基于深度學(xué)習(xí)的城市形態(tài)感知識(shí)別、生成建模與仿真模擬

方舟，鄭舒文，趙亮

0 引言

根據(jù)聯(lián)合國(guó)人居署數(shù)據(jù)，目前世界上超過(guò)一半的人口生活在城市，預(yù)計(jì)到2035 年，這一比例將增加到62.5%。我國(guó)的城鎮(zhèn)化率也從改革開放之初不足20%，躍升到2011 年的超過(guò)50%。國(guó)家“十四五”規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要提出，“十四五”時(shí)期我國(guó)常住人口城鎮(zhèn)化率將提高到65%[1]。面對(duì)持續(xù)增長(zhǎng)的城鎮(zhèn)人口和日益復(fù)雜的城市環(huán)境，我國(guó)城市建設(shè)已經(jīng)從注重“數(shù)量”轉(zhuǎn)變?yōu)殛P(guān)注“質(zhì)量”，提質(zhì)增效已成為城市規(guī)劃設(shè)計(jì)界面臨的新課題[2]。

面對(duì)上述新課題，新時(shí)期的城市設(shè)計(jì)往往需要根據(jù)規(guī)劃制定的指標(biāo)性要求，反復(fù)斟酌、推敲多種片區(qū)形態(tài)方案，以尋求更優(yōu)的路網(wǎng)結(jié)構(gòu)和建筑布局，實(shí)現(xiàn)對(duì)整體城市形態(tài)的控制[3]。同時(shí)，為了實(shí)現(xiàn)城市設(shè)計(jì)工作的“提質(zhì)增效”，設(shè)計(jì)師需要在設(shè)計(jì)時(shí)間窗口期內(nèi)盡可能多地提出高質(zhì)量三維形態(tài)方案并進(jìn)行合理模擬推演，以支持方案的優(yōu)化和比選?！肮び破涫拢叵壤淦鳌?，為了響應(yīng)國(guó)家城鎮(zhèn)化進(jìn)程新階段中遇到的新挑戰(zhàn)與高要求，城市規(guī)劃設(shè)計(jì)界亟需快速、智能的技術(shù)來(lái)輔助設(shè)計(jì)豐富多樣的高質(zhì)量城市形態(tài)方案。

1 數(shù)字技術(shù)與計(jì)算機(jī)輔助城市設(shè)計(jì)

近年來(lái)，在計(jì)算機(jī)算力和算法都取得突破的大背景下，以深度學(xué)習(xí)為代表的新一代人工智能技術(shù)取得重大進(jìn)展，在各領(lǐng)域得到廣泛應(yīng)用。計(jì)算機(jī)輔助城市規(guī)劃和設(shè)計(jì)技術(shù)迎來(lái)全面數(shù)字化和智能化升級(jí)迭代的重要機(jī)遇。更好地利用新一代人工智能技術(shù)以助力城市規(guī)劃設(shè)計(jì)工作的提質(zhì)增效，已成為規(guī)劃設(shè)計(jì)行業(yè)的迫切需求和研究前沿[4-6]。雖然現(xiàn)有深度學(xué)習(xí)算法在城市規(guī)劃設(shè)計(jì)領(lǐng)域的多個(gè)獨(dú)立任務(wù)上均有應(yīng)用嘗試[7-11]，但總的來(lái)說(shuō)，在深度學(xué)習(xí)框架下，針對(duì)城市設(shè)計(jì)任務(wù)特點(diǎn)與城市形態(tài)固有特性進(jìn)行深度學(xué)習(xí)算法突破的研究不多，瞄準(zhǔn)城市形態(tài)“感知識(shí)別”“生成建模”到“仿真模擬”的全鏈路深度學(xué)習(xí)智慧賦能研究較少。因此，如何深入挖掘深度學(xué)習(xí)技術(shù)的超強(qiáng)潛力，遵循城市規(guī)劃設(shè)計(jì)工作固有特性，更新迭代現(xiàn)有計(jì)算機(jī)輔助城市設(shè)計(jì)技術(shù)與框架，為現(xiàn)有輔助設(shè)計(jì)工具的智能化升級(jí)提供新思路顯得尤為重要。

縱觀國(guó)內(nèi)外現(xiàn)有計(jì)算機(jī)輔助城市設(shè)計(jì)技術(shù)，兩大類方法被用于城市形態(tài)的生成和建模：基于過(guò)程與規(guī)則的方法和基于深度學(xué)習(xí)的方法。

