导语

随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。为了建设一个让人们幸福生活、可持续发展的城市，我们对于城市的基本运行规律迫切需要科学的认知。

近十几年来，数据获取手段的进步及计算技术的发展，为研究城市问题提供了新的机会。智能手机、物联网、卫星遥感使我们可以获取高精度的城市数据，提供了数据基础；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。

除了数据与方法外，复杂性科学（Complexity science）也极大地推动了城市科学的跨学科发展。复杂性科学从演生的视角，在不同的时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；同时，基于复杂系统的模拟方法也在实践中有广阔的应用前景。

在这个大背景下，集智俱乐部的“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，通过对“城市作为复杂系统”的理论、研究方法及应用的分享、讨论和梳理，促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。

本系列读书会线上进行，2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。读书会详情及参与方式见后文。

关键词：城市科学，复杂系统，规模法则，空间网络，GeoAI，因果推断

读书会概览

城市科学是一门新兴的交叉学科，它试图从科学的角度来理解城市这一复杂系统，探索城市的发展规律和运行机制，并为城市的实践提供指导。

本次城市科学读书会将围绕三个主题展开。

第一个主题是复杂系统视角下的城市科学，分为三个子主题：

城市系统的空间组织模式与交互（Spatial organization and interaction in urban systems）
城市中的标度律（Urban scaling laws）
空间网络、空间认知（Spatial networks and spatial cognition）

第二个主题是城市科学中的AI，分为三个子主题：

城市背景下的地理人工智能方法与模型（GeoAI methods and models in the urban context）
时空大数据与人工智能在城市中的应用（Spatiotemporal big data, AI, and cities）
透视未来城市科学中的人工智能（Perspectives of AI in urban science）

第三个主题是城市科学中的因果性，分为三个子主题：

城市科学视角下的因果论（Causality in urban science）
城市科学视角下的因果发现（Causal discovery in urban science）
城市科学视角下的因果推断（Causal inference in urban science）

以下是由三位发起人老师推荐的文献列表与相关学习资源。欢迎扫码查看收藏：

路径地址：https://pattern.swarma.org/article/233

读书会文献汇总

主题一：复杂系统视角下的城市科学 Urban science in a complex systems perspective

推荐人：董磊

简介：城市作为一个典型的复杂系统，由许多相互关联的要素组成，不仅包含物理空间和基础设施，也包含人口、经济、社会等要素，这些要素之间存在复杂的相互依赖关系。同时城市系统具有人口、物资、资金等输入输出的开放性，时间和空间的动态性，各要素之间的自组织和适应性，行为和影响的非线性等特点，这更增加了其复杂性和不确定性。

书

• Batty, M. (2013). The new science of cities. MIT press.

这本书是对城市科学相关议题的全面的总结。

• Barthelemy, M. (2016). The structure and dynamics of cities. Cambridge University Press.

这本书围绕城市的空间结构、动态演化过程，系统性引入了统计物理和复杂网络的建模方法，对一些重要的城市现象的演化过程进行了模型化探究。

• Bertaud, A. (2018). Order without Design: How Markets Shape Cities. MIT Press.

这本书从经济学与市场的视角分析了城市的空间结构是如何形成的，带有详细的数据与不同区域的比较。

• West, G. (2018). Scale: The universal laws of life, growth, and death in organisms, cities, and companies. Penguin.

这本书是生物系统及社会系统中标度律研究的重要著作。

• Bettencourt, L. M. (2021). Introduction to urban science: evidence and theory of cities as complex systems. MIT press.

这本书从复杂系统的视角来研究城市问题，同时结合了对经典的地理学、城市经济学理论的回顾与融合。

公众号文章：

《城市科学导论》：城市作为复杂系统的理论与实证 | 新书速览

《城市与复杂性手册》 | 新书速览

《城市和网络手册》 | 新书速览

《城市信息学》：城市系统的交叉前沿 | 新书速览

综述

• Barthelemy, M. (2019). The statistical physics of cities. Nature Reviews Physics, 1(6), 406-415.

