人跡地圖：數據增強設計的支持平臺

茅明睿 儲 妍 張鵬英 沈 忱

?

人跡地圖：數據增強設計的支持平臺

茅明睿 儲 妍 張鵬英 沈 忱

手機信令、公共交通刷卡記錄等大數據，以及來自商業網站和政府網站的開放數據共同促進了“新數據環境”的形成；時空行為數據是新數據環境下最有價值的數據類型之一，但規劃設計行業的新數據應用問題仍然沒能得到有效解決。分析了數據來源、分析工具和應用結合3方面的難點，在獲取了全國范圍的互聯網LBS（Location Based Service）數據的基礎上，對其從時間、空間和組群3個維度進行了解構和重組，率項目團隊開發了人跡地圖時空行為規劃分析平臺，提供了人流分析、錨點分析、人群分析和城市畫像等功能，編寫了基于人跡地圖平臺的《數據增強設計手冊》框架，初步支撐了若干個規劃項目，并探討了人跡地圖在未來規劃設計中的價值。

Abstract‘Big data’ such as mobile phone signaling, public transportation smart card records and ‘open data’ from commercial websites and government websites jointly promote the formation of the ‘new data environment’.Spatial-temporal behavior data is one of the most valuable types in the new data environment, but the problem of new data application in urban planning and design still can’t be effectively resolved. This paper analyzes three difficulties: the data source, analysis tools and applications combination.Through cooperating with internet DMP (data management platform), the author obtains internet LBS (Location Based Service) data of 3 billion mobile devices and deconstructs and reorganizes the data from three dimensions:the time, the space and the group and developes a planning analysis platform: human activity map.The platform provides analyses about stream of people, anchor, groups and city profile. The author writes the frame of Data Augmented Design Manual based on the platform of human activity map, assists of several planning projects, and discusses the value of human activity map in the future planning.

時空間行為 | 數據增強設計 | 人跡地圖 | 新數據環境

KeywordsSpatial-temporal behavior | Data Augmented Design | Human activity map | New data environment

0　引言

隨著ICT技術（Information and Communication Technology，信息與通信技術）的發展——尤其是互聯網的迅猛發展、開放數據運動的推動和志愿者數據的出現，數據的可獲得性大為增強。手機信令、公共交通刷卡記錄等大數據，以及來自商業網站和政府網站的開放數據共同促進了“新數據環境”的形成[1]。有別于傳統的來自于官方渠道的地形圖、統計資料，這類新數據不僅能夠對傳統數據形成一定程度的替代，并且，來自于手機信令、互聯網用戶行為數據等的個體數據還能夠在微觀尺度以及更豐富的維度上描述人的行為活動和個體特征，所以新數據環境的出現對于規劃設計工作而言，不僅意味著對傳統數據的依賴性降低，同時也意味著新的分析視角出現，以及由此產生的潛在的規劃設計方法變革。為此龍瀛等提出了數據增強設計（Data Augmented Design，DAD）這一規劃設計新方法論[2]。

在新型城鎮化的背景下，原有的宏大愿景式規劃正在悄然改變，大量擴張型的增量規劃在向存量規劃轉變。在這一過程中，規劃的內涵、價值、類型、形式、路徑、對象、市場和技術手段都在發生深刻的改變：從單純關注物質空間，變成全面關注市民、經濟、社會、生態與空間的可持續發展。時空間行為研究不僅為理解人類活動和城市環境在時空間上的復雜關系提供了獨特的視角，同時已經發展成為城市規劃學一種很具影響力的研究方法[3-5]，時空間行為研究使城市研究者能夠從個體日常生活經歷的視角理解中國城市轉型的過程和結果[6]，成為理解中國城市社會轉型的行為范式[7]，彌補傳統城市規劃對居民時空行為的規律與決策機制考慮的不足，傳統的基于土地的、靜態的、藍圖式的城市規劃亟待與時空間行為研究相結合，從而轉向基于人的、動態的、精細化的規劃[8]，因此時空間行為研究和應用實踐也成為數據增強設計方法變革中備受關注的組成部分。

1　難點

盡管近年來在規劃設計領域也出現了不少基于時空行為數據（手機信令、出租車軌跡、IC卡刷卡記錄等）的應用案例，例如在上海[9]和北京[10]等城市進行的出行調查使學者對于個體的活動類型、出行目的地、出行方式、出行路徑有了更為深入和完整的分析，但分析結果發現，在數據精度和有效性上不可避免地存在誤差，同時規劃設計行業的幾個應用問題仍然沒能得到有效解決。