1.1 基于過(guò)程與規(guī)則的計(jì)算機(jī)輔助城市形態(tài)生成建模方法

基于過(guò)程與規(guī)則的方法是一種利用計(jì)算機(jī)算力自動(dòng)化執(zhí)行人工制定的邏輯過(guò)程與生成規(guī)則快速輸出特定內(nèi)容的生成方法。這種方法在計(jì)算機(jī)圖形學(xué)領(lǐng)域的虛擬世界（Virtual World）合成建模中有廣泛應(yīng)用，并在近年被應(yīng)用于城市形態(tài)輔助設(shè)計(jì)和城市形態(tài)生成建模[12]。

城市路網(wǎng)形態(tài)生成方面，Parish 和Muller[13]開創(chuàng)性地將并行重寫系統(tǒng)（Lindenmayer 系統(tǒng)）引入城市設(shè)計(jì)建模領(lǐng)域，并基于此提出了一套城市路網(wǎng)生成建模方法。該方法可以根據(jù)用戶設(shè)定的參數(shù)，執(zhí)行用戶選定的系統(tǒng)內(nèi)嵌普適城市路網(wǎng)生成規(guī)則，半自動(dòng)生成相應(yīng)的城市路網(wǎng)形態(tài)。此后，加權(quán)非均質(zhì)最短路徑算法（Weighted Anisotropic Shortest Path Algorithm）、空間殖民算法（Space Colonization）、層級(jí)系統(tǒng)（Layer System）等算法也被用來(lái)表征城市路網(wǎng)幾何或拓?fù)潢P(guān)系，繼而被編程轉(zhuǎn)化為生成規(guī)則來(lái)驅(qū)動(dòng)城市路網(wǎng)自動(dòng)化生成與建模[14-16]。Benes 等[17]和Garcia-Dorado 等[18]則關(guān)注城市路網(wǎng)功能表現(xiàn)與最終城市路網(wǎng)形態(tài)的關(guān)系，以優(yōu)化路網(wǎng)功能表現(xiàn)為目標(biāo)建立城市路網(wǎng)生成規(guī)則，提出了根據(jù)模擬結(jié)果迭代調(diào)整、逐步優(yōu)化的城市路網(wǎng)生成方法。

建筑布局與形態(tài)生成方面，基于過(guò)程與規(guī)則的方法也有廣泛應(yīng)用。根據(jù)城市路網(wǎng)生成結(jié)果和用戶預(yù)設(shè)參數(shù)，Parish 等[13,19-20]將路網(wǎng)劃分出的地塊繼續(xù)切分以確定建筑位置，并使用Lindenmayer 系統(tǒng)在不同位置依次生成建筑形態(tài)。為了在地塊內(nèi)生成多方案建筑布局，楊俊宴和朱驍[3]提出了基于案例的適應(yīng)性算法，利用現(xiàn)有城市建筑、路網(wǎng)數(shù)據(jù)構(gòu)建案例庫(kù)，根據(jù)設(shè)計(jì)指標(biāo)契合度與幾何形態(tài)相似度等維度來(lái)制定規(guī)則，并基于此完成案例與設(shè)計(jì)目標(biāo)地塊的匹配。為了生成更加細(xì)致的建筑形態(tài)，基于形狀語(yǔ)法（Shape Grammar）的生成規(guī)則也被提出并應(yīng)用于建筑生成建模中[21-23]。在大量設(shè)計(jì)實(shí)踐中，以強(qiáng)排方法為代表的建筑布局生成式設(shè)計(jì)和優(yōu)化方法也有廣泛應(yīng)用[24-25]。與強(qiáng)排法需要先枚舉大量方案再針對(duì)目標(biāo)篩選方案的思路不同，Garcia-Dorado 等[26]和Vanegas 等[23]將馬爾科夫鏈蒙特卡洛優(yōu)化求解算法嵌入生成過(guò)程，實(shí)現(xiàn)針對(duì)單一生成方案的“生成—評(píng)價(jià)—優(yōu)化”的回路。

1.2 基于深度學(xué)習(xí)的城市形態(tài)生成方法

近來(lái)，人工智能聊天機(jī)器人程序ChatGPT（Chat Generative Pre-trained Transformer）席卷全球，再次引發(fā)了學(xué)界和產(chǎn)業(yè)界對(duì)人工智能生成內(nèi)容（Artificial Intelligence Generated Content,AIGC）的強(qiáng)烈關(guān)注。事實(shí)上，在ChatGPT 風(fēng)靡全球之前，基于機(jī)器視覺技術(shù)和自然語(yǔ)言處理技術(shù)的深度學(xué)習(xí)生成算法就已經(jīng)在圖像生成、圖像補(bǔ)全、文本生成、人機(jī)對(duì)話等內(nèi)容生成任務(wù)上有廣泛應(yīng)用。然而，深度學(xué)習(xí)生成算法在城市規(guī)劃設(shè)計(jì)領(lǐng)域的應(yīng)用還比較少。

