線性關(guān)系和交互作用，同時(shí)神經(jīng)網(wǎng)絡(luò)模型也被用于對圖像數(shù)據(jù)的處理。無監(jiān)督學(xué)習(xí)的聚類算法用于評價(jià)中的分級分類過程，而深度強(qiáng)化學(xué)習(xí)協(xié)助監(jiān)測系統(tǒng)完成對數(shù)據(jù)采集處理的優(yōu)化，提高預(yù)測準(zhǔn)確度。該議題下，機(jī)器學(xué)習(xí)應(yīng)用更多體現(xiàn)在預(yù)測和模擬的環(huán)節(jié)，解釋性能力發(fā)展相對較慢：一方面氣候環(huán)境的復(fù)雜性導(dǎo)致數(shù)據(jù)難以收集，建立解釋性機(jī)器學(xué)習(xí)模型的數(shù)據(jù)基礎(chǔ)較薄弱；另一方面，原有的氣候模型與機(jī)器學(xué)習(xí)各種算法的結(jié)合尚未成熟，仍需更多的探索實(shí)踐。伴隨數(shù)據(jù)和監(jiān)測手段的多元化，機(jī)器學(xué)習(xí)方法會越來越多地參與到數(shù)據(jù)處理和預(yù)測模擬的過程中，解釋應(yīng)用的場景也將更加多樣。

3.4 生態(tài)系統(tǒng)議題處于解釋性初步探索階段

實(shí)測、模型和遙感技術(shù)的發(fā)展使人們對生態(tài)系統(tǒng)和生物的認(rèn)知更全面和詳細(xì)，機(jī)器學(xué)習(xí)參與到對生態(tài)演化驅(qū)動力、物種分布、生態(tài)足跡和生物量的分析中，提供預(yù)測和解釋的能力支持。對于有監(jiān)督學(xué)習(xí)，邏輯回歸模型多用于生態(tài)演化驅(qū)動力的量化分析，線性模型、樹模型和各種集成算法用于對生物分布的模擬和生物量的估算，借助神經(jīng)網(wǎng)絡(luò)也實(shí)現(xiàn)了對生態(tài)足跡的預(yù)測和重要因子的篩選。對于無監(jiān)督學(xué)習(xí)，諸如主成分分析等算法用于特征的提取和綜合指標(biāo)體系的建立，K 中心聚類等聚類方法用于對生態(tài)單元的劃分。而強(qiáng)化學(xué)習(xí)更多用在生物行為模型、生物動力分析等方面，通過對動態(tài)數(shù)據(jù)的挖掘，模擬實(shí)時(shí)交互過程。目前，預(yù)測估算和模擬工作是該議題下的主流，解釋性方面，驅(qū)動力分析的量化較為簡單，對模型的解讀也比較初步地停留在重要因子的識別上，仍需更多的探索挖掘。

3.5 綠色出行議題發(fā)展成熟且應(yīng)用前沿

機(jī)器學(xué)習(xí)在有關(guān)綠色出行的研究應(yīng)用上積累了豐碩的成果，在數(shù)據(jù)處理、預(yù)測、模擬、決策、解釋方向都有前沿性的探索和突破，涵蓋的話題包括但不限于出行行為、出行安全、交通流、出行工具、擁堵風(fēng)險(xiǎn)、道路網(wǎng)絡(luò)等的研究。對于有監(jiān)督學(xué)習(xí)，各類模型應(yīng)用于對指標(biāo)影響的分析和結(jié)果的預(yù)測估算，在集成樹模型的基礎(chǔ)上，特征重要性、部分依賴圖、SHAP、LIME 等全局和局部可解釋方法被用來理解要素的貢獻(xiàn)度和相互關(guān)聯(lián)作用，并對具體實(shí)例做出解讀，更為復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型用于異常的識別和圖像信息的提取，幫助理解決策過程、提高預(yù)測精準(zhǔn)度，同時(shí)基于神經(jīng)網(wǎng)絡(luò)建立的更為透明的算法被應(yīng)用于決策解讀和因子識別中。而無監(jiān)督學(xué)習(xí)算法被用于壓縮、評估和分類的多元問題中，兼容對靜態(tài)和動態(tài)數(shù)據(jù)的挖掘。強(qiáng)化學(xué)習(xí)的應(yīng)用場景也十分廣泛，利用豐富的動態(tài)數(shù)據(jù)，路徑規(guī)劃、信號燈控制、智能交通仿真、無人駕駛安全的任務(wù)可以被高效實(shí)時(shí)處理，不斷趨近交通的可持續(xù)性理想目標(biāo)，而約束法則的架構(gòu)也提升了復(fù)雜任務(wù)的解釋度，使得決策生成更為透明。不難推測，對可持續(xù)交通問題的研究是過去、當(dāng)下和未來的熱點(diǎn)，面向未來的多樣場景，機(jī)器學(xué)習(xí)的應(yīng)用仍有更大的潛力和更多可能的探索方向，機(jī)器學(xué)習(xí)本身已成為可持續(xù)智能交通體系不可或缺的一部分，二者是相互依存共同促進(jìn)的關(guān)系，預(yù)測與解釋將會更加精細(xì)和深入，為更為智能的決策提供基礎(chǔ)。

