在面对复杂性和不确定性时，提升城市社区的功能特性以增强其韧性，对城市管理者和设计者至关重要。
目前，社区规划通常采用自上而下的方法，缺乏有效的指标来量化居民的非正式行为，从而导致与原计划的频繁冲突。
本研究介绍了 CommuniWave，这是一种旨在有效检测和量化城市社区非正式行为程度（DIB）的机器学习模型。该模型集成了基于 mmaction2 的行为捕捉网络（BCN）、自开发的 YOLOv10 模型（YLX）和使用随机森林的行为评估模型（BEM）。
最终，通过从街道视频生成 DIB 波动图，模型实现了动态监测，支持城市管理者做出更精细的决策，以提升社区的整体韧性。
博主点评： CommuniWave 通过结合先进的机器学习技术，提供了一种创新的方法来量化城市居民的非正式行为。这不仅有助于城市规划的科学化，还能有效提升社区的韧性，值得在更多城市推广应用。其方法论和技术实现为未来的研究提供了宝贵的参考。