1.1 數據來源

開放的數據不大，大數據都不開放，真正有價值的時空行為數據大多都處于非開放狀態，比如手機信令數據都由運營商所掌握，雖然可以開展商業合作，但價格不菲，且基本無法讓規劃設計人員接觸到原始數據；IC卡刷卡記錄則在政府或者一卡通公司手里，數據協調成本高昂。所以當前的大量城市研究和行業應用的數據基礎并不穩固，已有的若干應用案例（比如上海SODA開放數據大賽所公開的某周的出租車軌跡數據、北京某幾周的IC卡刷卡記錄等）都基于非常偶然的數據樣本，或者基于爬取的位置微博、百度熱力圖等互聯網數據來開展。

片段性的數據樣本對于時空間行為研究方法的探索有價值，也能夠在一定程度上反映某個時期的某個特定城市的空間結構以及規律性的職住關系等問題，但并不具有普遍意義，缺乏全局和組合度量數據的考慮[11]不能解決數據的覆蓋廣度和時間跨度等問題。

而位置微博和百度熱力圖等互聯網數據則具有很大的局限性：前者定位過于稀疏，人群樣本有偏性嚴重，而如果數據樣本沒有代表性，直接利用有偏的樣本分析，縱然樣本量非常大，不僅無法得出正確的分析，而且無法反映出行鏈[12]；通常科學的數據具有復雜性、綜合性，及高度可利用性的集成性[13]，然而后者則只能表現某些城市空間的密度變化，而無法分析個體、群體的空間行為。更重要的是，基于爬取所獲得的數據其本身也僅能限定于學術研究領域，而無法成為規劃設計行業的商業應用基礎。

1.2 分析工具

作為大數據的一種，時空行為數據同樣具有難以處理、清洗、建模等技術難題，普通的規劃設計機構并不具備相應的軟硬件架構基礎，而普通規劃設計人員也基本都不具備相應的IT技能。相比傳統的行業軟件基礎——CAD制圖軟件和GIS空間分析軟件，時空行為數據并沒有成型、通用的應用軟件平臺來供城市規劃設計人員開展工作，已有的應用大多是規劃設計機構通過與高校或者數據企業開展案例合作來進行，這種案例級別的專題合作形式也無法讓時空行為數據真正成為行業轉型的數據基礎。

1.3 應用結合

要讓數據真正起到增強設計的作用，使這一方法論能夠成立，必須將基于物質空間的藍圖式規劃設計方法向基于市民和社會的動態規劃設計方法轉變，而這個轉變不僅需要相關理論方法的革新，還需要對規劃設計行業的工作流程進行再造。

對于時空行為數據（及其他新數據）的統計、分析和可視化反映的都是現狀或某個歷史片段里個體、群體的活動情況，若要基于這些數據來輔助，甚至驅動規劃設計，僅僅做現狀統計、描述是不夠的，所以需要行為論、時間地理學、活動分析法、復雜系統等傳統城市規劃、建筑設計領域相對陌生的理論來發現個體、群體的空間偏好，分析人群集聚、擴散規律，挖掘個體行為模式，探尋行為與空間互動關系，從而在傳統規劃設計工作基礎上形成一套依托傳統數據和新數據、針對不同規劃設計工作類型的完整的工作流程和解決方案，而這個過程不可能一蹴而就，需要時間去實現數據積累、樣本收集、理論引入、實踐嘗試、流程再造和形成解決方案。

圖1　百度熱力圖

1.4 小結

上述3大問題成為了規劃設計行業在新數據環境下產業升級的3大痛點，不能解決這3個層面的問題，“新數據環境”僅能具有研究意義，數據增強設計也僅在個案情景下有效，而無法成為普遍的生產力。所以筆者認為要從數據基礎、面向規劃設計行業的分析工具平臺建設，以及數據增強設計解決方案3個角度入手實現規劃設計行業的技術升級，讓新數據成為行業的生產資料，讓數據增強設計的方法成為行業的生產力。