这是一篇统计物理与复杂系统视角下的城市模型的综述，主要侧重于城市规模分布、标度律、社会隔离、多中心结构、人类移动性模型等方面。

• Jusup, M., Holme, P., Kanazawa, K., Takayasu, M., Romić, I., Wang, Z., … & Perc, M. (2022). Social physics. Physics Reports, 948, 1-148.

这是一篇对用物理学方法研究社会现象的综述（social physics），其中第二、三章节讨论了城市及交通领域的相关研究。

城市系统的空间组织模式与交互（Spatial organization and interaction in urban systems）

• Barbosa, H., Barthelemy, M., Ghoshal, G., James, C. R., Lenormand, M., Louail, T., … & Tomasini, M. (2018). Human mobility: Models and applications. Physics Reports, 734, 1-74.

这篇综述是对人类移动性研究领域的全面回顾。

• Louf, R., & Barthelemy, M. (2013). Modeling the polycentric transition of cities. Physical Review Letters, 111(19), 198702.

这篇论文扩展了经典的 Fujita-Ogawa 模型到非平衡态，解析式推导了城市从单中心到多中心的演化过程。

• Mori, T., Smith, T. E., & Hsu, W. T. (2020). Common power laws for cities and spatial fractal structures. Proceedings of the National Academy of Sciences, 117(12), 6469-6475.

这篇论文将城市规模分布的研究拓展到了二维空间（之前城市规模分布几乎不考虑空间属性）。

• Gonzalez, M. C., Hidalgo, C. A., & Barabasi, A. L. (2008). Understanding individual human mobility patterns. Nature, 453(7196), 779-782.

这是一篇人类移动性研究的经典文献，开创性地使用手机数据分析了一系列人类移动行为的指标与模式。

• Song, C., Koren, T., Wang, P., & Barabási, A. L. (2010). Modelling the scaling properties of human mobility. Nature Physics, 6(10), 818-823.

这是一篇个体移动性模型经典文献，提出了偏好探索与返回机制来解释移动行为中的标度律现象。

• Simini, F., González, M. C., Maritan, A., & Barabási, A. L. (2012). A universal model for mobility and migration patterns. Nature, 484(7392), 96-100.

这是一篇区域间人口流动经典文献，提出了「辐射模型」这一无参数模型来估计区域间的人口流动，「辐射模型」拓展了经典的中介机会模型。

• Alessandretti, L., Aslak, U., & Lehmann, S. (2020). The scales of human mobility. Nature, 587(7834), 402-407.

这篇论文通过手机数据分析了人类移动行为的尺度效应，提出了「Container Model」来解释由个体的移动轨迹所形成的城市空间层级结构。

• Verbavatz, V., & Barthelemy, M. (2020). The growth equation of cities. Nature, 587(7834), 397-401.

这篇论文通过引入模拟人口增长的随机方程以及一系列实证数据，揭示了城市增长是由城市间的人口迁移主导的，并由此进一步否定了 Zipf 定律的有效性。

• Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2021). A deep gravity model for mobility flows generation. Nature Communications, 12(1), 6576.

这篇论文将机器学习引入经典的重力模型，提出了「深度重力模型」来预测区域之间的人口流动。

• Schläpfer, M., Dong, L., O’Keeffe, K., Santi, P., Szell, M., Salat, H., … & West, G. B. (2021). The universal visitation law of human mobility. Nature, 593(7860), 522-527.

这篇论文通过手机数据分析，揭示了人类移动中的「距离-频率」平方反比法则。

公众号文章：

集智科学家董磊Nature刊文，揭示人类出行的普遍模式

Nat. Rev. Phys. 年度评论：从人类移动数据透视流行病传播

城市交通复杂系统背后的简单线性模型

地理学中的网络分析

PNAS：探索可持续发展之路，城市建成高度数据揭示全球基础设施不平等

城市中的标度律（Urban scaling laws）

• Ribeiro, F. L., & Rybski, D. (2023). Mathematical models to explain the origin of urban scaling laws. Physics Reports, 1012, 1-39.

