【论文分享】三维景观格局如何影响城市居民的情绪

本次带来一篇SCI论文的全文翻译！该论文以上海LivingLine项目为例，探索利用时空Wi-Fi数据分析街道层面的城市活力。

【论文题目】Understanding street-level urban vibrancy via spatial-temporal Wi-Fi data analytics: Case LivingLine Shanghai

【题目翻译】

利用时空Wi-Fi数据分析街道层面的城市活力：以上海LivingLine项目为例

【关键词】

街道活动，Wi-Fi数据，机器学习技术，城市活力，多元线性回归模型，行为模式分析

【摘要】

城市活力是城市规划和设计领域的核心议题之一。尽管如此，对于城市活力的界定和量化评估尚未形成统一清晰的标准。随着大数据和机器学习技术的兴起，城市规划者开始采用新的量化方法来评估城市表现。本研究旨在量化上海四平街道一处住宅区改造项目——LivingLine项目中城市干预措施对城市活力的影响。利用Wi-Fi探测器来处理收集的智能手机数据，并依据通勤模式将人群分类。通过预训练的随机森林模型确定人们的具体位置，进一步通过对停留点的检测和轨迹分析来研究人们的行为模式。利用统计模型中的多元线性回归分析，发现城市干预与人们的行为之间存在正相关关系，这证实了城市干预对街道活力的影响。本研究提出了一种创新的、基于实证的、低成本的方法，用于在保护用户数据隐私的前提下，研究街道层面的微观行为模式。

【引言】

城市活力的核心在于实时的人类活动（Barreca等人，2020年；Huang等人，2020年；Lang等人，2020年）。为了激发城市活力，城市设计者们已经开发出一系列城市干预工具，从塑造城市空间的物理特征以吸引人类活动，到设计社交活动以促进社交互动（Griffiths，1995年）。因此，理解和评估这些干预措施对人类动态的影响对于指导战略性城市干预显得尤为迫切（Zhong等人，2020年）。

在城市设计者可能关注的多种活动尺度中，街道尺度是最以人为中心、最引人入胜的，但由于需要精细的数据粒度，也是最具挑战性的尺度（Resch和Szell，2019年）。人们的日常生活发生在街道尺度上，因此，在如此小的时间和空间框架内追踪他们的活动是一个富有意义且充满挑战的任务。随着大数据技术的快速发展，规划者对城市空间中的群体行为和交通模式有了更深入的理解（Bellomo等人，2016年；Zhang等人，2021年）。然而，大数据研究大多集中在宏观尺度，例如整个城市。对于街道尺度的活动，现有的大数据往往不够精确，无法与空间细节紧密整合。此外，大部分城市大数据掌握在互联网公司和移动运营商手中，这些数据既昂贵又不易获取（Magalhaes，2021年）。

因此，我们需要新的方法来进行更深入的街道尺度活动研究。本研究提出了一种新颖的方法，用于收集低成本且易于部署的街道尺度Wi-Fi数据。这些数据被用于研究街道访客的行为模式，并了解它们与社区中举行的社交活动之间的相关性。这些社交活动是否能够促进街道空间变得更加活跃和多样化？

【相关工作】

2.1街道动态与城市活力测量

城市研究领域的先驱简·雅各布斯（Jane Jacobs）认为，只有在满足多种条件的社区中，充满活力的城市生活才能蓬勃发展（Jacobs, 1961）。她认为，清晰的行人空间、狭窄的车道、本地交通的分离以及复杂的交叉口等元素，都是促进城市活力的关键（Jacobs, 1993）。基于这些传统定义，研究者们开发了多种量化城市活力的指标。Ye等人（2017）利用新的城市数据和分析方法，发现建筑类型和密度对城市活力具有显著影响。Barreca等人（2020）则通过研究城市活力与社区服务和房地产市场的关系，尝试定义和测量城市活力。

感知技术的进步为研究街道动态提供了新的洞见。Huang等人（2019）借助新出现的空间大数据资源，提出了一种全面衡量城市活力的方法，以探讨活力与城市建筑环境指标之间的联系。Williams等人（2019）采用图像捕捉、位置跟踪等技术，并依据Gehl方法评估城市公共生活的表现。Long和Zhou（2016）定义了街道活力的概念，制定了定量评估街道活力的因素，同时采用线性回归分析来识别各个因素对街道活力的影响。Long和Huang（2019）研究了城市设计对中国286个城市经济活力的影响，通过多种城市形态指标揭示了显著的正相关性。