現(xiàn)有基于深度學(xué)習(xí)的城市形態(tài)生成模型利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）等深度學(xué)習(xí)主干網(wǎng)絡(luò)提取海量案例庫(kù)中的城市形態(tài)特征要素，并基于此利用對(duì)抗生成網(wǎng)絡(luò)（Generative Adversarial Network,GAN）等生成架構(gòu)學(xué)習(xí)預(yù)測(cè)生成城市肌理，確保生成的城市肌理方案特征分布與訓(xùn)練數(shù)據(jù)集保持一致（生成方案模仿訓(xùn)練案例特征與風(fēng)格）。

基于上述深度學(xué)習(xí)框架，Hartmann 等[27]提出了基于CNN 和GAN 城市路網(wǎng)生成模型StreetGAN。其中，CNN 作為模型主干網(wǎng)絡(luò)負(fù)責(zé)城市路網(wǎng)幾何特征的感知、提取、編碼。GAN架構(gòu)則基于CNN 構(gòu)建生成器（Generator）來(lái)生成新的路網(wǎng)圖片，構(gòu)建判別器（Discriminator）來(lái)判斷生成路網(wǎng)圖片是否來(lái)自真實(shí)的訓(xùn)練數(shù)據(jù)集。兩者通過(guò)迭代對(duì)抗訓(xùn)練，直至生成器生成的新數(shù)據(jù)無(wú)法再被判別器辨別真?zhèn)危葱聰?shù)據(jù)是否與訓(xùn)練數(shù)據(jù)集的特征具有一致性）。此時(shí)，建立了“刺激—響應(yīng)”機(jī)制的生成器就可以被用來(lái)生成與訓(xùn)練數(shù)據(jù)風(fēng)貌統(tǒng)一的城市路網(wǎng)（圖1）。采用類似技術(shù)路徑，基于CNN 與GAN 的深度學(xué)習(xí)生成模型也被嘗試應(yīng)用于建筑布局生成和建筑形態(tài)預(yù)測(cè)等任務(wù)。鄧巧明等[11]、Liu 等[28]和陳夢(mèng)凡等[29]采用CNN 和GAN，通過(guò)學(xué)習(xí)少量標(biāo)注校園布局案例，訓(xùn)練模型自動(dòng)生成校園布局方案。而Pan 等[30]、Shen 等[7]和董智勇等[10]則利用現(xiàn)有建筑和道路平面布局圖，訓(xùn)練深度學(xué)習(xí)模型生成不同風(fēng)格的建筑布局方案。Ye 等[31]則在城市設(shè)計(jì)方案渲染任務(wù)上應(yīng)用了CNN 和GAN，實(shí)現(xiàn)了自動(dòng)化的渲染與風(fēng)格遷移。

1 基于深度學(xué)習(xí)的城市形態(tài)生成技術(shù)框架——以城市路網(wǎng)生成為例

1.3 總結(jié)

回顧上述兩條技術(shù)路徑可以發(fā)現(xiàn)，基于過(guò)程與規(guī)則的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)和建模方法依據(jù)專業(yè)人士制定的邏輯過(guò)程與生成規(guī)則生成城市形態(tài)。相關(guān)過(guò)程和規(guī)則都基于成熟的設(shè)計(jì)邏輯與領(lǐng)域研究成果，邏輯可解釋性強(qiáng)；基于過(guò)程與規(guī)則的方法也便于搭載功能強(qiáng)大的人機(jī)交互界面，使用戶可以隨時(shí)介入設(shè)計(jì)生成過(guò)程，實(shí)時(shí)調(diào)整生成條件、修改生成結(jié)果，生成過(guò)程高度可控；同時(shí)，已有輔助設(shè)計(jì)工具搭建了完善的從“規(guī)則制定”“方案生成”到“模擬優(yōu)化”的城市形態(tài)規(guī)劃設(shè)計(jì)系統(tǒng)框架。

基于深度學(xué)習(xí)的城市形態(tài)生成方法通過(guò)選擇適當(dāng)訓(xùn)練案例來(lái)訓(xùn)練模型，獲得在地性、適應(yīng)性較好的城市肌理形態(tài)生成能力，最大限度避免人工介入生成過(guò)程，解決基于過(guò)程與規(guī)則的生成方法中強(qiáng)制要求人工選擇生成規(guī)則、手動(dòng)調(diào)整參數(shù)才能完成方案適配生成的問(wèn)題。同時(shí)，深度學(xué)習(xí)主干網(wǎng)絡(luò)強(qiáng)大的二維、三維形態(tài)感知能力可以精準(zhǔn)提取、編碼復(fù)雜的真實(shí)城市形態(tài)特征，使模型具備快速生成豐富多樣城市形態(tài)的能力。