这是一篇对城市标度律领域研究的全面综述。

• Bettencourt, L. M., Lobo, J., Helbing, D., Kühnert, C., & West, G. B. (2007). Growth, innovation, scaling, and the pace of life in cities. Proceedings of the National Academy of Sciences, 104(17), 7301-7306.

这篇论文是城市标度律研究经典文献，通过全球不同区域综合的数据分析，揭示了土地利用、基础设施、GDP等随人口规模的非线性变化。

• Bettencourt, L. M. (2013). The origins of scaling in cities. Science, 340(6139), 1438-1441.

这篇论文对城市标度律的出现机制进行了全面的理论模型分析。

公众号文章：

Physics Reports 最新综述：溯源城市规模法则的数学模型

从城市到国家：多学科视角的城市复杂系统

Luis Bettencourt：中国城市发展，仍然遵循普遍的规模法则

城市等级如何影响创新的空间扩散?——对300万个传播事件的研究

城市越大越不平等：个体不平等如何造就城市规模法则

PNAS前沿：城市规模越大，抑郁症患病率越低

Science Advances前沿：创新型城市的临界人口是120万

什么样的城市更宜居？层级性比城市大小重要

PNAS：大数据揭示非洲城市形态的规模法则

Science Advances：大城市再也不用赶人了，用拓扑学就能消灭棚户区

城市节律：犯罪也能像传染病一样在城市中传播吗？

空间网络、空间认知（Spatial networks and spatial cognition）

• Rosvall, M., Trusina, A., Minnhagen, P., & Sneppen, K. (2005). Networks and cities: An information perspective. Physical Review Letters, 94(2), 028701.

这篇论文从信息的视角分析了城市交通网络的属性。

• Coutrot, A., Manley, E., Goodroe, S., Gahnstrom, C., Filomena, G., Yesiltepe, D., … & Spiers, H. J. (2022). Entropy of city street networks linked to future spatial navigation ability. Nature, 604(7904), 104-110.

这篇论文研究了成长环境的路网复杂度对之后空间认知与导航能力的影响。

• Bongiorno, C., Zhou, Y., Kryven, M., Theurel, D., Rizzo, A., Santi, P., … & Ratti, C. (2021). Vector-based pedestrian navigation in cities. Nature Computational Science, 1(10), 678-685.

这篇论文通过 GPS 数据分析了步行数据的两个特征：偏离最短路径及非对称性，并通过建立一个基于矢量的模型来解释这些特性。

公众号文章：

Nature最新：从小在城市长大，空间导航能力更差？

矢量导航：移动大数据揭示人脑导航偏好

Nature Communication：人群移动行为新视角——矢量场模型

主题二：城市科学中的AI（Artificial Intelligence in urban science）

推荐人：朱递、寄家豪

简介：自20世纪80年代神经网络发展的联结主义（connectionism）时代开始，学者便开始尝试探索人工智能在解决地理问题中的潜力。神经网络与时空信息、城市科学的渊源也借此机会，在方法、模型和应用等维度持续深化着。近年来，随着人工智能的快速发展、大规模高质量时空数据的出现以及用于高效处理这些数据的软硬件设备的性能提升，大量研究尝试从数据驱动的角度理解城市复杂系统，并催生出了地理人工智能（Geospatial Artificial Intelligence, GeoAI）这一交叉学科概念。面向时空数据挖掘、特征提取、模式发现以及预测等任务的地理人工智能方法不断涌现，并被广泛应用于城市研究的方方面面。

城市背景下的地理人工智能方法与模型（GeoAI methods and models in the urban context）

• Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. (2020). GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. International Journal of Geographical Information Science, 34(4), 625-636.

这篇综述回顾了GeoAI用于地理知识发现的最新研究，解释了数据文化的变化如何推动GeoAI的快速增长，并指出了未来的研究方向。还呼吁开发空间显式模型和共享高质量的地理空间数据集，以推进可重复的GeoAI研究。

• Casali, Y., Yonca, N. A., Comes, T., & Casali, Y. (2022). Machine learning for spatial analyses in urban areas: a scoping review. Sustainable Cities and Society, 104050.