4 討論

總的來說，機(jī)器學(xué)習(xí)的發(fā)展和應(yīng)用對可持續(xù)建成環(huán)境的研究方法、研究方向、研究對象和研究結(jié)論均產(chǎn)生了重要影響。機(jī)器學(xué)習(xí)解釋能力的提高顯著促進(jìn)了研究方法的變革，越來越多的研究者實(shí)踐基于機(jī)器學(xué)習(xí)的研究框架，應(yīng)用各種機(jī)器學(xué)習(xí)模型，發(fā)展具有專業(yè)特色的可操作方法路徑。機(jī)器學(xué)習(xí)日漸強(qiáng)大的性能極大拓寬了研究方向和研究對象，機(jī)器學(xué)習(xí)擅長處理復(fù)雜的、多元的、動態(tài)的、大規(guī)模的數(shù)據(jù)，以往被認(rèn)為難以解決的復(fù)雜問題成為機(jī)器學(xué)習(xí)的破譯對象。這為解答多地區(qū)、多尺度、長時(shí)間跨度的動態(tài)復(fù)合問題提供了新視角和可能。同時(shí)，機(jī)器學(xué)習(xí)自身不斷向著智能化、透明化、可解釋化發(fā)展，通過對以往經(jīng)驗(yàn)和人類思路的學(xué)習(xí)，機(jī)器學(xué)習(xí)能幫助研究者得出最優(yōu)決策方案，揭示決策機(jī)制，發(fā)現(xiàn)潛在規(guī)律，研究結(jié)論也愈加科學(xué)、動態(tài)、智能。

對于可持續(xù)建成環(huán)境的各重要議題，研究者都注意到機(jī)器學(xué)習(xí)在預(yù)測和解釋上的強(qiáng)大能力，并開發(fā)了基于具體場景和問題的解釋性方法和可讀模型，研究目的也逐漸側(cè)重于決策的理解和規(guī)律的挖掘，但不同議題的發(fā)展程度不同，同時(shí)基于實(shí)證研究的因果機(jī)制探索仍有大量空白。對于公共健康，解釋建成環(huán)境對健康效應(yīng)的影響是核心論點(diǎn)，但解釋性機(jī)器學(xué)習(xí)的應(yīng)用相對簡單初步，解釋性方法的實(shí)證探索較少，缺乏對病理的解釋和臨床實(shí)驗(yàn)，需要更多理論的完善和方法的探索，以理解其中的復(fù)雜因果機(jī)制。而機(jī)器學(xué)習(xí)在能源碳排放、氣候環(huán)境領(lǐng)域的應(yīng)用通常兼顧預(yù)測和解釋的問題，也在一定程度上展開對潛在規(guī)律的討論：一方面，通過對數(shù)據(jù)處理的升級和算法的綜合，提高估算預(yù)測的準(zhǔn)確度；另一方面，結(jié)合算法的特點(diǎn)和對原理的解讀，模型的決策過程也得以解釋。對于建成環(huán)境與生態(tài)系統(tǒng)，機(jī)器學(xué)習(xí)的預(yù)測應(yīng)用更多，解釋力相對不足，由于分析過程中涉及的要素龐雜，模型的設(shè)計(jì)與實(shí)施仍需完善。對于綠色出行問題，機(jī)器學(xué)習(xí)應(yīng)用已有成熟的發(fā)展，兼具前沿性和多樣性，在預(yù)測能力和解釋能力發(fā)展的同時(shí)，不斷轉(zhuǎn)向?qū)χ悄軟Q策的探索，在分析解釋的基礎(chǔ)上尋找改進(jìn)優(yōu)化策略。