雖然現(xiàn)有深度學(xué)習(xí)技術(shù)在樓宇布局生成和路網(wǎng)結(jié)構(gòu)生成方面均有嘗試，但與其他深度學(xué)習(xí)生成模型類似，現(xiàn)有基于深度學(xué)習(xí)的城市形態(tài)生成方法采用“端到端”的生成模式。用戶只能在輸入端附加生成條件指導(dǎo)方案生成，但在生成過(guò)程中不可以介入和干預(yù)，方案生成過(guò)程可控性差。同時(shí)，現(xiàn)有基于深度學(xué)習(xí)的城市形態(tài)生成方法采用的GAN 架構(gòu)在工作機(jī)制上沒有城市規(guī)劃設(shè)計(jì)學(xué)科基礎(chǔ)理論作為支撐，“黑箱”生成過(guò)程邏輯可解釋性不強(qiáng)。這使得現(xiàn)有深度學(xué)習(xí)方法很難在以人為核心的城市規(guī)劃與設(shè)計(jì)領(lǐng)域獲得信任、得到推廣。城市規(guī)劃設(shè)計(jì)界更需要的是以人為中心、基于人機(jī)互動(dòng)的計(jì)算機(jī)輔助城市設(shè)計(jì)技術(shù)[32]。

基于上述分析，本次研究希望將基于過(guò)程與規(guī)則的方法在系統(tǒng)性、可解釋性、可控性方面的優(yōu)勢(shì)，和深度學(xué)習(xí)方法在特征感知和動(dòng)態(tài)生成方面的優(yōu)勢(shì)融合起來(lái)，構(gòu)建全新的基于深度學(xué)習(xí)的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架，以精準(zhǔn)感知識(shí)別復(fù)雜城市形態(tài)，智能輔助設(shè)計(jì)生成豐富多樣的城市形態(tài)方案并實(shí)時(shí)對(duì)方案進(jìn)行合理準(zhǔn)確的模擬推演。本研究旨在為計(jì)算機(jī)輔助城市規(guī)劃設(shè)計(jì)技術(shù)的智能化升級(jí)提供交叉融合新思路，促進(jìn)數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)模型在融合專業(yè)領(lǐng)域?qū)W科知識(shí)后更好地適配城市規(guī)劃與設(shè)計(jì)領(lǐng)域?qū)I(yè)任務(wù)，助力城市設(shè)計(jì)工作的提質(zhì)增效。

2 基于深度學(xué)習(xí)的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架

本研究提出的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架由城市形態(tài)案例庫(kù)、城市形態(tài)感知識(shí)別模塊、城市形態(tài)生成建模模塊和設(shè)計(jì)方案仿真模擬模塊4 個(gè)部分組成，各部分均基于深度學(xué)習(xí)技術(shù)建立且相互緊密關(guān)聯(lián)（圖2）。其中，城市形態(tài)感知識(shí)別模塊利用初始城市形態(tài)案例庫(kù)，學(xué)習(xí)提取城市形態(tài)特征并基于此對(duì)城市形態(tài)案例進(jìn)行形態(tài)類型分類。訓(xùn)練后的城市形態(tài)感知識(shí)別模塊可以實(shí)現(xiàn)城市形態(tài)案例的自動(dòng)化形態(tài)類型標(biāo)注，助力城市形態(tài)案例庫(kù)的規(guī)劃設(shè)計(jì)知識(shí)融入和案例庫(kù)規(guī)模擴(kuò)展?；诔鞘行螒B(tài)案例擴(kuò)展庫(kù)，框架中城市形態(tài)生成建模模塊可以通過(guò)學(xué)習(xí)規(guī)劃設(shè)計(jì)先例和城市形態(tài)案例，建立城市形態(tài)設(shè)計(jì)方案推薦生成機(jī)制：根據(jù)待設(shè)計(jì)區(qū)域周邊建成環(huán)境，快速推薦城市形態(tài)類型，并根據(jù)用戶規(guī)劃指引與預(yù)設(shè)規(guī)劃指標(biāo)生成城市形態(tài)設(shè)計(jì)原型方案。最后，設(shè)計(jì)方案仿真模擬模塊應(yīng)用數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)技術(shù)對(duì)“人”的反饋和行為進(jìn)行學(xué)習(xí)建模。通過(guò)將“人”的模型應(yīng)用至城市形態(tài)生成建模模塊輸出的城市形態(tài)方案中，可以實(shí)現(xiàn)設(shè)計(jì)方案的實(shí)時(shí)仿真模擬，從而指導(dǎo)方案的進(jìn)一步調(diào)整優(yōu)化，支持多方案的評(píng)價(jià)和比選。