2　數據基礎

因為上述種種原因，無論在城市規劃領域還是交通規劃領域，規劃設計人員都將過多的精力放在協調資源上，而無暇顧及深層次的問題；已有應用局限在現狀描述上，而沒有觸及規劃的真問題[14]。針對這個問題，筆者認為亟需建立一個面向規劃設計行業的時空行為數據平臺，降低行業的數據獲取、應用成本和使用門檻，讓新數據成為規劃設計行業的生產資料和生產力，解放規劃設計人員和城市研究者的精力，讓他們專注到規劃真問題的解決上來。

筆者對國內主要的數據服務商進行了調查和溝通，并獲得了TalkingData、中國聯通等企業的合作，加上部分城市的IC卡刷卡記錄以及位置微博等時空行為數據，為規劃設計行業建立一個覆蓋全國的時空行為分析平臺奠定了數據基礎。

在這些數據中，當前最重要的組成部分是來自于TalkingData的LBS數據。TalkingData是一家第三方移動DMP（Data Management Platform）平臺，在其平臺上擁有十余萬款APP的應用數據，是目前互聯網上唯一商業開放的能覆蓋全國的時空行為數據源。在TalkingData平臺上有超過30億臺移動智能終端的數據，其日活躍用戶數超過1億，月活躍用戶數超過6億，日定位請求超過30億次。

與運營商的數據不同，互聯網的LBS數據不僅包括來自于基站的定位，同時還包括GPS 和Wi-Fi等其他定位方式的數據，由于DMP平臺不僅采集定位數據，還會采集用戶的其他行為數據，所以DMP平臺能夠對用戶進行維度更加豐富、立體的畫像，從而對用戶賦予多種多樣的標簽。TalkingData用戶標簽包括人口屬性、設備屬性、地理位置、應用興趣、游戲偏好、消費偏好、游戲深度、行業標簽、定制標簽等9大一級類500余二級類標簽，其數據規模仍在迅速擴張中。

3　建設思路

在互聯網上已有若干基于時空行為數據的應用平臺，比如百度熱力圖（圖1）、騰訊的宜出行平臺等，這些平臺都有著高質量的時空行為數據，但是這些平臺大多僅能反映短期內的分時人口密度情況，而百度等與交通、旅游部門合作的應用平臺也大多停留在瞬時流量的預警和短期預測上，所以這些平臺僅僅是利用單一維度的人數統計來進行“現象描述”。

對于規劃設計而言，將時空行為數據僅用來進行現象描述是遠遠不夠的。無論是手機信令數據，LBS數據還是IC卡刷卡記錄，它們都是由“ID、時間和位置”構成的文本記錄，在空間上其最直接的表現為一組時間序列的點的集合。筆者認為對這個集合可以有3個不同的維度來進行解構和重構：時間、空間和組群。

3.1 解構

（1）空間維度

空間并不是沒有意義的坐標，它是有異質性的，這種異質性以邊界的形式呈現，每個邊界都有其自然屬性和社會屬性。所以在空間維度上，時空行為數據的組織單元可以從微觀到宏觀，按照網格、地塊、街區、鄉鎮、區縣或者城市及以上更宏觀的單元來組織（圖2）。個灰色人群[15]（乞丐、發小廣告、快遞等），龍瀛等曾利用北京公交IC卡刷卡記錄識別了18.9萬個低收入持卡人[16]。

圖2　LBS數據的維度結構

3.2 重構

通過3個維度的解構，一組看似意義單一的時空日志文本變成了具有多種組合條件的數據集。它能夠幫助規劃設計人員在不同的時間范圍上去觀察城市時空異質性和人群異質性，發現不同組群的職住分布特征、聯系特征和行為模式，了解他們空間選擇偏好以及變化趨勢。比如不同國籍的人都在城市里哪些小區居住，從事何種工作，喜好城市的哪些場所（圖3）等；或者軟件開發者群體都住哪些小區（圖4），他們的生活圈又是如何構成的，他們與商務人士的居住、就業和日常活動場所的差異如何等。