2.2 Wi-Fi数据的应用

Wi-Fi数据在城市活力分析中的应用日益受到关注，尽管在街道尺度分析方面仍存在持续的差距。尽管已有多项研究为此领域做出了贡献，但其中一些值得注意的尝试特别提及。例如，Calabrese等人（2010）在对无线接入点进行分类，以及Kontokosta和Johnson（2017）在下曼哈顿提取活动模式方面的努力，都试图在城市活力的背景下识别活动模式和人口分布。同时，数据整合的创新也在不断推进，如Shen等人（2020）将旅行和智能手机使用行为结合起来，Hu等人（2020）将Wi-Fi探测器与位置数据结合起来进行人口分布研究。此外，也有努力提高Wi-Fi数据的质量，值得一提的是Chilipirea（2019）对Wi-Fi远程定位数据进行精细化处理以用于人群移动分析的尝试。Prentow等人（2015）和Kim（2018）进一步扩大了研究范围，分别利用丰富的Wi-Fi时空数据对大型建筑群进行研究，并将Wi-Fi接入点与城市活力度量相关联。尽管有这些重要的贡献，但在将Wi-Fi数据应用于街道尺度城市活力分析方面仍存在明显的空白——这是理解城市微观动态的一个关键领域。本文旨在填补这一空白，为Wi-Fi数据在研究街道层面城市活力的潜力提供新的见解，如图1所示。

【研究框架与方法论】

3.1研究目标

本研究的核心问题是：城市活力与物理变化和事件之间存在何种关联？研究目标包括：

1.提出一种新颖的方法论，利用Wi-Fi信号数据研究更精细粒度的城市活动，并将它们划分为有意义的群体。

2.理解哪些因素与城市活动的密度和多样性相关，以及这些相关性的重要性。

3.2研究区域

本研究使用的主要数据收集于NICE 2035 LivingLine Street（见补充图S3），这是位于上海四平路住宅区的一条经过改造的街道（Jiang et al., 2020）。

我们在上海的LivingLine Street维护了一个公共无线网络，包括50个分布整个街道的接入点（APs），其中26个室外APs覆盖整个街道以捕获人口和流动模式，24个室内APs覆盖NICE 2035的实验室和公共空间以捕获人类活动。从2018年10月1日至2018年12月31日，共识别出10687173次观测和32211个唯一的MAC地址。

3.3方法概述

如上文所述，本研究的目标是提出一种全面的方法论，帮助理解街道尺度的人类动态，并发现城市干预与街道动态之间的相关性。因此，这种方法论在城市更新项目或场所营造活动实施后的影响评估阶段非常实用，并且有可能通过推断不同干预计划的输出来支持决策阶段。该方法论包括四个步骤：数据收集与清洗、分组与定位、街道活动分析和回归分析（如图2所示）。

3.4数据收集与清洗

与仅在设备进行电话呼叫或发送短信时才触发观测的蜂窝数据不同，无论设备是否连接到网络，Wi-Fi接入点（APs）会持续收集周围区域内启用Wi-Fi的设备请求数据。

每个AP的侦测范围为15米，并且以高于1赫兹的频率收集数据。APs通过SIM卡接入互联网，并设置为每15分钟将新收集的数据上传到服务器，行人穿过街道时将穿过不同AP的侦测区域。因此，可以收集行人移动设备与所有APs之间的接收信号强度指示（RSSI）数据。

每个来自Wi-Fi AP的观测包括以下变量：探针的唯一MAC地址、时间戳、连接到此探针的设备的MAC（媒体访问控制）地址以及设备的接收信号强度指示（RSSI）。

为了准备用于分析的原始数据，采取三个步骤进行数据预处理：转换数据格式、过滤非移动用户的数据和物理清洗。在使用基于位置的数据时，隐私和保密性是非同小可的关注点。在本分析中，设备MAC地址是匿名的，仅用于分析的聚合计数。（详细信息见补充材料第12节）。