5 結(jié)論

本研究從現(xiàn)有的研究應(yīng)用出發(fā)，提出機(jī)器學(xué)習(xí)預(yù)測性有余而解釋力不足的特點(diǎn)，總結(jié)各類機(jī)器學(xué)習(xí)算法對研究的影響。有監(jiān)督學(xué)習(xí)被用于數(shù)據(jù)較全的回歸和分類問題上：線性回歸應(yīng)用最廣泛，適用于簡單的預(yù)測；集成算法發(fā)展迅速，隨機(jī)森林、集成的樹模型適用于復(fù)雜的預(yù)測任務(wù)，并結(jié)合多種可解釋性方法，揭示內(nèi)在規(guī)律；神經(jīng)網(wǎng)絡(luò)也日趨復(fù)雜，但目前可讀性不高。無監(jiān)督學(xué)習(xí)被用于陌生數(shù)據(jù)或缺失數(shù)據(jù)的聚類和降維問題上，且常與有監(jiān)督學(xué)習(xí)結(jié)合應(yīng)用：K 均值聚類是最常用的聚類算法，能快速實(shí)現(xiàn)數(shù)據(jù)的分組；主成分分析是較為常用的降維方式，能高效凝練關(guān)鍵信息。強(qiáng)化學(xué)習(xí)被用于優(yōu)化和動態(tài)規(guī)劃問題上，且往往是經(jīng)過有監(jiān)督學(xué)習(xí)或無監(jiān)督學(xué)習(xí)的數(shù)據(jù)處理后的最后一步，算法通常會結(jié)合具體問題而調(diào)整，有很強(qiáng)的針對性。機(jī)器學(xué)習(xí)的理論和方法日新月異，本研究僅提及最為主流且應(yīng)用廣泛的方法，為學(xué)者了解相關(guān)研究和涉足該領(lǐng)域?qū)嵺`提供初步的圖景。

未來，隨著數(shù)據(jù)和模型的發(fā)展日趨完善，機(jī)器學(xué)習(xí)應(yīng)用的資源和場景也更豐富多元，可持續(xù)建成環(huán)境的研究將更多依賴并受益于機(jī)器學(xué)習(xí)的發(fā)展。不同議題的發(fā)展程度不同，將來可能有不同的側(cè)重。綠色出行等交通問題的機(jī)器學(xué)習(xí)應(yīng)用更為前沿，未來將持續(xù)探索從預(yù)測、解釋到智能決策的完整體系，更多關(guān)注動態(tài)數(shù)據(jù)，更多開發(fā)人機(jī)互動場景；對于能源、碳排放和氣候環(huán)境，解釋性的應(yīng)用將不斷增多，方法將會更加多元化和專業(yè)化；而生態(tài)系統(tǒng)和公共健康的機(jī)器學(xué)習(xí)應(yīng)用將進(jìn)一步普及，此外，這2 個(gè)議題也存在大量的解釋性需求，可解釋的方法和模型亟須大量實(shí)證探索，相關(guān)的研究將成為下一步的熱點(diǎn)。當(dāng)然，本研究僅在文獻(xiàn)綜述的基礎(chǔ)上關(guān)注重點(diǎn)議題，對較為典型的應(yīng)用進(jìn)行了總結(jié)分析，并未對機(jī)器學(xué)習(xí)方法本身的原理、技術(shù)和道德問題做更深入的探索?？傊?，機(jī)器學(xué)習(xí)對可持續(xù)建成環(huán)境的研究方法、研究對象和研究結(jié)論帶來的影響和變革毋庸置疑，有效推動了該領(lǐng)域更定量、更多元、更智能、更科學(xué)的發(fā)展，可以預(yù)見，這一領(lǐng)域的機(jī)器學(xué)習(xí)研究應(yīng)用正在且將不斷快速發(fā)展，且具備長久廣闊的發(fā)展前景。

圖表來源(Sources of Figures and Tables)：圖1 由作者繪制，其中可持續(xù)發(fā)展目標(biāo)部分來自參考文獻(xiàn)[3]；圖2 由作者繪制；表1 根據(jù)參考文獻(xiàn)[18]～[20]整理；表2 根據(jù)參考文獻(xiàn)[21]～[60]整理。