圖3　2015年8月韓國人在北京活動位置熱力圖

圖4　研發設計人群在北京的居住地分布圖

另一方面，人的行為也可以反過來定義城市的空間，過往的城市規劃、土地管理領域，城市的空間被自然屬性、功能屬性和權屬性質所定義，規劃設計人員對于空間最熟知的定義方式是用地性質。而時空行為數據賦予了從“行為空間”視角——也就是從人的活動來定義城市的全新條件。比如根據空間單元里不同國籍、不同地區的人群的活動強度來計算城市單元對不同國籍、不同省份人群的吸引力；根據單元居民的加班頻次，計算其加班率；根據單元居民的出差頻次，計算其差旅度；根據單元居民的出行目的地的不規律性，計算其活力度；根據夜間單元里非本單元居民的密度來計算該區域的夜生活服務度；根據單元居民的通勤距離、通勤結構和內外通勤比，計算其職住、通勤特征；根據單元居民在春節、長假的去向，計算單元與其他區域的聯系度……這些指標可以有助于規劃設計人員來用于精細化的評估城市中微觀空間的活力、品質，以及其他無法用測繪、遙感等傳統手段觀察的動態特性。基于這些行為活動特性，結合城市的區位、用地、景觀、建筑、路網、步行可達性、公交可達性、公共服務設施分布、產業分布、房價等其他特性，使規劃設計人員和城市研究者有可能建立起空間、人群、行為和活力之間的關系。這個指標體系的建立和計算過程，筆者將其稱為“空間畫像”。

表1　人群標簽體系

4　平臺功能

根據上述思路，項目團隊進行了平臺的研發，基于大數據的處理技術，對數據進行抽取，空間統計和建模畫像，并對空間單元計算指標，通過人跡地圖時空行為規劃分析平臺發布。人跡地圖平臺目前具有人流分析、錨點分析、人群分析、城市畫像等模塊（圖5）。

圖5　人跡地圖平臺結構

4.1 人流分析

人流分析功能提供了人流密度分時變化特征。通過人跡地圖的人流分析功能，可以查看全國的任何一個地方隨著時間變化的人口密度分布，以及該單元的人口瞬時結構特征（圖6），例如年齡、性別、來源等屬性；此外，平臺還可以集成多源數據：北京的IC卡刷卡數據，可以按時間查詢各站進、出站人流數據：某時刻進站人數，進站客流的去向，出站人數，出站客流的來源（圖7），以及人群的類型（例如普通乘客、大學生、中小學生、低收入人群、灰色人群等）。

圖6　北京2015年某日瞬時人流密度分布圖

圖7　2015年某日地鐵站進站人流分析圖

4.2錨點分析

北京大學柴彥威教授總結了生活圈規劃思想，通過社區居民的出行行為日志，觀測居民的出行規律和錨點，界定出不同的空間范圍，并賦予其特殊的意義[17]。依托該思想，通過錨點繪制空間單元的居民群體的不同生活圈（圖8）。

圖8　基于錨點的生活圈示意圖

（1）社區生活圈，即市民的居住社區范圍，由居民的居住錨點結合空間特征聚類形成；

（2）基礎生活圈，即市民日常生活的基礎生活范圍，由居民居住錨點和購物等錨點構成；

（3）通勤生活圈，即市民居住社區與工作地之間構成的通勤范圍，由居民居住錨點和就業錨點構成；

（4）擴展生活圈，即市民居住社區與他們中長距離出行探親訪友、休閑旅游的活動范圍，由居民居住錨點和長距離休閑錨點構成；

（5）協同生活圈，即市民居住社區與商務聯系經常出差、或者回老家等多次反復長距離出行構成生活圈范圍，由居民居住錨點與商務出差或回老家等長距離出行錨點構成。

按照不同的空間單元對單元內的人群錨點進行統計，從而形成不同單元間的住—職、住—閑（職—閑）、住—假（職—假）等聯系特征。用戶可以查看居住在不同單元的人群的就業地、休閑地、度假地的分布，或者在不同單元就業的人群的居住地、休閑地、度假地分布，以及查詢單元間的聯系強度（人數）和單元的各類指標。聯系特征通過色差圖、連線形式等不同可視化方式來展現。

單元的指標則包括人口結構，比如性別結構、年齡結構等；職住通勤結構，比如：平均通勤距離，職住比，內外通勤比（圖9）；職業結構，比如單元內不同職業的人數和比例等（圖10）。

