城市系统是复杂系统的典型代表，其中基于物理建模与人工智能（AI）的融合为提升预测精度、可解释性与决策支持能力提供了极具前景的新范式。在这一背景下，人工智能擅长捕捉复杂的非线性关系，而物理模型则确保结果符合现实世界的物理规律，并提供可解释的见解。 本文系统回顾了物理引导人工智能（Physics-Informed AI）在城市应用中的研究进展。我们提出了一种分类体系，将现有方法划分为三种主要范式：物理-融合AI（Physics-Integrated AI）、物理与AI混合集成（Physics-AI Hybrid Ensemble）、AI-融合物理模型（AI-Integrated Physics），并进一步详述了七类具有代表性的方法。这一分类体系厘清了物理与AI融合的不同程度与方向，为基于具体应用需求和数据可用性选择与发展合适的方法提供指导。 我们系统梳理了物理引导AI在八大关键城市领域中的应用：能源、环境、经济、交通、信息、公共服务、应急管理以及城市系统整体层面。分析表明，这些方法通过结合物理规律与数据驱动模型，有效应对城市挑战，提升了系统的可靠性、效率与适应性。 通过综述现有方法及其城市应用，我们识别出当前研究中的关键空白，并提出未来的研究方向，为构建新一代智能城市系统建模方法奠定基础。

附加关键词：城市系统，物理引导人工智能，人工智能，物理理论

1 引言

物理学与人工智能（AI）的融合正推动科学研究范式的重大转变。2024年诺贝尔物理学奖和化学奖分别授予与人工智能相关的成果和科学家【115】【114】，突显了这一趋势。这不仅体现了AI方法的深远影响，也进一步强调了将物理与数据科学相结合在解决复杂系统问题方面的巨大潜力。

物理学通过严谨的数学表达与理论体系为解释世界提供了坚实基础，而人工智能则凭借其强大的模式提取与预测建模能力，已成为现代科学研究中的重要工具。这两种范式在不同领域中各有优势：例如，牛顿力学通过精确的数学公式表达自然规律【112】，而蛋白质结构预测【114】与天气预报【15】等领域则高度依赖高效的数据驱动建模【54】。

城市系统具有多维复杂性和动态交互特性，传统基于物理模型的方法或纯粹的数据驱动方法往往难以应对这些挑战【39, 202】。尤其是在涉及非线性关系的任务中，如交通流动或人口迁移，AI方法展现出强大的能力，能够从大规模历史数据中提取复杂模式并实现高精度预测。AI在处理大规模异构数据方面也表现出色，广泛应用于智能交通、电力系统和应急响应等领域，支持实时决策并增强系统响应能力【138】。

值得注意的是，许多城市问题在本质上受物理机制的主导，例如流体力学【172】、热传导【144】、污染物扩散【106】、重力驱动流动【153, 210】等。因此，在城市系统中开发物理引导AI方法具有重要意义。本文提出了一个系统的融合框架，用以梳理和分析物理引导AI在城市系统中的发展。

此外，我们将城市系统划分为七大核心子系统，涵盖从能源与环境等基础层，到公共服务和应急管理等上层服务领域。我们系统性地考察了各子系统中物理机制与数据特征之间的交互关系，并探讨相应的融合建模需求。

本文结构安排如下：第二章介绍物理引导AI方法的整体框架，并详述七类代表性融合方法；第三章阐述七大关键城市子系统及其背后的物理原理，突出在复杂城市建模中引入物理知识的必要性；第四章按子系统展开综述，探讨主要研究挑战并总结现有融合方法的实际应用；第五章讨论并展望未来研究方向；第六章为全文结语。