3.5分组与定位

由于街道对不同族群和社会属性的人共享，因此将他们细分为有意义的类别非常重要，以便城市设计者能够理解组成，并为每个群体专门设计干预措施。

此外，活动本质上与时间和空间维度相关。为了检测停留、行走和与某个城市空间互动等不同活动，我们需要在街道上对设备进行相对精确的定位。

分组。研究街道尺度公共活动通常侧重于收集人口统计信息。例如，Liu等人（2019）引入了一种大数据方法，使用室内Wi-Fi定位数据中的时空移动特征和兴趣偏好信息来推断人的性别和年龄。但这在很大程度上依赖于顾客兴趣偏好，而在街道上这些偏好不如市场上那么明显。他们还发现，对团体访客进行推断很困难，因为一群人可能具有相似的移动模式，但彼此之间的关系却有所不同。在街道的城市干预方面，我们认为可以从人口普查数据或调查中获得人口统计信息，而移动模式可以用来提取更多关于人们在街道上活动的信息。与其他数据源相比，Wi-Fi数据的优势在于其能够追踪个体设备，以在积累一定量的数据后发现重复模式。Wi-Fi数据的应用正逐渐引入到空间、城市和行为分析的前沿。

在我们的研究中，首先我们通过出现频率将用户分类为常客、偶尔访客和很少访客。每个群体的定义如下表1所示。

在将分类规则应用于所有数据后，汇总一天的数据，并计算每个类别中的独特设备数量，以捕获整体人口的趋势。为进一步细分访客群体，基于这些小时级的时间模式开发一个基于规则的两级分类模型。（详细规则见补充材料第12节和表S7）。

按小时显示平均每周人口数量，每个用户群体中表现出有意义的模式（如图3），几乎每个群体在一天中都有两个不断重复的高峰。对于通勤者来说，这些高峰通常出现在早上8点和下午6点，与过路人的高峰时段一致。对于居民来说，他们平均外出时间稍早，早上6点外出，晚上7点或8点回家。居民工作者们不需要通勤，因此他们的人口波动较小。当涉及到访客时，我们发现除了早晚通勤时间外，大约在晚上7点或8点还有另一个较低的高峰，这表明附近的居民可能在晚饭后散步。正如预期的那样，除了居民和居民工作者，大多数群体的人口都降至零。在周末，通勤者、工作者和居民的人口也明显下降。这些模式表明我们的分类模型可以从Wi-Fi数据中捕获独特的活动模式，并且在将人们划分为有意义的群体方面具有优势。

定位。通常，有三种方法（Xia et al., 2017）利用接收信号的强度来获得用户的位置：多边测量、近似感知和指纹定位。

最初尝试多边测量方法和路径损耗模型，但性能不足。之后，采用指纹定位方法，这种方法不需要知道APs的位置，也不需要将RSSI转换为空间距离。相反，它需建立指纹库进行定位，这比多边测量更准确。指纹定位有两个核心阶段：离线训练和在线定位。

在离线训练中，首先提前收集定位区域的指纹。将街道划分为10米*10米的网格，总共有y个单元格。在每个单元格的中心，有一个停留超过5分钟、明确MAC地址的移动设备。之后，收集每个AP关于这个设备的RSSI值，并将其当前位置作为指纹。指纹数据库在迭代过程中逐渐覆盖整个街道。

随后，数据库被用作训练数据集，以训练机器学习算法。使用Scikit-learn测试不同机器学习算法，包括K最近邻、随机森林、支持向量机和梯度提升。

在线定位阶段，收集的信号强度信息被上传到服务器。这些信息将作为回归模型的输入，以进行精确定位。

这个作为机器学习模型的训练或测试集，有一个包含678个样本和50个维度（特征）的数据集。通过对数据应用不同的机器学习算法，补充表S5中显示的性能反映每个模型的不同准确性，选择具有高准确性（测试集上的准确率为82.52%）和低方差（测试集上的标准差为12.5389）的随机森林模型，图4显示定位结果的可视化。

3.6街道活动分析

为构建一个更具说服力、更全面的模型，阐述城市活力与NICE2035活动（补充表S3）之间的相关性，需要进行行为模式分析，包括街道上人们的停留点和轨迹分析。

停留点分析。停留点可以反映行人的活动信息，将空间轨迹转化为语义轨迹。通过分析停留点的数量、密度、位置和时间间隔，我们可以评估对行人的影响，并进一步确定城市干预措施是否改变了人们的活动和行为模式，以及是否提升了城市活力。

停留点的识别有助于挖掘用户的GPS轨迹，这些停留点是特定用户感兴趣的地点，企业可以基于此为用户提供个性化推荐（Li et al., 2008）。本文采用相同的停留点检测算法来处理地理定位的电信数据，进行分析并执行聚类分析，以识别不同规模、形式和类型的活动群体（Noyman et al., 2019）。此外，还采用了基于速度的识别算法来提取轨迹中的停留点（Cai et al. 2020）。

