基于CGAN的居住區強排方案生成設計方法

孫 澄，叢欣宇，韓昀松

(1.哈爾濱工業大學 建筑學院，哈爾濱 150001； 2.寒地城鄉人居環境科學與技術工業和信息化部重點實驗室哈爾濱工業大學)，哈爾濱 150001)

隨著城市化進程的加快與經濟發展水平的提高，城市用地規模不斷擴大，土地資源稀缺問題日益凸顯，土地資源集約利用成為必然的趨勢.居住區強排方案是指在滿足地塊的規劃指標和相關規范的前提下，以經濟利益最大化進行設計的住宅小區規劃方案，是項目可行性測算的基礎.既有居住區強排方案設計需經過土地分析、單體選型、日照間距確定、容積率測算、產品分布分析等步驟[1].在高密度居住區中，建筑日照陰影相互遮擋嚴重，根據日照模擬分析結果進行人工試錯調整的強排設計方法使得居住區強排方案設計效率低下，且限于建筑設計周期，亟需更加智能、高效的居住區強排設計方法.國內外學者圍繞居住區強排方案設計展開了廣泛研究，深度學習技術的突破性發展為其提供了新的思路.深度學習是一種能夠模擬出人腦的神經結構的機器學習方法.它可以自行抽取特征中有價值的信息進行自身調優與訓練，并通過訓練去擬合輸入從而得到一個合理的模型結構，在生成設計方面有較大潛力.居住區強排方案中建筑排布的規則主要受制于間距、日照等規范的限制，其排布過程更像是對規范所要求的限制條件進行不斷驗算試錯的過程，因此可使用深度學習方法挖掘其設計規律，自動生成居住區強排設計方案.研究旨在提出基于CGAN的居住區強排方案生成設計方法，提升方案設計階段的強排設計效率，提出訓練數據集制作流程，為同類研究提供參考.

1 國內外研究現狀

居住區規劃設計方法的發展主要經歷了以下時期.早期的居住區規劃設計采用傳統的人工設計方法，設計者遵循“方案初步設計—建筑性能模擬—方案優化設計”的過程進行設計，這種被動調整的循環工作模式延長了設計周期，降低了工作效率.

在居住區規劃設計的智能化發展時期，設計者將方案設計轉化為數學邏輯問題，通過改變算法生成不同的建筑形態[2].既有研究基于遺傳算法、多目標優化算法、多智能體系統、細胞自動機、語法規則展開了居住區規劃和城市形態空間生成設計方法，包括自組織生成與自適應優化[3].應用遺傳算法探索了高層居住區自動布局[4]，最大容積率排布方案生成[5]，概念設計方案生成[6]等.應用多目標優化算法，權衡建筑面積、遮擋率性能目標，展開城市規劃方案設計[7]，以及綜合考慮城市密度與開放空間面積的街區空間形態方案生成設計等[8].應用多智能體系統，綜合考慮容積率與遮擋率的居住區布局方案生成[9]，結構性策略與進程性策略結合的低層高密度住區設計[10]等探索.應用細胞自動機，進行了高密度城市三維規劃模型構建[11]，高密度住宅方案設計[12]等探索.遺傳算法適用于設計優化，允許對設計空間進行無方向的探索；形狀語法適用于基于特定形式與樣式的生成設計；細胞自動機與多智能體系統體現了從整體無序到局部有序的自組織設計，適用于行為驅動的設計過程[13].既有居住區規劃方案生成設計方法多為遺傳算法，常用于解決多目標優化問題，但其優化設計時間過長[14]，因此相關研究多停留在理論層面，難以應用其提升設計效率.

