This work addresses the problem of informational needs for urban proximity policies through empirical research. Urban proximity has emerged in the planning literature as a key strategy for sustainable urban development. In short, it is a strategy of facilitating urban configurations that minimize the need for travel and ensure access to basic urban functions, promoting local walking (or cycling) to achieve targets such as non-polluting mobility and healthy lifestyles.
Understanding which characteristics conform these urban configurations is informative for planning having local walking in mind. In this work, combinations of these characteristics will be reviewed and explored in the Metropolitan Region of Madrid, by examining walking travel behavior at varying short distances and purposes. Trip distance, built environment features like density, diversity, design, or destination accessibility, and demographic attributes, are rather consensually believed to exert significant effects on local mode choice. The present work addresses two main questions. On one hand, it presents a scoping review which focuses on recent empirical studies dealing with urban proximity, but also situates them in the broader context of the study of mode choice and the built and social environment.
This way, the state of the art both in the goals of proximity policies, and their associated research support, is addressed. On the other hand, the present work presents an empirical study of the case study of the Metropolitan Region of Madrid, leveraging recent methodological advances in the field. This study underpins the opportunity to experiment with new ways of exploring patterns of association between walking, and the social and built environment, in a context of growing demand for urban proximity policies. To do so, it leverages machine learning approaches to predict walking against other modes, exploring accuracy and predictors importance across an array of combinations of distance and purpose controls.
The empirical experiment addresses a subset of trip data that balances availability and detail, and attempts to capture the philosophy of urban proximity policies which focus on residential areas: travel survey data on home-based trips is analyzed, applying filters that include trip distance thresholds ranging from 600 to 1,500 meters and non-work purposes. A broad portfolio of social and built environment metrics is prepared and tested for modeling in multiple configurations and grouping strategies which help cross-validating the reliability of the final models, and evaluates different possible scenarios of data availability. The analysis is based on feature selection, which are workflows for attaining well specified machine learning models, removing sources of bias, selecting relevant features, and controlling overfitting.
Results suggest that even small changes in distance thresholds exert a great impact in all the model performance metrics; some purposes were the most easily predicted, sociodemographic variables are slightly more important overall, though some questions on their endogeneity to transport arise. Among built environment predictors, average building age, along with other street layout characteristics, pervasively obtain fairly accurate predictions too. While the effects of proximity thresholds and purpose have been proven very sensitive for the models, the sets of characteristics suggested are sometimes misleading, and still need further inspection.
RESUMEN
Este trabajo aborda el problema de las necesidades informativas para políticas de proximidad urbana mediante investigación empírica. La proximidad urbana ha surgido en la literatura sobre planificación como estrategia clave para el desarrollo urbano sostenible. En resumen, es una estrategia que promueve configuraciones urbanas que minimicen la necesidad de desplazamientos y garanticen el acceso a funciones urbanas básicas, promoviendo los trayectos a pie (o en bicicleta) para alcanzar objetivos como la movilidad no contaminante y estilos de vida saludables.
Entender las características de estas configuraciones urbanas es informativo para la planificación local en materia de caminabilidad. En este trabajo, se revisan y exploran combinaciones de estas características en la Región Metropolitana de Madrid, analizando el comportamiento de los viajes a pie en distancias cortas y con distintos propósitos. La distancia del viaje, las características del entorno construido (como densidad, diversidad, diseño o accesibilidad a destinos) y los atributos demográficos son elementos que, de manera bastante consensuada, se considera que influyen significativamente en la elección del modo de transporte local.
El presente trabajo aborda dos preguntas. Por un lado, una revisión exploratoria que se centra en estudios empíricos recientes sobre proximidad urbana, pero también los sitúa en el contexto más amplio del estudio de la elección del modo de transporte y el entorno construido y social. De esta manera, se aborda el estado del arte tanto en los objetivos de las políticas de proximidad como en su respaldo investigador asociado.