在定义停留点时，需要设定时间和空间两个阈值（时间阈值和距离阈值）。在分析了场地规模和对行人活动时间的细粒度基本认知和控制后，本次研究认为10分钟和20分钟可以作为检测停留点的两个阈值。

图5可视化了位置和停留点。6种不同颜色的点代表位置点，圆圈代表停留点，直径代表停留时间。这两个图表比较了两个周四的情况：其中一个周四在选定的时间内（2018年10月6日下午2:40至2:50）有活动，而另一个周四NICE2035实验室根本没有活动。从图5我们可以推断，在有活动的时间内停留点更多。此外，a、b、c、e组的人在人口数量和停留点上都比d和f组（包括通勤和路过的人）要多。

轨迹分析。运用轨迹数据来表示街道上人们的移动活动，并可以获得关于城市环境中从空间乃至社会过程的丰富信息。

根据每个部分的功能将街区划分为十一个区域（如补充图S9所示），并依据每个人和每个小时对预处理数据进行分类，将每个人1小时内的活动视为一个轨迹。从早上8:00到晚上20:00，统计行人轨迹经过的区域数量和距离，结果如补充图S1所示。结果发现，停留在同一地点（最大距离等于0）和穿越所有区域（最大距离等于10）的轨迹是显著的。因此，我们将所有人分为三类：单一区域、全区域和部分区域。对于每个类别，我们还分别展示了每个区域人们的频率分析（补充图S1）。对于具有数据充足性和多样性的部分区域人群数据集，使用聚类分析进一步挖掘城市干预对移动事件的影响。

为了执行聚类分析，首先基于预处理数据计算亲和矩阵，并获得每两个轨迹之间的相似性。轨迹之间的相似性通过几何相似性和语义相似性两个维度来衡量。（详细信息见补充材料第2节）。

如图6所示，获得四个代表性的轨迹聚类，并使用边捆绑技术绘制于街道剖面图（参考补充图S9）（Gansner et al., 2011）。研究重要表明，C1和C4轨迹聚集在街区的右半部分，即仓库、垃圾站（右）、住宅区（右）和市场。这是之前提到的移动活动频率最高的区域，结合各部分的语义，这两种类型的移动活动与人们的日常生活有关。至于C3移动事件，它们有非常明显的东西向位移，因此大部分轨迹可能与穿越LivingLine有关，例如通勤。C2类型的移动活动穿过仓库（H），经常到达便利店和管家区域（E、F、G）。与C1和C4相比，可视化显示C2的轨迹被吸引到街道的左侧，从几何上讲，这些轨迹连接了实验室区域（D）和街道的右端，这表明C2是与实验室相关事件轨迹最相关的聚类。随后，运用统计数据来证实这些相关性。

如表2和图7所示，根据四个代表性聚类分别计算NICE2035是否有活动的日子的移动活动频率和百分比。在图7中，观察到C1在常规情况下的频率最高。相比之下，在NICE2035活动日，C2类别的移动活动有显著增加，超过了C1成为频率最高的类别，这证实了C2与NICE2035活动之间的相关性。

回归分析。本文最终目标是提供一种理解城市干预对街道动态的影响的方法论，特别是对不同人群流动性模式的影响。在本文的案例中，特别关注NICE2035活动是否产生显著影响。使用一种能够捕捉面板数据中多个变量和特征之间线性关系的模型，即面板数据回归模型，来描述人类活动的不同维度如何依赖于几个预测变量。

面板数据，也称为纵向或横截面时间序列数据，是一种数据集，观察时间上的实体行为。在本研究中，一天中某个时段的人类动态模式被视为独特的主体，例如：从早上8点到9点居民群体的设备数量，代表横截面维度。每个主体在3个月的时间里被观察了多天，代表了时间序列维度。面板数据允许我们控制我们不感兴趣的变量，比如一天中不同小时的差异。

方程（1）显示了本研究中面板数据回归的方程：

在本研究的面板数据回归模型中，αi（i = 1…n）代表每个观测对象特有的未知截距。Yit是因变量，其中i代表观测对象，t代表时间点。Xit代表一个自变量，β1到β4是这些自变量的系数，μit是误差项。

人类动态可能受到城市干预以及雨和温度等环境因素的影响。模型中包含了几个时变虚拟变量作为解释变量：Eventsit表示在时间t对于观测对象i是否有NICE2035事件发生，Rainit和Temp代表当时的气象条件。由于数据跨越3个月，具有明显的时间序列特性，人类动态自然会在工作日和周末之间波动，以及在不同月份之间变化，这些变化并非本研究关注的重点。因此，引入了月份虚拟变量Monthit和工作日虚拟变量Weekdayit来吸收与月份和工作日相关的影响。