这篇综述是城市科学、空间数据分析和机器学习中最突出领域的概述以及具体应用方法的映射。

• Liu, P., & Biljecki, F. (2022). A review of spatially-explicit GeoAI applications in Urban Geography. International Journal of Applied Earth Observation and Geoinformation, 112, 102936.

基于581篇论文，这篇综述概述了空间显式GeoAI在研究城市和城市生活的社会经济维度方面的技术和应用。考察了城市地理学的三个领域，包括城市动力学、社会分化和社会感知。

• Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., & Carvalhais, N. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566(7743), 195-204.

这篇论文总结了用于天气预报、土地利用变化检测、大气通量预测和物理传输建模等地球科学任务的最先进的机器学习方法。它确定了在地球科学中成功采用深度学习方法的五大挑战：可解释性、物理一致性、复杂和不确定的数据、有限的标签和计算需求。

• Mai, G., Janowicz, K., Hu, Y., Gao, S., Yan, B., Zhu, R., … & Lao, N. (2022). A review of location encoding for GeoAI: methods and applications. International Journal of Geographical Information Science, 36(4), 639-673.

这篇论文给出了位置编码的正式定义，并对位置编码的研究现状进行了全面的综述。在GeoAI研究的背景下，对位置编码模型进行了分类和比较。

• Wang, S., Cao, J., & Philip, S. Y. (2020). Deep learning for spatio-temporal data mining: A survey. IEEE transactions on knowledge and data engineering, 34(8), 3681-3700.

这篇论文介绍了将RNN和CNN等深度学习技术应用于时空数据挖掘的最新进展。考虑到时空信息的数据类型/表示、数据挖掘任务的性质和应用领域，讨论了相应的深度学习模型。

• Jin, G., Liang, Y., Fang, Y., Huang, J., Zhang, J., & Zheng, Y. (2023). Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey. arXiv preprint arXiv:2303.14483.

这篇论文介绍了TCN、GNN、Transfomer等时空深度学习技术用于城市计算的全面综述，包括历史发展路径、最新技术进展、以及未来挑战和方向。

时空大数据与人工智能在城市中的应用（Spatiotemporal big data, AI, and cities）

• Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science, 353(6301), 790-794.

这篇论文提出了一种结合CNN模型、回归分析和高分辨率卫星图像的方法，以提供发展中国家贫困和财富社会经济指标的新数据。演示了卷积神经网络如何解释高达75%的地方经济结果变化，以及如何在训练数据有限的情况下应用强大的机器学习技术。

• Gebru, T., Krause, J., Wang, Y., Chen, D., Deng, J., Aiden, E. L., & Fei-Fei, L. (2017). Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States. Proceedings of the National Academy of Sciences, 114(50), 13108-13113.

这篇论文表明，使用基于深度学习的计算机视觉技术，可以从谷歌街景图像中检测到的汽车特征中推断出收入、种族、教育和投票模式等社会经济属性。

• Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 5(3), 1-55.

这篇论文在大数据与AI的背景下，给出了城市计算的清晰定义，并且从概念、方法到应用全面阐述了时空大数据与AI在城市科学中的各种应用，包括交通、环境、能源等。

• Dong, L., Ratti, C., & Zheng, S. (2019). Predicting neighborhoods’ socioeconomic attributes using restaurant data. Proceedings of the national academy of sciences, 116(31), 15447-15452.

使用易于访问且及时更新的餐厅属性，这篇论文训练了一个机器学习模型来估计一系列社会经济属性。通过在调查数据丰富的城市中训练模型，然后将其应用于无法获得此类数据的城市，来检验跨城市的可转移性。

• Zhu, D., Zhang, F., Wang, S., Wang, Y., Cheng, X., Huang, Z., & Liu, Y. (2020). Understanding place characteristics in geographic contexts through graph convolutional neural networks. Annals of the American Association of Geographers, 110(2), 408-420.

这篇论文使用图卷积神经网络（GCN）将地方之间的空间交互建模为图，其中每个地方被形式化为一个节点，地方特征被编码为节点特征，地方连接被表示为边。利用北京240000多个POI，讨论了不同地点连接措施（自我连接、邻接和空间交互）对未观测区域特征预测精度的影响。

• Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2021). A deep gravity model for mobility flows generation. Nature communications, 12(1), 6576.