近年來，深度學習技術的發展為居住區規劃設計提出了新的思路.設計者應用深度學習技術，通過海量案例訓練機器學習并模擬建筑師設計過程.條件生成對抗網絡(conditional generative adversarial network,CGAN)是深度學習模型的一種，指在生成對抗網絡的基礎上，引入條件變量作為對模型的附加約束條件，從而指導整個生成過程.基于深度學習預測居住區強排方案總平面圖的方法本質上是圖像學習，而CGAN模型在圖像學習領域應用較為廣泛，如完成圖像合成[15-16]、圖像處理[17-18]、圖像修復[19]等任務.目前，基于CGAN模型的生成設計方法已被應用于城市空間形態規劃和建筑設計領域，如生成城市規劃方案[20]，生成密集城市內快速增長的建筑形態[21].Stouffs等[22]構建CGAN模型，預測城市平面形態；Zheng等[23-24]構建CGAN模型，依據邊界和功能訓練，生成衛星圖像、手繪建筑草圖及建筑平面功能分區圖.Isola等[25]應用CGAN，提出了圖像對圖像翻譯問題的通用解決方案—pix2pix模型，為研究方法的提出提供技術支撐.CGAN模型在生成設計方面有較大潛力，可用于完成城市路網規劃、城市肌理生成、街區規劃方案設計、建筑手繪草圖生成、建筑平面功能分區等設計任務.既有研究有利用CGAN輔助設計決策的探索，但多集中在城市與多個街區尺度，未將其應用于居住區規劃方案生成設計方面，且多停留在圖像學習層面，訓練數據集未經分類與處理，難以應用其進行后續方案深入設計.

2 基于CGAN的居住區強排方案生成設計流程

研究提出了包括訓練數據集制作、居住區CGAN模型構建、居住區強排方案生成設計及驗證評價在內的居住區強排方案生成設計方法，見圖1.首先，確定訓練數據集格式，為相互對應的居住區輪廓圖像與強排方案總平面圖；制作不同模式訓練數據集并進行比選；綜合應用地理信息工具、圖像處理工具，生成高層、多層、低層居住區訓練數據集.其次，應用pix2pix算法，基于開源編程平臺構建居住區CGAN模型，構建居住區生成器、判別器網絡，設計居住區損失函數；應用高層、多層、低層居住區訓練數據集，對網絡進行交替式訓練，得到高層、多層、低層居住區CGAN模型.最后，以實際居住區地塊為例，以其輪廓圖像作為模型輸入，生成強排設計方案；在參數化建模工具中，根據所生成強排設計方案中像素灰度數值與層數的對應關系，構建居住區建筑幾何模型；對居住區建筑幾何模型進行日照模擬分析，對生成方案進行驗證評價.本文構建的居住區CGAN模型可根據任意居住區輪廓預測出對應的強排設計方案，提高了居住區強排設計精度與效率，有助于充分利用土地資源，達成集約化建設.

圖1 基于CGAN的居住區強排方案生成設計方法流程圖[26]

2.1 訓練數據集制作

研究制作了3種不同模式的訓練數據集進行比選，分別為模式a數據集：居住區輪廓圖像(色塊圖)與強排方案總平面圖(圖底關系圖);模式b數據集：居住區輪廓圖像(輪廓線)與強排方案總平面圖(圖底關系圖);模式c數據集：居住區輪廓圖像(色塊圖)與強排方案總平面圖(衛星圖像).每種模式的數據集樣本都表示了居住區輪廓與總平面圖的相互對應關系.模式a和b數據集來源于CSDN網站，由研究者使用Q GIS工具進行篩選，再通過圖像處理工具進行后期處理而得到；模式c數據集來源于百度地圖衛星地圖模式，由研究者在網頁上對居住區進行篩選，再通過圖像處理工具進行后期處理而得到.

圖2 不同模式訓練數據集[26]

應用不同模式的數據集訓練網絡模型，訓練結束后在測試集中選取圖像進行測試.通過對生成圖像的清晰度、真實度、可行度進行綜合評價，選取生成圖像結果較好的模式進行后期訓練數據集制作.生成圖像的真實度評價方面，應用圖像結構相似性算法(structural similarity index,SSIM)，計算真實圖像與網絡模型生成圖像的相似度.SSIM是一種全參考的圖像質量評價指標，分別從亮度、對比度、結構3個方面度量圖像相似性[27].SSIM取值范圍為[0，1]，其值越接近于1，表明對比的兩幅圖像相似度越高.

居住區建筑日照間距與前排房屋的高度和基地地理位置有關，因此制作訓練數據集時應考慮到不同地域對日照間距系數的影響.GB 50180—2018《城市居住區規劃設計標準》中列舉了中國主要城市的日照間距系數，部分城市如圖3所示.隨著城市緯度降低，其對應的日照間距系數整體呈下降趨勢，因此可認為緯度是影響日照間距系數的重要因素，緯度相近城市的日照間距系數較接近.研究將全國主要城市分為3類，選取中緯度地區(緯度范圍30° N～38° N)的主要城市居住區作為訓練數據集樣本，共11座城市.數據集內選取的居住區樣本面積范圍為15 300～154 100 m2，建筑多呈行列式布局，部分為行列式與周邊式相結合布局.GB 50352—2019《民用建筑設計通則》中將住宅建筑按照層數分類：住宅建筑中，1層至3層為低層住宅，4層至9層為多層住宅，10層及以上為高層住宅.依據該分類原則，研究將居住區訓練數據集樣本分為低層居住區訓練數據集(1～3層)、多層居住區訓練數據集(4～9層)、高層居住區訓練數據集(層數≥10)3類.