2 基于深度學(xué)習(xí)的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架

3 Urban Classifier 模型結(jié)構(gòu)

值得注意的是，本研究提出的基于深度學(xué)習(xí)的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架并不致力于提出“最優(yōu)”設(shè)計(jì)方案，而是希望利用深度學(xué)習(xí)技術(shù)加速現(xiàn)有設(shè)計(jì)知識(shí)積累、設(shè)計(jì)方案生成和方案仿真模擬過(guò)程，使用戶可以在以深度學(xué)習(xí)為代表的新一代人工智能的協(xié)助與啟發(fā)下快速便捷地嘗試不同原創(chuàng)設(shè)計(jì)思路，以擴(kuò)大設(shè)計(jì)方案?jìng)溥x庫(kù)。

3 新框架下的技術(shù)探索

本節(jié)將以筆者及其所在團(tuán)隊(duì)開展的相關(guān)技術(shù)探索為例，闡釋如何圍繞本研究提出的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架研發(fā)全新深度學(xué)習(xí)模型，實(shí)現(xiàn)深度學(xué)習(xí)技術(shù)的全鏈路智慧賦能。本節(jié)內(nèi)容將包括框架內(nèi)城市形態(tài)“感知識(shí)別”“生成建?！焙汀胺抡婺M”3 個(gè)部分，各部分遵循“專業(yè)知識(shí)+深度學(xué)習(xí)”“人類智能+人工智能”和“社會(huì)學(xué)調(diào)研+大數(shù)據(jù)分析”的方法提出不同深度學(xué)習(xí)模型，為城市設(shè)計(jì)實(shí)踐提供建模與輔助設(shè)計(jì)工具儲(chǔ)備，為現(xiàn)有計(jì)算機(jī)輔助城市設(shè)計(jì)技術(shù)的智能化升級(jí)提供新思路。

3.1 城市形態(tài)感知識(shí)別

城市形態(tài)的識(shí)別和分類是城市研究、城市規(guī)劃和城市設(shè)計(jì)領(lǐng)域的基本課題。一代代學(xué)者們用他們的專業(yè)眼光來(lái)“觀察”豐富多樣的城市形態(tài)，試圖回答城市形態(tài)學(xué)領(lǐng)域中的經(jīng)典研究問(wèn)題：如何“觀察”城市形態(tài)以及如何通過(guò)它指導(dǎo)城市規(guī)劃設(shè)計(jì)工作。

在本研究提出的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架中，城市形態(tài)感知識(shí)別模塊致力于建立深度學(xué)習(xí)模型來(lái)模擬專業(yè)人士識(shí)別和分類復(fù)雜城市形態(tài)。實(shí)驗(yàn)表明，現(xiàn)有面向通用視覺任務(wù)的深度學(xué)習(xí)模型（如圖像分類模型）無(wú)法在城市形態(tài)分類任務(wù)上達(dá)成較好結(jié)果。究其原因，常規(guī)圖像分類任務(wù)更多關(guān)注物體本身特征，而城市形態(tài)分類任務(wù)往往需要首先確定最佳觀測(cè)空間尺度及視角，再進(jìn)行特征提取和形態(tài)分類。最佳觀測(cè)空間尺度及觀測(cè)視角的判斷是城市形態(tài)分類任務(wù)關(guān)鍵[33]。

基于以上分析，我們遵循“專業(yè)知識(shí)+深度學(xué)習(xí)”的交叉融合思路，將空間尺度、觀測(cè)視角概念融入基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，提出了全新的Urban Classifier 模塊（圖3）[33]。模型通過(guò)讀取城市形態(tài)圖片，預(yù)測(cè)圖片內(nèi)標(biāo)注地塊所屬類型，預(yù)測(cè)內(nèi)容包含3 個(gè)方面：（1）地塊所在城市，（2）地塊所在區(qū)域的城市形態(tài)學(xué)分類，（3）地塊規(guī)劃建設(shè)時(shí)期。Urban Classifier模型首創(chuàng)性提出串聯(lián)兩個(gè)CNN 模型實(shí)現(xiàn)多尺度、多視角的城市形態(tài)分類：一個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)分類地塊在多空間尺度上的特征提取和形態(tài)類型預(yù)分類（MSSM 模型），而另一個(gè)網(wǎng)絡(luò)則聯(lián)合在目標(biāo)分類地塊內(nèi)多個(gè)觀測(cè)點(diǎn)的多空間尺度形態(tài)預(yù)分類結(jié)果對(duì)目標(biāo)地塊進(jìn)行形態(tài)類型分類預(yù)測(cè)。這種工作機(jī)制將空間尺度和觀測(cè)視角概念引入深度學(xué)習(xí)模型，成功模擬了專業(yè)人士使用地圖觀測(cè)城市肌理形態(tài)時(shí)常見的“推近”（Zoom-in）“拉遠(yuǎn)”（Zoom-out）及“平移”（Pan）的行為?；跉W洲城市形態(tài)圖片數(shù)據(jù)集開展的系列模型對(duì)比實(shí)驗(yàn)表明，研究提出的Urban Classifier 模型在全部分類任務(wù)、全部分類類型上的F1 分?jǐn)?shù)超越基線模型。

