问题——街道“到底干什么”，长期缺少动态刻画手段 在城市治理与规划实践中，街道的功能属性往往依赖用地性质、现场调研和统计报表来判断。这些方式更新慢、成本高，也难以及时反映昼夜变化和业态更替。尤其在大城市核心区，商务、居住、餐饮、文娱等功能高度混合，仅用“上下车点密度”“到访次数”等指标，通常只能描述热度，却难以解释街道在路网中的具体角色：有的道路承担高频通勤穿行，有的道路是目的地型“到访点”。两者在轨迹上的差异，往往对应着街道功能与空间分工的不同。 原因——只看“点”忽视“线”，轨迹序列隐藏关键语义 传统方法多以起终点为核心，把出行行为简化为“在哪里上下车”。但出租车行驶过程中形成的大量轨迹，本质上是一段段连续的道路序列，包含“路过”“转入”“停留”“绕行”等行为信息。哪些街道经常被连续穿行、与哪些路段经常共同出现、不同时段与周边道路的联系强弱如何，这些共同构成街道的“隐含语义”。如果只统计点位，就会丢失道路之间的结构关系和时间特征，难以区分同样繁忙但功能差异明显的街区。 影响——新方法把轨迹变成“可计算的语义”，提升识别精度 针对上述痛点，研究团队提出将城市道路作为可学习的基本单元：把主干道切分为“词”，将拓扑上连续相连的道路组合为“句”，利用大规模轨迹序列学习每条街道的表示，从而捕捉“常与谁一起出现”“典型通行模式是什么”等语义特征。在此基础上，团队深入引入图结构建模，将街道作为节点、路口连接作为边，构建反映不同时段交通互动关系的动态图模型，使街道不仅“看自身”，也“看周边”，在路网信息传播中获得更稳定的功能判断。 在北京城区主干道实验中，该模型在多次训练与验证中表现稳定，最高预测精度达到0.802。与仅基于上下车点统计并采用逻辑回归、K近邻、支持向量机、随机森林等传统方法相比，整体精度提升约10至20个百分点。结果表明，将轨迹序列与路网拓扑联合建模，有助于从复杂出行行为中提取功能差异，实现对街道尺度城市活动的更细粒度识别。 对策——推动数据与规划相衔接，服务城市精细治理 业内人士认为，轨迹数据为城市规划提供了一面“动态镜子”。在落实数据安全与隐私保护的前提下，将识别结果与既有用地管理、产业统计、公共服务设施布局等体系对接，可在三上提升治理效能： 一是辅助交通组织与拥堵治理。通过识别通勤通道、商业集聚街区、夜间活跃带等，优化信号配时、公交接驳、停车供给与疏导方案。 二是服务城市更新与公共资源配置。对功能变化快、冷热不均的区域进行更及时的监测，为学校、医院、文体设施等配置提供参考，降低“建成即不匹配”的风险。 三是支持产业布局与活力培育。通过量化刻画业态演变趋势，为招商引资、夜间经济管理、街区品质提升提供更准确的空间依据。 同时，专家提示，模型结论应与地面核验和规划目标结合使用，避免将短期流量波动直接等同于长期功能定位；对重大调整，应坚持多源数据交叉验证，提升决策稳健性。 前景——从主干道走向全路网，多源融合提升实时性与可解释性 据介绍，研究团队正尝试将方法从主干道扩展至支路、背街小巷，并引入网约车、公交、共享单车等多源出行轨迹，构建更丰富的“语料库”。随着数据时序拉长、覆盖更全面，街道功能识别有望从静态标签走向动态监测，并对城市扩张热点、功能漂移区域形成更早提示。未来若与商业POI、人口活动、公共服务供给等信息联动，还可进一步增强模型的可解释性，推动形成“规划—建设—运营—评估”的闭环治理工具。
一条街的功能，不只写在规划文本里，也体现在日复一日的行驶轨迹与路网互动中。把“路过”转化为信息、把“连接”转化为关系，意味着城市治理正在从点状观察走向链条分析、从静态描述走向动态研判。如何在规范使用数据的前提下，让这些新工具更好服务公共利益，将成为精细化城市治理下一阶段的重要课题。