ARTICLE · 1040368
0数据,如何用AI做大数据收集并分析上海街道宜居度
0数据,如何用AI做大数据收集并分析上海街道宜居度其实和之前用AI做软件类似0代码基础，怎样在13天用AI做出Win11软件，我们不需要自己写python代码来完成数据爬取和统计分析，在AI的辅助下，我们需要做的核心更多还是在于业务层面【AI模型可以用元宝AI，Hy3或Hy4】： Step 1：需要理清对于分析街道的宜居性模型需要有哪些维度，然后围绕这些维度需要哪些指标来度量 Step 2：将这些指标交给AI去评估，是否收集数据是可行的，同时让AI辅助判断目前给定的维度、给的的指标是否能全面反应宜居度这个考量点，基于这些反馈，对模型进行修正（这个方案的核心难点其实在于数据收集） Step 3：让AI去做数据分析，基于指标来算综合排名，并基于排名来逆向排序，得到上海外环内各个街道的宜居度排名。 特别注意：如果对话过长，AI可能会遗失信息，所以重要的中间结果（比如excel）要保存好，防止你频繁增改字段，到时AI也搞不清楚需求和中间结果是什么了。 下图是top 30的排名（字段做了删减，以便手机浏览），建议横屏查看。需要强调的是，数据本身仅供参考，重点仍然是模型方案和考量点。当然之后感兴趣也可以把下面的提示词喂给AI（甚至自行修改维度、指标、权重），获取excel版本。 注意：由于AI可能每次获取的数据量会有增加，排名可能会略有变化 
下面其实也是可以喂给的AI提示词，但不包含生成表格、生成图片、合规申明等方面的内容。 模型核心逻辑是限定外环以内，以街道办为圆心，划了2公里（30分钟步行圈）和5公里（1小时公交通勤圈）两个圈层。综合分满分100，现状占90%，潜力占10%，前者反映实际可享受到的资源，后者就是2km在建/规划项，属于未来可以享受到的资源。具体维度、指标（字段）及权重如下，最后按综合分倒序输出前50个街道列表即可： 2km公园面积，占20%。步行可达的绿地是最硬核的宜居资源，权重最高。 5km环公园面积，占10%。5公里环形内（扣除2km内核）的公园面积，覆盖周末休闲范围。 5km在建/规划公园，占5%。绿地一旦建成几乎不可逆，必须提前计入（这里有个点注意，需要按） 2km超市/菜场，占15%，买菜、日常采购的步行可达性。这块独立于商场的统计，因为比后者，这属于更基本的需求，消费频次更高。 2km已运营地铁/公交站点，占15%。通勤便利性直接决定居住体验。 2km在建/规划地铁/公交站点，占3%。在建线路对远期价值有支撑。 2km商场数量，占15%权重：日常消费半径，权重高于5km层， 5km环商场数量，占5%：即5km环形内（扣除2km内核）的大型商业。 5km在建/规划商场，占2%。反映板块商业升级潜力。 5km三甲医院，占10%。优质医疗资源的距离权重（一般街道都有社区医院，所以小毛小病不用就近跑三甲） （1）同一街道，不同楼盘不同，不能作为街道层面的评分标准 房龄：老房子可以维护得好，新房子也可能缺乏社区氛围，单纯看建成年代太粗糙，同时同一个街道，会存在不同房龄的楼盘，暂作罢 噪音污染：不同楼盘不同，甚至不同房屋位置也有不同 采光污染：比如周边有玻璃商务楼（办公楼、商场）等 空气污染：比如周边有大型工厂，或者有农田（有秸秆燃烧风险） 风俗问题：比如周边有殡葬设施之类 （2）并非所有人关心，但部分人会依赖此做决策 重点小学评分：有娃或拟生娃家庭关心，其他家庭不关心，而且教育长期来看会均衡化，暂作为不作为评分标准 （3）属于评分决定的结果，本身不适合纳入评分标准 房价区间：市场定价反映的是稀缺性，不是居住体验本身，放进评分等于让"贵"替"好"背书，逻辑循环。而且抓取的数据准确性一般，所以也不能用于计算性价比指标 房租区间：同理 （5）属于辅助决策信息 在建/在售商品房：属于市场动态，不是宜居基础设施，不进公式 2km内的商场名称：含在建/规划，有校验上面的统计信息是否准确，同时可辅助参考 2km内的公园名称：含在建/规划，有校验上面的统计信息是否准确，同时可辅助参考。 （6）部分项目存在局限性或争议，不作为评分标准，是否要展示建议自定 街道是否靠近黄浦江、苏州河：也算是生态宜居的参考，毕竟是上海的地理特色，但亲水这点其实有2面性，好的方面是，亲水的话，有步道景观，但反过来想，亲水的话，对于住宿而言，会更潮湿，所以暂时作罢 街道距离人民广场距离：这种单点绝对距离标准也有争议，比如徐家汇离开人民广场远，但你不能说徐家汇区位优势不好吧，所以也暂时作罢
“本文基于AI进行大数据收集，并基于此评估上海外环内各街道的宜居度，以便给买房/租房提供一些参考，但需要说明的是，本文不涉及荐房或商业层面的事项，更多是探讨AI在大数据收集和数据分析中能起到的作用。同时，大数据本身由AI模型收集（指标是客观的，但数据可能不准），结果基于AI模型计算生成，模型参数及其权重是我（分析模型设计人）自定的，所以若模型本身参数设置或参数权重不合理，那么必然导致生成的结果有失偏颇，因此模型生成的结果仅供参考，更有价值的是分析模型和分析思路本身。”
考虑到数据可得性和计算的复杂程度，模型的统计单元不是具体楼盘，而是区级以下的街道这层，范围也限定在了外环内，那同一个街道，楼盘必然有差别，所以如果希望通过本文的模型或结果直接选房，那不可行，但正所谓离穴不离经，对于街道这一层的宜居度分析已经比较有意义了。
而关于宜居度，每个人的考虑权重都不同，有娃家庭可能在乎所在街道是否有学区房，工作的可能更在乎通勤，老年人更在乎就医，刚打拼的更在乎房价/租金能低点。本文的宜居度，定义是闹中取静，所谓静就是环境好（公园绿化多）、所谓闹，就是周边配套足（菜场/超市/商场/公交/地铁/医院），而如学区房并非人人在意的点，那么只作为模型的展示项，而非打分项。房价/租金也只是展示项（AI采集的不一定准，实测可能有较大偏差），所以这些仅供参考。
下文展示了模型产生过程和生成结果、以及模型方案和考量点，本身也是可以喂给AI的提示词，如果觉得模型框架是可以参考的，完全可以自己基于下面的提示词修改后，生成结果。
01 模型产生过程
02 模型生成结果