此外，Urban Classifier 在本研究提出的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架中扮演另一個(gè)重要角色：減少將城市形態(tài)類型這一規(guī)劃知識(shí)融入城市形態(tài)案例庫(kù)所需的人工數(shù)據(jù)標(biāo)注工作。使用遷移學(xué)習(xí)方法，Urban Classifier 可以識(shí)別、分類全新采樣的城市形態(tài)圖片，助力城市形態(tài)案例庫(kù)的規(guī)模擴(kuò)展和自動(dòng)化形態(tài)類型標(biāo)注。實(shí)驗(yàn)表明，Urban Classifier 只需要新城市25%的標(biāo)注數(shù)據(jù)，就能達(dá)到使用全部標(biāo)注數(shù)據(jù)訓(xùn)練的形態(tài)類型分類性能表現(xiàn)。利用可逐步擴(kuò)展的城市形態(tài)案例庫(kù)，本研究提出的城市形態(tài)生成建模模塊可以通過(guò)學(xué)習(xí)更多的城市形態(tài)案例來(lái)逐步建立、積累規(guī)劃設(shè)計(jì)知識(shí)，以生成更豐富、多樣的城市形態(tài)方案。

3.2 路網(wǎng)形態(tài)生成建模

瞄準(zhǔn)現(xiàn)有基于深度學(xué)習(xí)的城市形態(tài)生成方法的“黑箱”式生成機(jī)制較難融入城市規(guī)劃設(shè)計(jì)專業(yè)知識(shí)（如城市形態(tài)類型學(xué)）及自然約束（如地形地貌）等考量因素的問(wèn)題，以及其“端到端”的方案生成過(guò)程可控性差的問(wèn)題，我們以城市路網(wǎng)形態(tài)生成建模為例，遵循“專業(yè)知識(shí)+深度學(xué)習(xí)”、“人類智能+人工智能”方法，提出了融入規(guī)劃設(shè)計(jì)知識(shí)且用戶高度可控的城市路網(wǎng)形態(tài)生成模塊，StreetGEN。具體而言，受機(jī)器視覺領(lǐng)域圖像補(bǔ)全任務(wù)啟發(fā)，方舟等首先提出了基于CNN 和GAN 的城市路網(wǎng)補(bǔ)全生成模型[34]。模型通過(guò)自監(jiān)督學(xué)習(xí)現(xiàn)有路網(wǎng)案例（由框架中城市形態(tài)案例庫(kù)提供），獲得相應(yīng)城市路網(wǎng)形態(tài)感知識(shí)別、補(bǔ)全生成智能：模型根據(jù)動(dòng)態(tài)感知的設(shè)計(jì)環(huán)境（待設(shè)計(jì)區(qū)域周邊路網(wǎng)形態(tài)），推薦相應(yīng)路網(wǎng)形態(tài)類型并補(bǔ)全生成路網(wǎng)設(shè)計(jì)方案。以上述路網(wǎng)補(bǔ)全生成模型為基礎(chǔ)，我們遵循“專業(yè)知識(shí)+深度學(xué)習(xí)”的交叉融合思路，分別嘗試將規(guī)劃設(shè)計(jì)專業(yè)知識(shí)（來(lái)自案例數(shù)據(jù)的知識(shí)標(biāo)注）與自然約束（來(lái)自地形地貌信息）分別引入基于深度學(xué)習(xí)模型的路網(wǎng)補(bǔ)全生成過(guò)程[34-35]。其中融合規(guī)劃專業(yè)知識(shí)的城市路網(wǎng)補(bǔ)全生成模型利用路網(wǎng)形態(tài)類型標(biāo)簽（由研究框架“城市形態(tài)感知識(shí)別”部分研發(fā)的Urban Classifer 標(biāo)注）和路網(wǎng)關(guān)鍵節(jié)點(diǎn)，將專業(yè)知識(shí)作為生成條件接入深度學(xué)習(xí)生成模型[34,36]。引入自然約束方面，方舟等嘗試將多種地貌特征信息（包括海拔、坡度、坡向、山體陰影）接入基于CNN 和GAN 的城市路網(wǎng)補(bǔ)全生成模型，并通過(guò)在常規(guī)圖像補(bǔ)全模型結(jié)構(gòu)的基礎(chǔ)上前置基于注意力機(jī)制的地形信息篩選過(guò)濾模塊，將地形特征作為生成條件融入城市路網(wǎng)生成過(guò)程，提出了一種可動(dòng)態(tài)感知地形特征的路網(wǎng)生成模型[35]。上述模型可以結(jié)合城市路網(wǎng)形態(tài)特征與區(qū)域地貌約束，成功應(yīng)對(duì)在不同地貌條件下的路網(wǎng)預(yù)測(cè)生成任務(wù)。系列模型對(duì)比測(cè)試表明，上述兩個(gè)采用“專業(yè)知識(shí)+深度學(xué)習(xí)”思路研發(fā)的路網(wǎng)形態(tài)補(bǔ)全生成模型，在測(cè)試數(shù)據(jù)集上表現(xiàn)優(yōu)于基線模型（部分模型輸出案例見圖4）。