模型通过寻找β1至β5的值来拟合，使得估计误差的平方和最小化。面板数据回归能够提供变量之间关系的直观理解，包括p值，这显示了关系的统计显著性水平。R平方是衡量线性回归模型拟合观察数据好坏的一个指标。

与人口的相关性。从回归结果中发现NICE2035活动可能对居民和工作者的数量有一定的积极影响，但并不显著（表3）。这意味着对于那些已经在此街道工作或生活的人来说，这些活动仍然没有足够的吸引力。然而，研究发现NICE2035活动显著增加了通勤者、访客和过路人的数量。最明显的影响是对访客，NICE2035活动期间每小时的平均访客数量将增加6.5人。对于通勤者和过路人，这个数字分别是2.26和2.95。这表明NICE2035活动在吸引街道外部人员方面可能具有重要的激活效应。他们是活动的主要目标群体，结果表明NICE2035活动是他们访问的重要原因。

此外，研究发现雨天与工作者、访客和过路人有强烈的负相关性。这也是直观的，因为在雨天老巷子不易行走。与周末相比，在工作日每小时的居民工作者、工作者和通勤者的数量会更多，而居民的数量则显著减少，因为他们会离开社区去外面工作，这也符合常识。

与停留点的相关性。研究检测从8:00到20:00共93天的观测数据中的停留点，并如下表4所示进行了数据分析：

NICE2035活动对行人活动有积极影响，这一点直接反映在停留点上。在活动期间，所有人群的停留点数量呈现出增加趋势。更显著的是，居民每小时的平均停留点数量增加了4040，访客增加了2973。结果表明，NICE2035活动可能吸引了这两组人停留。

与轨迹的相关性。研究统计8:00到20:00共93天的轨迹数量，并将轨迹分为两部分：与实验室相关的轨迹和与实验室无关的轨迹。

对于与实验室无关的轨迹（表5），数据显示居民工作者、通勤者和访客受到NICE2035活动的极大影响，轨迹数量显著增加。

对于与实验室相关的轨迹（表6），数据显示NICE2035活动对通勤者的影响不显著。居民工作者和访客仍然受到NICE2035活动的极大影响。

分析结果的解释。回归分析表明，NICE2035活动对居民和工作者的数量影响有限，但显著增加了通勤者、访客和过路人的数量，特别是对访客数量的影响尤为显著，平均每小时增加6.5人，居民和访客的停留时间也呈现出增加趋势。此外，居民工作者、通勤者和访客的轨迹数量也有显著增加。

这些发现表明，NICE2035活动有能力吸引更多的外来人口前来访问和停留。正如Noyman等人（2019年）所建议的，这种停留行为是更高社交活动和互动的指标，这意味着NICE2035活动促进了社交参与和互动，从而增强了城市活力。

【结论】

本研究提出一种全面、可扩展的基于证据的方法论，用于研究街道尺度的人类动态，这对于成功的城市干预设计至关重要。尽管研究发现物理变化/事件与城市活力之间的相关性并不总是显著的，且模型的数据准确性需要提高，但本研究已经展示了理解街道实时人类动态、识别城市干预与街道动态在时间和空间维度上的相关性的能力。案例研究中使用的LivingLine上海的数据完全基于Wi-Fi探针数据，这种数据低成本且易于收集。这种方法的低成本使其能够大规模实施。此外，Wi-Fi感知的高准确性使其成为研究细粒度实时人类行为的强大工具。最后，本次研究想强调两个发现，作为对运用方法论的验证：首先，如前文所述，研究中提出的方法论成功捕捉了上海四平街道发生的细粒度时间（按分钟）和空间模式的城市活力；其次，正如预期的那样，与实验室无关的用户密度和多样性与天气、工作日、假期和城市干预显著相关。

本研究有几个局限性需要考虑。首先，由于老年人可能不使用手机或智能手机，Wi-Fi探针方法对他们不起作用，因此大多数数据可能来自年轻一代，这可能存在偏差；此外，智能手机操作系统可能会更改MAC地址以保护用户隐私，这可能会在收集的数据中产生偏差；最后，Wi-Fi定位的准确性有待进一步提高，探索一些前沿方法（Shen et al., 2016）来实现这一点将是有价值的。