Por otro lado, se presenta un estudio empírico del caso de la Región Metropolitana de Madrid, aprovechando avances metodológicos recientes en el campo. Este estudio respalda la oportunidad de experimentar con nuevas formas de explorar patrones de asociación entre los desplazamientos a pie y el entorno social y construido, en un contexto de creciente demanda de políticas de proximidad urbana. Para ello, se aprovechan enfoques de machine learning para predecir los desplazamientos a pie frente a otros modos, explorando la precisión y la importancia de los predictores en diversas combinaciones de controles de distancia y propósito.
El experimento equilibra la disponibilidad y detalle de la información disponible, y capturar la filosofía de políticas de proximidad centradas en áreas residenciales: se analizan datos de encuestas de viajes con origen en el hogar, aplicando filtros que incluyen umbrales de distancia de viaje entre 600 y 1.500 metros y propósitos no laborales. Se construye y prueba un amplio espectro de métricas del entorno social y construido para su modelización en múltiples configuraciones y estrategias de agrupación, lo que ayuda a validar la fiabilidad de los modelos finales y evalúa distintos escenarios posibles de disponibilidad de datos. El análisis se basa en la selección de características (feature selection), que son flujos de trabajo para obtener modelos de machine learning bien especificados, eliminando fuentes de sesgo, seleccionando características relevantes y controlando el sobreajuste.
Los resultados sugieren que incluso pequeños cambios en los umbrales de distancia tienen un gran impacto en todas las métricas de rendimiento del modelo; algunos propósitos (como los cuidados o el estudio) son más fácilmente predecibles; las variables sociodemográficas son ligeramente más importantes en general, aunque surgen dudas sobre su endogeneidad respecto al transporte. Entre los predictores del entorno construido, la antigüedad media de los edificios, junto con otras características de configuración de la trama urbana, obtienen predicciones bastante precisas de manera persistente. Si bien los efectos de los umbrales de proximidad y el propósito han demostrado ser muy sensibles para los modelos, los conjuntos sugeridos a veces son contraintuitivos y aún requieren interpretación, y futura inspección.
This work addresses the problem of informational needs for urban proximity policies through empirical research. Urban proximity has emerged in the planning literature as a key strategy for sustainable urban development. In short, it is a strategy of facilitating urban configurations that minimize the need for travel and ensure access to basic urban functions, promoting local walking (or cycling) to achieve targets such as non-polluting mobility and healthy lifestyles.
Understanding which characteristics conform these urban configurations is informative for planning having local walking in mind. In this work, combinations of these characteristics will be reviewed and explored in the Metropolitan Region of Madrid, by examining walking travel behavior at varying short distances and purposes. Trip distance, built environment features like density, diversity, design, or destination accessibility, and demographic attributes, are rather consensually believed to exert significant effects on local mode choice. The present work addresses two main questions. On one hand, it presents a scoping review which focuses on recent empirical studies dealing with urban proximity, but also situates them in the broader context of the study of mode choice and the built and social environment.
This way, the state of the art both in the goals of proximity policies, and their associated research support, is addressed. On the other hand, the present work presents an empirical study of the case study of the Metropolitan Region of Madrid, leveraging recent methodological advances in the field. This study underpins the opportunity to experiment with new ways of exploring patterns of association between walking, and the social and built environment, in a context of growing demand for urban proximity policies. To do so, it leverages machine learning approaches to predict walking against other modes, exploring accuracy and predictors importance across an array of combinations of distance and purpose controls.
The empirical experiment addresses a subset of trip data that balances availability and detail, and attempts to capture the philosophy of urban proximity policies which focus on residential areas: travel survey data on home-based trips is analyzed, applying filters that include trip distance thresholds ranging from 600 to 1,500 meters and non-work purposes. A broad portfolio of social and built environment metrics is prepared and tested for modeling in multiple configurations and grouping strategies which help cross-validating the reliability of the final models, and evaluates different possible scenarios of data availability. The analysis is based on feature selection, which are workflows for attaining well specified machine learning models, removing sources of bias, selecting relevant features, and controlling overfitting.
Results suggest that even small changes in distance thresholds exert a great impact in all the model performance metrics; some purposes were the most easily predicted, sociodemographic variables are slightly more important overall, though some questions on their endogeneity to transport arise. Among built environment predictors, average building age, along with other street layout characteristics, pervasively obtain fairly accurate predictions too. While the effects of proximity thresholds and purpose have been proven very sensitive for the models, the sets of characteristics suggested are sometimes misleading, and still need further inspection.