基于上述全新路網(wǎng)形態(tài)補(bǔ)全生成模型，我們遵循“人類智能+人工智能”思路，進(jìn)一步提出了迭代式機(jī)器智能輔助城市路網(wǎng)設(shè)計(jì)概念，力圖實(shí)現(xiàn)人類智能與人工智能在城市路網(wǎng)設(shè)計(jì)過(guò)程中的協(xié)同工作[36]。具體而言，我們提出了一個(gè)利用隨機(jī)保留部分真實(shí)城市元素（路網(wǎng)關(guān)鍵節(jié)點(diǎn)）模擬用戶指引的路網(wǎng)補(bǔ)全生成模型訓(xùn)練方法，實(shí)現(xiàn)模型可以適應(yīng)逐步接入的用戶指引，分階段預(yù)測(cè)生成城市路網(wǎng)推薦方案[36]。通過(guò)將上述多階段城市路網(wǎng)生成模型嵌入人機(jī)交互設(shè)計(jì)平臺(tái)，模型可以依據(jù)用戶輸入的設(shè)計(jì)指引動(dòng)態(tài)生成路網(wǎng)形態(tài)方案推薦。而用戶則可以借鑒模型推薦方案逐步形成設(shè)計(jì)思路，并通過(guò)修改推薦方案和更新設(shè)計(jì)指引來(lái)觸發(fā)新回合的模型運(yùn)算合更新推薦方案的生成。至此，實(shí)現(xiàn)迭代式、用戶與深度學(xué)習(xí)模型相互啟發(fā)、協(xié)同工作的城市路網(wǎng)設(shè)計(jì)模式。

3.3 路網(wǎng)交通流仿真模擬

在眾多城市元素中，城市路網(wǎng)被視為城市建成環(huán)境的支柱和骨架，其對(duì)居民出行行為和城市交通有著巨大影響?，F(xiàn)有城市路網(wǎng)評(píng)價(jià)方法中，一種技術(shù)路徑使用指標(biāo)參數(shù)來(lái)量化評(píng)估城市路網(wǎng)設(shè)計(jì)方案，并利用參數(shù)優(yōu)化技術(shù)實(shí)現(xiàn)設(shè)計(jì)方案的自動(dòng)調(diào)整與優(yōu)化。這一基于規(guī)則與指標(biāo)參數(shù)的技術(shù)路徑具有評(píng)價(jià)體系遷移性好和設(shè)計(jì)方案“評(píng)價(jià)—優(yōu)化”求解速度快的特點(diǎn)。另一種技術(shù)路徑則通過(guò)對(duì)“人”和“車”進(jìn)行行為建模來(lái)模擬推演“人”和“車”在不同路網(wǎng)設(shè)計(jì)方案中的出行行為和行駛軌跡，并以此作為依據(jù)進(jìn)行路網(wǎng)結(jié)構(gòu)微調(diào)合優(yōu)化[18,37]。相比基于規(guī)則與指標(biāo)參數(shù)的方法，基于仿真模擬的技術(shù)路徑可以通過(guò)模擬路網(wǎng)交通運(yùn)行狀況較為直觀地推演應(yīng)對(duì)不同設(shè)計(jì)方案時(shí)“人”的反饋，從而將人的因素直接融入路網(wǎng)設(shè)計(jì)評(píng)價(jià)、優(yōu)化過(guò)程。

遵循基于仿真模擬的路網(wǎng)評(píng)價(jià)技術(shù)路徑，我們依托高校學(xué)生出行行為研究和成都社區(qū)居民出行行為研究項(xiàng)目，開始研發(fā)基于對(duì)抗模仿學(xué)習(xí)“多源城市大數(shù)據(jù)”和“出行行為調(diào)查”的城市路網(wǎng)交通流仿真模擬技術(shù)，以期提高現(xiàn)有交通流仿真模擬技術(shù)的建模速度、運(yùn)算效率和響應(yīng)速度。

4 融和規(guī)劃知識(shí)的城市路網(wǎng)形態(tài)生成模型案例，引自參考文獻(xiàn)[34,36]

5 迭代式機(jī)器智能輔助城市路網(wǎng)設(shè)計(jì)技術(shù)—交互界面，引自參考文獻(xiàn)[36]