这篇论文引入深度重力模型来生成流量概率并估计区域流量强度。与空间交互建模中的经典引力模型相比，DG能够利用许多地理特征（例如土地利用、道路网络、交通、食品、卫生设施），并通过神经网络发现这些特征与流动之间的非线性关系。

• Zhang, F., Wu, L., Zhu, D., & Liu, Y. (2019). Social sensing from street-level imagery: A case study in learning spatio-temporal urban mobility patterns. ISPRS Journal of Photogrammetry and Remote Sensing, 153, 48-58.

这篇论文开发了一种深度卷积神经网络（DCNN）来识别街景图像中的高级场景特征，该特征可以解释城市道路网络中出租车出行每小时变化的66.5%。它提供了一种智能方法来弥合物理感知和人类活动感知之间的差距。

公众号文章：

Nature封面：机器学习携手卫星影像，理解电力设施与经济财富的因果关系

Nat. Commun. 速递：深度学习根据卫星图像检测全球垃圾场分布

使用机器学习预测快速变化的交通复杂网络

时空图神经网络结构搜索算法，解决城市交通预测问题

图网络如何助力城市大脑：跨时空大尺度网约车流量预测

速递：复杂多层网络揭示疫情下交通对空气污染的时空影响

透视未来城市科学中的人工智能（Perspectives of AI in urban science）

• Goodchild, M. F., & Li, W. (2021). Replication across space and time must be weak in the social and environmental sciences. Proceedings of the National Academy of Sciences, 118 (35).

这篇论文回顾人工智能在空间和时间分布现象中迅速出现的应用，并推测如何解决空间异质性原则。引入了弱可复制性的概念，以突出人工智能在时空中应用的挑战和潜力。

• Li, Z. (2022). Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost. Computers, Environment and Urban Systems, 96, 101845

这篇论文使用局部解释方法 (SHAP) 来解释和可视化 XGBoost 如何处理和提取空间效果。结果表明，作为一种黑盒方法，XGBoost 估计的空间效应与 SLM 和 MGWR 等空间统计模型中的空间效应相似。

• Ji, J., Wang, J., Jiang, Z., Jiang, J., & Zhang, H. (2022, June). STDEN: Towards physics-guided neural networks for traffic flow prediction. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 36, No. 4, pp. 4048-4056).

这篇论文构建了一个物理指导的AI模型，用于城市人群移动的高性能、可解释建模，能够为其他由微分方程主导的城市场景建模提供思路，比如城市传染病建模、城市空气质量建模。

• Xing, J., & Sieber, R. (2023). The challenges of integrating explainable artificial intelligence into GeoAI. Transactions in GIS.

这篇论文总结了将可解释人工智能（XAI）应用于地理空间深度神经网络的三大挑战（计算、地理数据处理和地理社会问题）。

• Hsu, C. Y., & Li, W. (2023). Explainable GeoAI: can saliency maps help interpret artificial intelligence’s learning process? An empirical study on natural feature detection. International Journal of Geographical Information Science, 37(5), 963-987.

这篇论文比较了流行的显著图生成技术及其在解释GeoAI和深度学习模型的推理行为方面的优缺点，特别是在应用于地理空间分析和图像处理任务时。

• Nelson, T. A., Goodchild, M. F., & Wright, D. J. (2022). Accelerating ethics, empathy, and equity in geographic information science. Proceedings of the National Academy of Sciences, 119(19), e2119967119.