圖9　京津冀地區某網格單元的職住色差圖

資料來源：人跡地圖。

圖10　京津冀地區某網格單元的職住特征連線圖

4.3人群分析

人群分析可查詢不同標簽人群的居住地、就業地分布以及典型工作日、休息日的空間軌跡，通過空間可視化展現人群的異質性（圖11）。

圖11　人跡地圖的人群分析功能展示

4.4城市畫像

城市畫像通過空間專題圖和儀表盤對城市單元的各類指標進行可視化展現，描繪城市不同區域的空間異質性。指標從行為空間、景觀、用地等視角來組織（圖12）。

5　平臺應用

人跡地圖平臺是互聯網上第一個全國范圍的時空行為規劃分析平臺，由于其覆蓋全國所有城市的數據，屬性維度也比較豐富，所以具備了按照任意單元、任意屬性維度開展數據分析，以及多個地區間進行橫向對比的條件。目前平臺已在“通州行政副中心規劃研究”、“順義城市品質提升研究”等項目中得到應用（圖13）。在上述項目中，規劃師利用人跡地圖平臺的錨點分析、人流分析和語義分析等功能，基于LBS數據對通州、北三縣和順義的職住關系、基于IC卡刷卡數據對軌道交通的通勤情況和基于微博語義對城市的消極空間等內容進行了分析。

圖12　城市畫像：人口密度指

圖13　早晚高峰順義地鐵進、出站客流情

為了實現對規劃設計的有效支撐，項目團隊正在結合具體項目，以人跡地圖平臺為應用載體，編寫《數據增強設計手冊》（以下簡稱“手冊”）[18]，針對不同規劃層次，從現狀分析、方案設計到評估運營等階段分別提出開展規劃設計的工具、方法、指標等內容，使之成為新數據環境下規劃設計的完整解決方案。手冊選取用地、區位、空間結構、人口、就業、居住、功能品質、產業、交通等要素類別，通過前期分析、方案設計、評估運營3個流程來指導用戶基于數據進行規劃設計（圖14）。

6　結論

目前人跡地圖平臺還處于研發階段，無是功能層面、數據層面還是數據增強設計的解決方案層面都還有非常多的工作要做，比如數據源的有偏性問題亟待解決：互聯網LBS數據與其來源——互聯網DMP平臺所管理的APP種類、APP的覆蓋客戶群體以及APP的活躍程度高度相關，目前來看其覆蓋的人群偏一線城市的年輕人，不能代表全體市民，在不同區域其覆蓋人群的比例也不一樣；而IC卡刷卡記錄也僅能代表乘坐公共交通的人群。但是這是規劃設計行業走出的第一步，利用本專業的領域知識，規劃設計人員有能力對海量的時空行為數據進行處理、組織、加工、統計，并通過建模計算出對城市研究有價值的標簽和指標，隨著數據源的豐富和完善，理論上可以實現對任意時空范圍的分布、聯系、人口和空間特征的可交互式的提煉、統計、輸出和可視化，這使行業的應用平臺比現有的互聯網時空平臺從簡單的“現象描述”更進一步，達到較復雜的建模和“特征提取”層面。

隨著時空行為數據的沉淀積累，多源時空數據的融合，以及相應時期的其他數據——POI數據、政策數據、現狀用地數據、規劃許可數據、企業數據等，動態跟蹤規劃項目、公共政策的變化和行為空間的指標以及人群結構的變化，平臺就有了發現時空行為與城市、規劃、政策、經濟等相關規律的可能性，從而向“規律發現”發展。

大數據——包括時空行為數據及其有關技術，在現階段并不具備對城市這樣的復雜系統進行遠期預測的能力，目前已有的預測算法都是基于歷史統計規律對短期行為（比如人流流量與流向）、個體的出行方式和位置等進行預測，這類預測與規劃項目、公共政策實施后的結果預測或者預評估是不同的，所以平臺對于規劃設計的“增強”意義并不在于為規劃設計人員提供了預測未來的手段，而是通過動態的指標對規劃項目的前期研究、目標選擇、實施過程和運營管理進行跟蹤、評估和反饋，協助規劃設計從藍圖式規劃到動態的、實施性、政策性規劃轉變。

圖14　《數據增強設計手冊》

References

[1]龍瀛，郎嵬. 微觀視角的中國城市空間量化研究[J].區域與城市規劃研究（已錄用，待刊發）. LONG Ying, LANG Wei. Quantitative research on urban space in China from the perspective of micro perspective[J]. In press.

[2]龍瀛，沈堯.數據增強設計——新數據環境下的規劃設計回應與改變[J].上海城市規劃，2015（2）：81-87. LONG Ying, SHEN Yao. Data Augmented Design: urban planning and design in the new data environment[J]. Shanghai Urban Planning Review, 2015(2): 81-87.

