机器学习+城市规划第十期：城市规划中的多尺度地理加权回归

机器学习+城市规划第十期：城市规划中的多尺度地理加权回归

🧭 引言

在空间数据分析中，“一个因素对目标变量的影响是否处处相同？”——这是传统回归模型难以解答的问题。GWR（地理加权回归）让我们迈出第一步，MGWR（多尺度 GWR）则进一步揭示了：

不同解释变量对因变量的影响，可能在空间上有不同的作用尺度。

本次课程从原理到实战，深入理解 MGWR，并基于 Python 在城市规划数据中实现一个完整的 MGWR 分析流程。

1️⃣ 什么是 MGWR？

🔹 背景：GWR 的限制

GWR（Geographically Weighted Regression）允许每个地理位置上的回归系数不同，适合建模空间异质性。其基本形式：

$$y_i={\beta }_0(u_i,v_i)+\sum _k{\beta }_k(u_i,v_i)x_{ik}+{\epsilon }_i$$

其中，$(u_i,v_i)$ 是地理坐标，${\beta }_k$ 是局部回归系数。

🔍 但 GWR 的一个核心假设是：所有变量共享相同的带宽（作用范围），这显然不现实。

🔹 MGWR：考虑不同变量的空间尺度

MGWR（Multiscale GWR）引入了 变量级别的带宽选择机制，允许：

• 人口密度可能在 1km 内显著影响出行
• 交通密度可能在 5km 内才产生作用

其建模思想是为每个解释变量都寻找最优的空间尺度 $b_k$，写作：

$$y_i={\beta }_0(u_i,v_i)+\sum _k{\beta }_k^{b_k}(u_i,v_i)x_{ik}+{\epsilon }_i$$

✅ 相比 GWR 的优势：

特征	GWR	MGWR
带宽	单一	多尺度（每变量一带宽）
空间异质性建模	支持	支持，更细致
精度	中	高
计算开销	中	高（但更真实）

2️⃣ MGWR 在城市规划中的优势

城市规划中常见问题包括：

• 🛴 微出行需求分析（如共享单车）
• 🌳 绿地对热岛效应的影响
• 🚦 道路密度对拥堵的空间作用差异

这些问题都具备空间不均匀性和多尺度驱动因子的特点。MGWR 能清晰回答：

• 哪些区域受某变量影响更大？
• 哪些变量的影响范围是“远程” vs “局部”？

3️⃣ Python 实现 MGWR 模型（含自动带宽搜索）

以下是你项目中的完整 MGWR 脚本，逐步讲解如下：

📦 第一步：导入依赖

import pandas as pd
import geopandas as gpd
from shapely.geometry import Point
import numpy as np
np.float = float  # 兼容 numpy 老接口

from mgwr.gwr import MGWR  # ✅ 正确导入新版 MGWR 类
from mgwr.sel_bw import Sel_BW
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

from gwr_tools import save_gwr_summary  # 自定义函数：保存模型结果

我们使用了 mgwr 包，确保用的是官方版本（conda install -c conda-forge mgwr）。

🧹 第二步：数据清洗与准备

print("🔍 正在读取和清洗数据...")
df = pd.read_csv("D:/桌面/祝贺老师Python学习/地理加权回归/多尺度模型/2000yangben.csv")
df.columns = ["Latitude", "Longitude", "Delay time", "Temperature", "Humidity", "Visibility", "Wind speed"]

# 强制转为数值型，清理非法值
df = df.apply(pd.to_numeric, errors="coerce")
df.replace([np.inf, -np.inf], np.nan, inplace=True)
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# 检查清洗结果
print("✅ 数据完整性检查：")
print("是否存在 NaN:", df.isna().any().any())
print("是否存在 inf:", np.isinf(df.values).any())

确保数据清洗无误，尤其是经纬度、因变量、解释变量列没有 NaN 或 Inf。

🌍 第三步：空间坐标转换（WGS84 → 米制）

geometry = [Point(xy) for xy in zip(df["Longitude"], df["Latitude"])]
gdf = gpd.GeoDataFrame(df.copy(), geometry=geometry)
gdf.set_crs(epsg=4326, inplace=True)
gdf = gdf.to_crs(epsg=3857)

MGWR 要计算空间权重，必须使用投影坐标系（如 EPSG:3857），而不是经纬度。

📐 第四步：准备建模数据

coords = np.array([(point.x, point.y) for point in gdf.geometry])
y = df["Delay time"].values.reshape(-1, 1)
var_names = ["Temperature", "Humidity", "Visibility", "Wind speed"]
X = df[var_names].values

📐 第五步：数据检查

assert not np.isnan(X).any(), "❌ X 中存在 NaN"
assert not np.isinf(X).any(), "❌ X 中存在 inf"
assert not np.isnan(y).any(), "❌ y 中存在 NaN"
assert not np.isinf(y).any(), "❌ y 中存在 inf"

🧠 第六步：多尺度带宽搜索 + 模型拟合

print("📊 正在为每个变量自动选择最优带宽，请稍候（多尺度）...")
selector = Sel_BW(coords, y, X, multi=True)
bws = selector.search()
print(f"✅ 每个变量的最优带宽为：{bws}")

print("🚀 正在拟合 MGWR 模型...")
model = MGWR(coords=coords, y=y, X=X, selector=selector, constant=True)
results = model.fit()

print("\n======= MGWR 模型结果汇总 =======")
print(results.summary())

这里：

• multi=True 开启多尺度搜索
• selector 会为每个变量选择最优带宽
• constant=True 表示添加截距项（建议开启）

📤 第七步：保存输出（不包括 local R²）

for i, name in enumerate(var_names):
    gdf[f"MGWR_coef_{name}"] = results.params[:, i]

gdf["MGWR_resid"] = results.resid_response
gdf.to_file("mgwr_result.geojson", driver="GeoJSON")
print("📍 已保存为 'mgwr_result.geojson'")

⚠️ 注意：

MGWR 多尺度模式 不支持 results.localR2，调用会报错。

🧾 第八步：保存模型摘要 CSV

save_gwr_summary(results, model, filename_prefix="mgwr_with_search")
print("✅ 模型摘要 CSV 已保存（含参数与诊断信息）")

你自定义的封装函数将摘要写入 CSV，包含：

• 每个变量的平均系数、标准差、极值
• 模型 AIC、RSS 等诊断指标

✅ 总结与应用建议

MGWR 是对 GWR 的有力升级，尤其适合：

场景	变量行为
城市热环境、绿地影响	多尺度
居住密度 vs 交通出行	空间异质性强
区域房价建模	局部市场规律

@原创声明：本教程由课题组内部教学使用，利用CSDN平台记录，不进行任何商业盈利。