这篇论文是加速地理信息科学中伦理、同理心和公平科学实践的指南。提供了以下三个对话：位置隐私和制图完整性引起的伦理问题；缺乏代表性的数据和无意中的推理错误如何限制我们建立导致同理心的知识的能力；GIS科学家如何通过支持社会正义的努力和实现空间科学及其工具的民主化来实现公平。

主题三：城市科学中的因果性（Casuality in urban science）

推荐人：李海峰

简介：城市是现代文明的基石，城市的发展面临着诸多关于“为什么”的问题，这些问题既是城市科学的基本科学问题，也是人类认知中好奇心驱使的天性，因果论无疑为这些问题的回答提供了系统性的思路和解决途径。因此城市科学视角下的因果性这一交叉学科概念应运而生。

城市科学视角下的因果论（Causality in urban science）

• James L R, Mulaik S A, Brett J M. Causal analysis: Assumptions, models, and data[M]. Beverly Hills (Calif.): Sage, 1983., 1983. https://lib.ugent.be/catalog/rug01:000116495

本书对根据经验数据检验因果假设的技术进行了回顾，讨论了它们在组织研究中的效用。本书概述了十种使用条件，并研究了这些方法在组织研究中的优势和劣势。同时本书还考虑了附着在因果关系概念上的哲学问题。

• Woodward J. Causation with a human face[J]. 2007. http://philsci-archive.pitt.edu/3844/

本书整合了来自哲学、计算机科学和其他学科关于因果推理的规范性研究工作及心理学中的描述性工作，并对主张理解每一种研究如何为另一种研究提供信息：规范性的想法可以暗示有趣的实验，而描述性的结果可以暗示重要的规范性概念。

• Hoel, E. P., Albantakis, L., & Tononi, G. (2013). Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences, 110(49), 19790–19795. https://doi.org/10.1073/pnas.1314922110

本文基于信息论定义了一种对因果关系的度量方法，并对简单系统在微观和宏观尺度上分别计算其有效信息。结果发现，发生因果涌现时宏观尺度上的模型可以更有效地对系统中的因果关系进行建模。

• Quantifying causality in data science with quasi-experiments | Nature Computational Science. (n.d.). Retrieved June 14, 2023, from https://www.nature.com/articles/s43588-020-00005-8

本文回顾了计量经济学中流行的发现因果关系的方法，这些方法利用现有数据中的（准）随机变化，展示了它们如何与机器学习相结合，在典型的数据科学环境中回答因果关系问题。

• Heo, U., & Tan, A. C. (2001). Democracy and Economic Growth: A Causal Analysis. Comparative Politics, 33(4), 463–473. https://doi.org/10.2307/422444

民主与经济发展之间的因果关系问题对发展理论尤为重要，明确这两个变量之间的理论关系有助于模型的具体化和理论的实证检验。本文采用格兰杰因果法，基于前期研究提供的论据，对民主和经济发展之间的因果关系进行建模。

• Tourism as a Long-Run Economic Growth Factor: An Empirical Investigation for Greece Using Causality Analysis—Nikolaos Dritsakis, 2004. (n.d.). Retrieved June 14, 2023, from https://journals.sagepub.com/doi/abs/10.5367/0000000041895094?journalCode=teua

本文基于误差修正模型的格兰杰因果检验对实际国内生产总值、实际有效汇率和国际旅游收入的因果关系进行分析，实证地考察了旅游业对希腊长期经济增长的影响。

城市科学视角下的因果发现（Causal discovery in urban science）

• Vonk, M. C., Malekovic, N., Bäck, T., & Kononova, A. V. (2023). Disentangling causality: Assumptions in causal discovery and inference. Artificial Intelligence Review, 1–37. https://doi.org/10.1007/s10462-023-10411-9

综述：本文基于Pearl因果层次结构的不同层次，对观测数据下因果发现及因果推论的不同概念进行全面回溯。从参数化和非参数化的角度来说明因果概念中的哪些假设是是必需的。

• Spirtes, P., & Zhang, K. (2016). Causal discovery and inference: Concepts and recent methodological advances. Applied Informatics, 3(1), 3. https://doi.org/10.1186/s40535-016-0018-x

本文旨在介绍自动因果推断所涉及的中心概念和原则，并介绍了从独立分布数据和时间序列中发现因果的新方法。

• Sugihara, G., May, R., Ye, H., Hsieh, C., Deyle, E., Fogarty, M., & Munch, S. (2012). Detecting Causality in Complex Ecosystems. Science, 338(6106), 496–500. https://doi.org/10.1126/science.1227079