[3]Hanson S, Hanson P. The geography of everyday life[M]. Amsterdam: Elsevier Science Publishers, 1993: 249-269.

[4]Dijst M. Action space as planning concept in spatial planning[J]. Netherlands Journal of Housing and the Built Environment, 1999, 14(2): 163-182.

[5]Timmermans H, Arentze T, Joh C H.Analysing spacetime behavior: new approaches to old problems[J]. Progress in Human Geography, 2002, 26(2): 175-190.

[6]Kwan M P. Time, information technologies, and the geographies of everyday life[J]. Urban Geography, 2002b, 23(5): 471-482.

[7]馬雯蕊. 國內外時空間行為研究進展[EB/OL]. (2015-12-04)[2016-04-15].http://t.cn/RqICSoA. MA Wenrui.Domestic and foreign research progress on spatial behavior[EB/OL]. (2015-12-04) [2016-04-15]. http://t.cn/RqICSoA.

[8]潘海嘯，沈青，張明. 城市形態對居民出行的影響：上海實例研究[J]. 城市交通，2009，7（6）：28-32. PAN Haixiao, SHEN Qing, ZHANG Ming. Impacts of urban forms on travel behavior: case studies in Shanghai[J]. Urban Transport of China, 2009, 7(6): 28-32.

[9]Zhang M, Sun Q, Chen J, et al. Travel behavior analysis of the females in Beijing[J]. Journal of Transportation Systems Engineering and Information Technology, 2008, 8 (2): 19-26.

[10]柴彥威. 空間行為與行為空間[M]. 南京：東南大學出版社，2014. CHAI Yanwei. Space behavior and behavior space[M]. Nanjing: Southeast University Press, 2014.

[11]Jiang C, Ding Z,Wang J, et al. Big data resource service platform for the internet financial industry[J]. Chinese Science Bulletin, 2014, 59(35): 5051-5058.

[12]解明明.政府統計視角下的大數據樣本與總體關系探討[J].中國統計，2014（12）：54-55. XIE Mingming. A study on the large data sample and the overall relationship from the perspective of governmentstatistics[J]. China Statistics, 2014(12): 54-55.

[13]Guo H,Wang L,Chen F, et al. Scientific big data and Digital Earth[J].Chinese Science Bulletin, 2014, 59(35): 5066-5073.

[14]楊東援. 交通大數據，困惑之困[EB/OL]. (2016-03-24) [2016-04-15]. http://t.cn/RqI9MfF. YANG Dongyuan.Traffic big data, confusion of the trapped[EB/OL]. (2016-03-24) [2016-04-15].http:// t.cn/RqI9MfF.

[15]北京市城市規劃設計研究院. 大數據在城市規劃中的應用：來自北京市城市規劃設計研究院的思考與實踐[R]. 2015. Beijing Municipal Institute of City Planning and Design. Big data applications in urban planning: the thinking and practice from BICP[R]. 2015.

[16]龍瀛，茅明睿，毛其智，等.大數據時代的精細化城市模擬：方法、數據和案例[J].人文地理，2014（3）：7-13. LONG Ying, MAO Mingrui, MAO Qizhi, et al. Finescaleurban modeling and its opportunities in the Big Data Era: methods, data and empirical studies[J]. Human geography, 2014(3): 7-13.

[17]柴彥威，張雪，孫道勝. 基于時空間行為的城市生活圈規劃研究——以北京市為例[J].城市規劃學刊，2015（3）：61-69. CHAI Yanwei, ZHANG Xue, SUN Daosheng. Urban life circle planning based on time space behavior: a case study of Beijing City[J]. Urban planning forum, 2015(3): 61-69.

[18]北京市城市規劃設計研究院. 數據增強設計手冊[R]. 2016. Beijing Municipal Institute of City Planning and Design. Data Enhancement Design Handbook [R]. 2016.

Human Activity Map: The Platform for Data Augmented Design

1673-8985（2016）03-0022-08 中圖分類號TU981 文獻標識碼A

茅明睿

北京市城市規劃設計研究院北京市城規技術服務中心

副總經理，高級工程師，碩士

儲 妍

北京市城市規劃設計研究院 規劃信息中心

助理工程師，碩士

張鵬英

北京城垣數字科技有限責任公司

工程師

沈 忱

北京交通大學

博士研究生