具體而言，我們利用城市基礎(chǔ)數(shù)據(jù)和交通數(shù)據(jù)訓(xùn)練基于深度學(xué)習(xí)的城市路網(wǎng)交通流生成模型和交通流分配模型，組成基于深度學(xué)習(xí)的城市路網(wǎng)交通流仿真模塊SimStreet，分別預(yù)測(cè)給定路網(wǎng)片區(qū)（由StreetGEN 生成）與其所在城市不同交通分析區(qū)（TAZ）間的交通流OD 數(shù)據(jù)和給定路網(wǎng)片區(qū)內(nèi)部各路段的交通流量。在此基礎(chǔ)之上，我們提出對(duì)抗模仿學(xué)習(xí)技術(shù)以解決大數(shù)據(jù)驅(qū)動(dòng)的SimStreet 模塊在模型遷移應(yīng)用時(shí)可能面臨的本地?cái)?shù)據(jù)缺失問(wèn)題。當(dāng)給定路網(wǎng)片區(qū)所在城市無(wú)法獲取SimStreet 模塊訓(xùn)練所需多源城市大數(shù)據(jù)時(shí)，我們提出可以在給定路網(wǎng)片區(qū)所在城市開展實(shí)地調(diào)研，利用有效抽樣調(diào)查問(wèn)卷信息還原居民個(gè)體出行案例。接著，利用個(gè)體出行案例，采用生成式對(duì)抗模仿學(xué)習(xí)算法微調(diào)使用其他城市多源城市大數(shù)據(jù)訓(xùn)練的SimStreet 模塊，實(shí)現(xiàn)模塊的快速、有效遷移，使其在缺少多源城市大數(shù)據(jù)的城市依舊獲得較好的預(yù)測(cè)準(zhǔn)確率。

最終，基于本研究提出的基于深度學(xué)習(xí)的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架，通過(guò)聯(lián)合調(diào)試上述3 個(gè)基于深度學(xué)習(xí)的城市形態(tài)感知識(shí)別、路網(wǎng)形態(tài)方案生成建模和路網(wǎng)交通流仿真模擬模塊，可以實(shí)現(xiàn)城市路網(wǎng)形態(tài)方案設(shè)計(jì)的深度學(xué)習(xí)全鏈路智慧賦能。

4 結(jié)語(yǔ)

在當(dāng)前城市建設(shè)轉(zhuǎn)向提質(zhì)增效，計(jì)算機(jī)算力和算法取得突破的大背景下，計(jì)算機(jī)輔助城市規(guī)劃和設(shè)計(jì)技術(shù)迎來(lái)重要機(jī)遇。本文通過(guò)融合基于過(guò)程與規(guī)則的方法和深度學(xué)習(xí)方法各自優(yōu)勢(shì)，構(gòu)建全新的深度學(xué)習(xí)框架?？蚣軐⒊鞘行螒B(tài)規(guī)劃設(shè)計(jì)鏈條拆解成為城市形態(tài)案例庫(kù)、城市形態(tài)感知識(shí)別、城市形態(tài)生成建模和設(shè)計(jì)方案仿真模擬4 個(gè)部分，并遵循“專業(yè)知識(shí)+深度學(xué)習(xí)”、“人類智能+人工智能”和“社會(huì)學(xué)調(diào)研+大數(shù)據(jù)分析”的方法提出了不同的深度學(xué)習(xí)技術(shù)模塊。

6 城市路網(wǎng)交通流仿真模塊框架

本研究提出的計(jì)算機(jī)輔助城市形態(tài)設(shè)計(jì)框架可以在短時(shí)間內(nèi)智能輔助設(shè)計(jì)、評(píng)價(jià)城市形態(tài)設(shè)計(jì)方案，協(xié)助設(shè)計(jì)師在有限的設(shè)計(jì)期限內(nèi)盡可能多地提出高質(zhì)量設(shè)計(jì)方案，以供進(jìn)一步的斟酌、推敲、比選，助力城市設(shè)計(jì)工作的提質(zhì)增效。此外，該框架還可以集成進(jìn)入城市空間規(guī)劃治理平臺(tái)等城市信息平臺(tái)（City Information Model,CIM），以拓展現(xiàn)有CIM 平臺(tái)在輔助設(shè)計(jì)方面的功能。通過(guò)與現(xiàn)有平臺(tái)組件相互耦合，可以形成從城市空間展示、監(jiān)控、輔助設(shè)計(jì)到方案模擬推演的智慧城市治理閉環(huán)[38-39]。此外，研究提出的城市形態(tài)生成建模模塊亦可橋接現(xiàn)有城市宏觀發(fā)展預(yù)測(cè)模型[40-41]與微觀仿真模擬模型[42-43]，打通從宏觀到微觀再到宏觀的反饋回路，實(shí)現(xiàn)多尺度城市發(fā)展情景的模擬推演[44]。