RESUMEN
Este trabajo aborda el problema de las necesidades informativas para políticas de proximidad urbana mediante investigación empírica. La proximidad urbana ha surgido en la literatura sobre planificación como estrategia clave para el desarrollo urbano sostenible. En resumen, es una estrategia que promueve configuraciones urbanas que minimicen la necesidad de desplazamientos y garanticen el acceso a funciones urbanas básicas, promoviendo los trayectos a pie (o en bicicleta) para alcanzar objetivos como la movilidad no contaminante y estilos de vida saludables.
Entender las características de estas configuraciones urbanas es informativo para la planificación local en materia de caminabilidad. En este trabajo, se revisan y exploran combinaciones de estas características en la Región Metropolitana de Madrid, analizando el comportamiento de los viajes a pie en distancias cortas y con distintos propósitos. La distancia del viaje, las características del entorno construido (como densidad, diversidad, diseño o accesibilidad a destinos) y los atributos demográficos son elementos que, de manera bastante consensuada, se considera que influyen significativamente en la elección del modo de transporte local.
El presente trabajo aborda dos preguntas. Por un lado, una revisión exploratoria que se centra en estudios empíricos recientes sobre proximidad urbana, pero también los sitúa en el contexto más amplio del estudio de la elección del modo de transporte y el entorno construido y social. De esta manera, se aborda el estado del arte tanto en los objetivos de las políticas de proximidad como en su respaldo investigador asociado.
Por otro lado, se presenta un estudio empírico del caso de la Región Metropolitana de Madrid, aprovechando avances metodológicos recientes en el campo. Este estudio respalda la oportunidad de experimentar con nuevas formas de explorar patrones de asociación entre los desplazamientos a pie y el entorno social y construido, en un contexto de creciente demanda de políticas de proximidad urbana. Para ello, se aprovechan enfoques de machine learning para predecir los desplazamientos a pie frente a otros modos, explorando la precisión y la importancia de los predictores en diversas combinaciones de controles de distancia y propósito.
El experimento equilibra la disponibilidad y detalle de la información disponible, y capturar la filosofía de políticas de proximidad centradas en áreas residenciales: se analizan datos de encuestas de viajes con origen en el hogar, aplicando filtros que incluyen umbrales de distancia de viaje entre 600 y 1.500 metros y propósitos no laborales. Se construye y prueba un amplio espectro de métricas del entorno social y construido para su modelización en múltiples configuraciones y estrategias de agrupación, lo que ayuda a validar la fiabilidad de los modelos finales y evalúa distintos escenarios posibles de disponibilidad de datos. El análisis se basa en la selección de características (feature selection), que son flujos de trabajo para obtener modelos de machine learning bien especificados, eliminando fuentes de sesgo, seleccionando características relevantes y controlando el sobreajuste.
Los resultados sugieren que incluso pequeños cambios en los umbrales de distancia tienen un gran impacto en todas las métricas de rendimiento del modelo; algunos propósitos (como los cuidados o el estudio) son más fácilmente predecibles; las variables sociodemográficas son ligeramente más importantes en general, aunque surgen dudas sobre su endogeneidad respecto al transporte. Entre los predictores del entorno construido, la antigüedad media de los edificios, junto con otras características de configuración de la trama urbana, obtienen predicciones bastante precisas de manera persistente. Si bien los efectos de los umbrales de proximidad y el propósito han demostrado ser muy sensibles para los modelos, los conjuntos sugeridos a veces son contraintuitivos y aún requieren interpretación, y futura inspección. Read More
Related posts:
Book of Abstract. Proximity Planning International Congress
La proximidad a través del prisma de la inclusión
Evaluating the impact of urban design scenarios on walking accessibility: the case of the Madrid Centro district
Plan de Ciudad Saludable para el CEIP “Tomás Bretón” y su Barrio de proximidad
Regereneración Urbana en la Ciudad Consolidada: Shanghái
Indoor Group Identification and Localization Using Privacy-Preserving Edge Computing Distributed Camera Network