圖3 各城市地理位置、日照間距系數及特征要素[26]

訓練數據集原始數據來自CSDN網站的城市shapefile格式文件，應用開源地理信息工具Q GIS讀取城市shapefile格式文件，根據建筑位置屬性與層數信息的對應關系，對居住區進行分類，并依據容積率對各類居住區樣本進行篩選[26].容積率是反映土地三維空間開發強度大小的重要指標.有學者對低層、多層、高層高密度住宅進行了容積率限定，雷磊[28]將容積率>0.5的低層住宅定義為低層高密度住宅，容積率在1.2～1.6之間的多層住宅定義為多層高密度住宅；趙青[29]將容積率>3.0的高層住宅定義為高層高密度住宅.因此，為保證低層、多層、高層高密度居住區樣本的數量足夠，且占總體樣本的比例適宜，研究選擇低層居住區容積率>0.5、多層居住區容積率>1.5、高層居住區容積率>2.5的高密度居住區樣本制作訓練數據集.其次，改變圖層顯示模式，居住區內不同層高的建筑以不同灰度數值表示，層數越高灰度數值越小.最后，將各居住區樣本圖像按照相同比例導出，并應用圖像處理工具進行批量化處理，將其處理為網絡模型可讀取的圖像格式.

圖4 訓練數據集制作流程[26]

2.2 居住區CGAN模型構建

居住區CGAN模型由居住區生成器網絡與居住區判別器網絡組成，兩個網絡相互對抗博弈.居住區生成器網絡的輸入為居住區輪廓圖像，輸出為居住區強排方案總平面圖.居住區生成器網絡采用U-Net編碼器—解碼器網絡架構，同時包含使輸入與輸出共享底層信息的跳躍連接結構.居住區生成器網絡以卷積層作為編碼器，反卷積層作為解碼器，編碼器對輸入的居住輪廓圖像進行特征向量提取，進行下采樣操作，解碼器對特征向量進行上采樣操作，并使用卷積操作豐富輸出的居住區強排方案總平面圖的特征信息.居住區生成器網絡的隨機噪聲以dropout層形式輸入.居住區判別器網絡的輸入為相互對應的居住區輪廓圖像與強排方案總平面圖，其中強排方案總平面圖分為真實圖像與居住區生成器網絡生成的圖像.居住區判別器網絡采用卷積網絡結構提取圖像特征信息，并引入PatchGAN，將居住區強排方案總平面圖等分計算輸出后再取預測概率平均值.居住區生成器與判別器網絡的損失函數，在CGAN損失函數的基礎上采用L1損失函數，提升生成居住區強排方案總平面圖的精度與真實度.

CGAN的損失函數為

LCGAN(G,D)=Ex,y[logD(x,y)]+

Ex,z[log(1-D(x,G(x,z)))].

(1)

L1損失函數能夠提升生成居住區強排方案總平面圖的精度與真實度,可表示為

LL1(G)=Ex,y,z[‖y-G(x,z)‖1].

(2)

最終的居住區CGAN損失函數為

(3)

式中：G為居住區生成器網絡;D為居住區判別器網絡;x為居住區輪廓圖像;y為真實的居住區強排方案總平面圖;G(x,z)為居住區生成器網絡的生成圖像;z為輸入的隨機噪聲，采用dropout代替;λ為設置的權重值.

居住區CGAN模型的學習原理為：1)居住區生成器網絡根據輪廓圖像與隨機噪聲生成強排方案總平面圖，其目標是產生居住區判別器網絡無法區分的類“真實”圖像.2)居住區判別器網絡接收生成圖像，并試圖區分生成的“虛假”圖像與“真實”圖像.生成圖像中包括建筑平面布局信息與建筑層數信息，其中建筑層數以不同數值的灰度顏色表示，建筑層數越高，其對應的顏色灰度數值越小.模型訓練過程中，判別器網絡讀取生成器網絡生成的“虛假”圖像與訓練數據集中的“真實”圖像，對其顏色信息進行特征提取，從而獲得建筑層數信息，計算圖像的預測概率值與分類誤差，并據此調整生成器與判別器網絡的權重，從而進行建筑層數的學習與調整，達到模型訓練與調優的目的.