本文提出了一种基于非线性状态空间重构的方法用于区分系统中的相关关系与因果关系，该方法相较于格兰杰因果发现方法，在动态系统弱耦合情况下的表现更好，并在实际生态系统的应用验证了该方法的有效性。

• Athey, S. (2017). Beyond prediction: Using big data for policy problems. Science, 355(6324), 483–485. https://doi.org/10.1126/science.aal4321

本文通过列举实际应用场景说明了预测与因果推断本质上的区别，论证了机器学习模型的预测能力与任务决策者的实际需求所存在的差距。

• Hyttinen, A., Eberhardt, F., & Hoyer, P. O. (2013). Experiment selection for causal discovery. Journal of Machine Learning Research, 14, 3041-3071.

随机对照实验是因果关系发现的可靠工具，但基于已有变量如何设计随机对照实验挖掘变量间的因果关系是比较困难的，本文旨在解释随机对照实验的可操作性理论结果，以及如何实验选择方面应用的具体问题。

城市科学视角下的因果推断（Causal inference in urban science）

• A Survey on Causal Inference | ACM Transactions on Knowledge Discovery from Data. (n.d.). Retrieved June 14, 2023, from https://dl.acm.org/doi/abs/10.1145/3444944

综述：本文对潜在结果框架下，对观测数据的因果推断方法进行了全面总结，并基于潜在结果框架下识别因果效应的三个关键假设，讨论和比较了基于传统统计和机器学习强化的因果推断方法。同时介绍了这些方法在广告、推荐、医学等方面的应用。

• Neal B. Introduction to Causal Inference[J]. 2015. https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf

本书全面地介绍因果推断知识，为初学者提供一个了解该领域的入门指南。从为什么需要进行因果推断引入因果推断知识，到如何应用因果推断解决问题、并将因果引入图领域进行探索。

• Zhu, J. Y., Zhang, C., Zhang, H., Zhi, S., Li, V. O. K., Han, J., & Zheng, Y. (2018). pg-Causality: Identifying Spatiotemporal Causal Pathways for Air Pollutants with Urban Big Data. IEEE Transactions on Big Data, 4(4), 571–585. https://doi.org/10.1109/TBDATA.2017.2723899

本文基于模式挖掘和贝叶斯学习的优势，提出了一种新模式辅助图形的因果分析方法“pg-Causality”，该方法可以基于城市大数据有效识别空气污染物的时空因果路径。

• Nguyen, H., Liu, W., & Chen, F. (2017). Discovering Congestion Propagation Patterns in Spatio-Temporal Traffic Data. IEEE Transactions on Big Data, 3(2), 169–180. https://doi.org/10.1109/TBDATA.2016.2587669

本文旨在从交通数据流中监测时空拥堵道路并对其因果关系进行分析。

• Causal inference in economics and marketing | PNAS. (n.d.). Retrieved June 14, 2023, from https://www.pnas.org/doi/abs/10.1073/pnas.1510479113

本文对经济学因果推理进行了基本介绍，通过机器学习的技术，更准确地估计反事实，从而潜在地改善因果推理。

• Angrist, J. D., & Krueger, A. B. (1991). Does Compulsory School Attendance Affect Schooling and Earnings? The Quarterly Journal of Economics, 106(4), 979–1014. https://doi.org/10.2307/2937954

本文对义务教育法对教育和收入的因果效应进行分析，通过回归和差分分析（DID），以确立义务教育法和教育成就之间的因果关系，并通过Wald估计法和两阶段最小平方（TSLS）回归法来估计教育的回报。

公众号文章：

如何用遥感影像做自然灾害的因果推断？

2021年诺贝尔经济学奖评述：解决重大社会问题的自然实验因果框架

面向因果规律的表示学习新方法——因果表征学习最新攻略

丁鹏：多角度回顾因果推断的模型方法

量化涌现：信息论方法识别多变量数据中的因果涌现

量化因果涌现表明：宏观可以战胜微观

城市科学读书会启动

城市是一场流动的盛宴，这里聚集多样化的人群、孕育科技文化创新，却也滋生交通拥堵、环境污染等问题。我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。

在这个大背景下，集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会从2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎感兴趣的朋友报名参与！