恒隆研究| 龙瀛研究团队——空置还是占用？集合住宅短期空置住房识别方法的比较分析

【作者】

赵慧敏、李伊彤、洪齐远、苏南西、荣丽华、龙瀛

清华大学恒隆房地产研究中心

清华大学建筑学院

北京工业大学建筑与城市规划学院

内蒙古工业大学建筑学院

【原文信息】

Zhao, H., Li, Y., Hong, Q., Su, N., Rong, L., & Long, Y. (2025). Vacancy or occupancy? A comparative analysis of methods for identifying short-term residential unit vacancy in multi-family housing. Building and Environment, 113608.

https://doi.org/10.1016/j.buildenv.2025.113608

内容导读

龙瀛教授团队的研究论文“Vacancy or occupancy? A comparative analysis of methods for identifying short-term residential unit vacancy in multi-family housing”（《空置还是占用？集合住宅短期空置住房识别方法的比较分析》），在SCI期刊Building and Environment在线发表。Building and Environment目前为JCR Q1期刊。

在高密度的城市区域，准确识别集合住宅的空置状态对于预测城市能源消耗、遏制房屋空置、预防犯罪以及提升居民体验至关重要。然而，空置研究主要集中在独立住宅上，忽略了集合住宅。为填补这一空白，我们对中国内蒙古的 16 栋集合住宅楼进行了研究，开发了一个空置识别框架，包括数据收集、住房识别与编码、多方法空置识别以及验证。通过数字表面模型对比确定了建筑轮廓和高度。利用日间点云数据对住宅进行编码，并通过夜间点云数据、户前图像和外立面图像分析其空置状态。分析采用了机器学习、多模态大语言模型和其他先进方法，并使用电量数据进行验证以评估方法准确性。研究结果表明，夜间点云数据易于获取，具有更高的准确性和实用性，而户前图像的准确性中等，外立面图像的准确性较低。本研究的主要贡献在于提出了可扩展的方法来识别集合住宅中的住房空置情况，并对其进行了验证，重点关注连续五天以上空置的住房。由于所有数据都是独立收集的，这些方法显示出显著的可转移性潜力。

图1：研究框架示意图

研究方法

本研究设计了一个包含数据采集、住房单元编码、多方法空置识别、交叉验证四个步骤的完整技术流程。

1.数据采集与处理：研究团队利用大疆DJI P4 RTK无人机在日间和夜间进行倾斜摄影，生成了日间点云、夜间点云、数字正射影像等三维数据。同时，研究人员使用智能手机实地拍摄了每个单元的户前图像、外立面图像，并记录了部分住户的电表消费数据用于最终验证。

2.住房单元识别与编码：利用数字表面模型数据提取建筑轮廓与楼层高度，再结合日间点云数据识别楼栋的入口和“一梯两户”的布局规律，实现了对1020个住房单元的自动化三维空间定位与唯一ID编码。

3.多方法空置识别：

o夜间点云数据法：通过机器学习模型（XGBoost）从日间点云中自动识别窗户位置，分析连续多晚（22次）夜间点云数据中对应窗户的亮度值。若某单元在所有观测时间段内均未亮灯，则被判定为空置。

o户前图像数据法：利用“通义千问”多模态大语言模型，自动识别门前图像中是否存在“未撕掉的单元门保护膜、催缴费通知”等空置特征，或是否存在“鞋架、快递、春联”等入住特征，并据此判断房屋状态。

o外立面图像数据法：同样采用多模态大语言模型分析立面图像，通过识别阳台是否“晾晒衣物、摆放绿植”或“窗帘紧闭、空无一物”等特征来推断房屋的空置情况。

4.准确性验证：研究以两次采集的电表读数之差作为判断空置的真实值（以一周耗电低于2度为阈值），并以此为基准，利用精确率（Precision）、召回率（Recall）和F1分数（F1-score）等指标，对上述三种方法的识别结果进行了严格的精度评估。

研究发现

1.三种方法精度对比：夜间点云数据表现最佳。与电表数据验证结果对比，夜间点云数据法的F1分数达到了0.85，是三种方法中准确度最高的。户前图像数据法表现中等，F1分数为0.77。而外立面图像数据法的精度最低，F1分数仅为0.46，主要原因是研究区住宅阳台多为封闭式玻璃，反光严重，极大干扰了对内部生活痕迹的观察。

图2：夜间点云数据识别的空置住房单元分布

2.方法的可推广性与实用性分析：

o夜间点云数据：尽管采集过程受天气影响，且设备成本相对较高，但其数据采集无需进入小区内部，自动化处理程度高，覆盖范围全面，展现出最佳的可转移性和应用潜力。研究还发现，数据采集次数达到15次后，F1分数即可超过0.80，这意味着在资源有限的情况下，可通过优化采集频率来平衡成本与精度。

o户前图像数据：该方法设备成本低（仅需手机），但需要投入大量人力进入楼栋逐户拍摄，且识别准确性易受住户生活习惯和社区管理水平的影响。

o外立面图像数据：该方法设备成本低（仅需手机），需要进入小区内部，但无需进入楼栋拍摄，但准确率较低。

o电力数据：虽然被用作验证基准，但其在实际应用中面临严峻的隐私和数据可访问性挑战。在许多城市，电表位于上锁的设备间，外部研究者难以接触，使其成为大规模应用中最不具可扩展性的数据源。

图3：不同数据源的准确性对比

综上所述，本研究不仅填补了集合住宅单元级别空置识别的方法空白，更通过实证对比，证明了基于无人机夜间点云数据的方法是一种兼具高精度、高效率与强可操作性的创新解决方案，为未来城市住房精细化管理提供了重要的技术支撑。

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。