研究基于開源編程平臺Anaconda，應用深度學習框架TensorFlow，在交互式編輯工具Jupyter Notebook上對高層、多層、低層居住區CGAN模型進行構建.模型的輸入為居住區輪廓圖像，輸出為居住區強排方案總平面圖.模型訓練參數分為優化器超參數與模型超參數，其中模型超參數采用pix2pix算法中默認的參數設置.Isola等[25]構建CGAN模型，迭代次數設置為200次，其模型預測結果表明:經過200次迭代，可以生成與真實圖像相似度較高的預測圖像.研究對不同初始學習率的模型生成效果進行測試，如圖5所示，結果表明初始學習率為0.000 2對應的測試效果最好.初始學習率為0.000 1、0.000 2、0.000 3的模型訓練耗時分別為2 d 3 h 11 min 18 s、2 d 2 h 36 min 55 s、2 d 2 h 36 min 59 s.因此，綜合考慮生成圖像質量與訓練時間成本，優化器超參數中的迭代次數設置為500次，初始學習率設置為0.000 2.模型訓練參數設置見表1，每次訓練結束在測試集中隨機選取圖像進行測試.

圖5 不同初始學習率的模型測試結果

表1 居住區CGAN模型訓練參數設置

2.3 居住區強排方案生成設計及驗證評價

以南京市金陵世紀花園、蘇州市東湖林語、南京市殷巷新寓東2區為例(見圖6)，以其輪廓圖像作為模型輸入，生成強排設計方案[26].

圖6 實際居住區地塊衛星圖像

研究構建的居住區CGAN模型可生成帶有高度信息的居住區強排方案總平面圖，其高度信息以建筑的不同灰度數值表示.依據低層、多層、高層居住區CGAN模型生成方案中不同灰度數值與建筑高度的對應關系，可在參數化建模工具中構建居住區建筑幾何模型.居住區強排方案生成設計流程見圖7.首先，將各居住區輪廓向內偏移一定尺寸得到建筑控制線輪廓，高層居住區偏移尺寸為10 m，多層與低層為6 m，并將其按照相同比例導出，制作成網絡模型可讀取的格式；然后，將其輸入至訓練好的低層、多層、高層居住區CGAN模型，并得到相應的低層、多層、高層強排設計方案總平面圖；最后，在Rhinoceros參數化建模工具中繪制出各建筑單體輪廓，對圖像進行像素網格劃分，并計算各建筑靠區域中心部分各點像素平均值，依據像素灰度數值與建筑層數的對應關系，確定建筑層數，從而構建居住區建筑幾何模型.

圖7 居住區建筑幾何模型構建流程

為了驗證生成強排設計方案的可行性，設計了生成方案的驗證評價環節，即對其進行日照模擬分析，驗證其是否符合規范要求.研究的日照模擬分析是基于Rhinoceros參數化設計工具及其插件Grasshopper、Ladybug來實現的.日照模擬分析流程為：在氣象數據網站上獲取當地氣象數據文件(epw格式文件)，讀取氣象數據文件中的位置信息，從而獲取太陽軌跡信息，導入居住區建筑幾何模型與測試平面，設置邊界條件與模擬參數，得到居住區建筑日照時數.邊界條件設置如下：地理位置分別為南京、蘇州市，計算日期為大寒日(1月20日)，計算時段為8:00～16:00，計算面為距地面0.9 m高度的外墻位置，即首層窗臺平面.模擬參數設置如下：網格尺寸為1 m，偏移距離為0.1 m.根據生成方案日照模擬分析結果，以各建筑南立面首層窗臺平面為測試平面，以水平方向4 m的間距在測試平面上選取測試點，統計滿足日照要求的測試點占總體的比例.

3 結果與討論

3.1 不同模式訓練數據集測試結果

每種模式的訓練數據集包括220張圖片，其中20張用于測試.圖8所示為迭代200次后3種模式訓練數據集各自的測試結果.模式a與b訓練數據集可生成行列布置的清晰建筑邊界，模式c生成的建筑邊界不清晰.模式a與c測試生成的建筑面寬均合理，但模式b生成的部分建筑面寬過長.模式c訓練數據集的SSIM指標較低，但模式a訓練數據集對應的SSIM指標多高于模式b.本文采用數據集a模式生成訓練數據集.不同模式訓練數據集計算結果見表2.