总之，尽管存在一些小的局限性，研究中提出的方法论仍然是进行城市测量街道层面城市活力和理解其与城市干预相关性的最有前景和洞察力的方法之一，而且不会损害用户的数据隐私。本次研究的方法在分析细粒度城市干预对城市活力的影响以及为空间使用评估提供定量证据方面具有潜在应用。

下一步计划通过将LivingLine作为城市生活实验室来提升研究。未来将从传统街道的日常城市动态中获得洞见，在传统街道可以实施室内外协作方法，研究人们在不同类型空间之间的旅行以及他们与各种对象的互动。这将使进一步探索研究发现，并展示本次研究方法在现实世界设置中的潜在应用。

【利益冲突声明】作者声明在本研究、文章撰写和/或发表过程中不存在潜在的利益冲突。
【资助信息】作者在本研究、文章撰写和/或发表过程中未获得任何财务支持。
【补充材料】本文的补充材料可在线获取。
【作者及邮箱】Yan Zhang (Ryan)，麻省理工学院媒体实验室城市科学研究小组博士生、研究助理。目前研究包括：1) 利用深度学习和计算机视觉等前沿人工智能技术进行城市大数据分析；2) 开发和部署CityScope——一个由人工智能、增强现实和可触摸用户界面（TUI）增强的城市决策支持系统，该系统使城市决策过程民主化。Chengliang Li，跨学科的设计师和研究者。兴趣方向包括城市科学、计算设计、数据可视化、人工智能和区块链。Jiajie(Chance) Li，麻省理工学院媒体实验室城市科学研究小组研究生、研究助理。专注于使用计算和感知技术洞察城市。目前正在与麻省理工学院城市科学小组合作，使用去中心化自治组织（DAO）促进城市中的亲社会、可持续行为。Zhiyuan Gao，南加州大学计算机科学硕士生，专攻计算机图形学、基于物理的仿真和深度学习。曾在同济大学-麻省理工学院城市科学实验室实习，从事行人模式挖掘工作，并在土木工程减灾国家重点实验室专注于结构健康监测。Tianyu Su，城市研究者、企业家，致力于城市、人类和技术的交叉领域，希望通过更深入地理解社会和人类行为来塑造更好的城市。Can Wang，同济大学（中国）和麻省理工学院（美国）、博士后，研究集中于空间行为分析和行人模拟。Hexin Zhang，同济大学交互设计硕士生、同济大学-麻省理工学院城市科学实验室学生研究员。在上海LivingLine项目中，主要负责Wi-Fi数据的收集、分析和可视化。Teng Ma，土木工程减灾国家重点实验室的博士生，研究重点在于使用数据驱动方法预防灾害。Yang Liu，麻省理工学院媒体实验室的访问学者。研究兴趣包括城市数据分析、仿真以及人工智能辅助的设计决策系统（涉及建筑学/城市设计/计算机科学/可触摸人机交互的跨学科研究）。Weiting Xiong，麻省理工学院城市科学小组的访问学生、是中国东南大学建筑学院的博士候选人。Ronan Doorley，工程师、数据科学家，擅长空间分析和城市中人类行为的高分辨率建模。作为麻省理工学院城市科学小组的研究科学家，构建模型和仿真来理解和预测城市现象，如交通拥堵、可达性、空间错配和环境影响。在都柏林三一学院获得了机械工程学士学位和交通工程博士学位。富布赖特奖学金、三一学院金奖和英国土木工程师学会里德与马利克奖章的获得者。Luis Alonso，城市科学小组的研究科学家、安道尔生活实验室项目的首席研究员。拥有建筑学博士学位、协调安道尔生活实验室项目。监督小组在城市科学协作城市网络中的多样化研究主题（能源消耗、城市仿真、城市流动性、创新区和智能住宅），以提供全面的解决方案，应对城市和国家的挑战，将城市转变为更多元化和充满活力的“社会化规模生态系统”。Lou Yongqi，上海同济大学设计创意学院院长、瑞典皇家工程科学院院士、中国工业设计协会副会长。Kent Larson，麻省理工学院媒体实验室城市科学（原变革之地）小组的负责人。研究重点在于开发能够使城市中更具创业精神、宜居性和高性能区域的城市干预措施。项目包括：用于城市设计的高级仿真和增强现实、针对千禧一代的可变形微型住宅、创造私家车替代方案的按需出行系统，以及在汉堡、安道尔、台北和波士顿部署的城市生活实验室。Kent Larson和他的研究小组的成员获得了UbiComp 2014年的“十年影响力奖”。这是一个“时间考验”奖项，用以表彰在过去十年中产生了最大影响的工作。