圖8 不同模式訓練數據集測試結果[26]

表2 不同模式訓練數據集SSIM計算結果[26]

3.2 模型訓練過程與測試結果

訓練數據集共1 050張，其中高層居住區訓練數據集350張，多層訓練數據集450張，低層訓練數據集250張.由于高層、多層、低層居住區CGAN模型訓練過程較為類似，以低層居住區CGAN模型為例進行說明，圖9所示為迭代1次、100次、200次、300次、400次后的測試結果.訓練過程中，隨著迭代次數增加，生成的建筑邊緣越發清晰，且形狀較規則的居住區所需的迭代計算次數較少[26].

圖10為模型訓練500次迭代后的測試結果，其模型輸出較接近真實圖像，建筑進深，南北向樓間距與東西向樓間距均為合理尺寸，建筑多呈南北向行列式布局，高層居住區CGAN模型輸出的部分圖像的輪廓邊緣出現灰色、面寬較大的建筑，可用于商服、教育等其他輔助功能用房，而且高層、多層、低層居住區CGAN模型的測試結果中建筑日照間距有較明顯的區別[26].

居住區CGAN模型測試結果與真實圖像存在一定差異，以圖11為例，由于居住區設計需考慮景觀需求，無法最大限度地利用土地排布建筑，使得居住區內留有空地，而模型是以最大限度利用土地資源的方式排布建筑單體，建筑多呈行列式緊密排布[26].

圖9 低層居住區CGAN模型各迭代次數下的測試結果[26]

圖10 低層、多層、高層居住區CGAN模型測試結果[26]

圖11 代表性樣本案例分析[26]

3.3 居住區強排方案生成設計及驗證評價結果

圖12顯示了高層、多層、低層居住區CGAN模型生成的強排設計方案，包括模型輸出方案及使用參數化建模工具構建的居住區建筑幾何模型.對于同一個居住區，構建的3個網絡模型可生成相應的低層、多層、高層強排設計方案，且生成結果有明顯區別，建筑間距隨建筑高度增加而相應增大.部分高層與多層生成方案中邊緣區域生成了低層圍合式建筑，可用于商服等輔助功能用房.容積率計算結果表明，生成的居住區強排設計方案容積率較高，低層容積率在0.5以上，多層容積率在1.5以上，高層容積率在3.0以上，均屬于相應類型居住建筑下的高密度設計方案，有效利用了城市土地資源，可基本滿足強排設計要求.

圖12 低層、多層、高層居住區CGAN模型生成的強排設計方案[26]

日照模擬結果表明：低層居住區方案內的測點可滿足大寒日2 h日照要求，多層居住區1、3方案全部測試點可滿足大寒日2 h日照要求，居住區2方案96%的測試點可滿足日照要求，而高層居住區1內93%的測試點可滿足大寒日2 h日照要求，高層居住區2方案全部測試點可滿足日照要求，高層居住區3方案84%的測試點可滿足日照要求.

表3 低層、多層、高層CGAN模型生成方案滿足日照要求的測試點比例[26]

圖13 低層、多層、高層CGAN模型生成方案日照模擬分析結果[26]

4 結 論

研究將深度學習技術應用于居住區強排設計方案的自動生成，提出基于CGAN的居住區強排方案生成設計方法.針對不同地區日照間距系數的差異性，選取中緯度城市居住區作為訓練數據集樣本，通過學習強排方案總平面圖中的建筑排布規律，預測其他輪廓居住區對應的強排設計方案.為了驗證生成方案的可行性，提出了基于日照模擬分析的驗證評價環節.主要結論如下：

1)結果表明基于所提方法生成的低層建筑設計方案可滿足日照要求，多層和高層建筑方案中的大部分空間可滿足日照要求，說明所提出的基于CGAN的居住區強排方案生成設計方法可為居住區強排設計提供有力支撐.

2)研究提高了居住區強排設計效率，訓練成功的居住區CGAN模型可在3 s內生成居住區強排設計方案，提高了居住區方案設計效率.

3)由于訓練數據集中規則形狀的居住區樣本較多，該模型對規則居住區的預測能力較好，可通過擴充數據集來改善該問題.