基于深度學習的城市形態感知識別、生成建模與仿真模擬

方舟，鄭舒文，趙亮

0 引言

根據聯合國人居署數據，目前世界上超過一半的人口生活在城市，預計到2035 年，這一比例將增加到62.5%。我國的城鎮化率也從改革開放之初不足20%，躍升到2011 年的超過50%。國家“十四五”規劃和2035 年遠景目標綱要提出，“十四五”時期我國常住人口城鎮化率將提高到65%[1]。面對持續增長的城鎮人口和日益復雜的城市環境，我國城市建設已經從注重“數量”轉變為關注“質量”，提質增效已成為城市規劃設計界面臨的新課題[2]。

面對上述新課題，新時期的城市設計往往需要根據規劃制定的指標性要求，反復斟酌、推敲多種片區形態方案，以尋求更優的路網結構和建筑布局，實現對整體城市形態的控制[3]。同時，為了實現城市設計工作的“提質增效”，設計師需要在設計時間窗口期內盡可能多地提出高質量三維形態方案并進行合理模擬推演，以支持方案的優化和比選。“工欲善其事，必先利其器”，為了響應國家城鎮化進程新階段中遇到的新挑戰與高要求，城市規劃設計界亟需快速、智能的技術來輔助設計豐富多樣的高質量城市形態方案。

1 數字技術與計算機輔助城市設計

近年來，在計算機算力和算法都取得突破的大背景下，以深度學習為代表的新一代人工智能技術取得重大進展，在各領域得到廣泛應用。計算機輔助城市規劃和設計技術迎來全面數字化和智能化升級迭代的重要機遇。更好地利用新一代人工智能技術以助力城市規劃設計工作的提質增效，已成為規劃設計行業的迫切需求和研究前沿[4-6]。雖然現有深度學習算法在城市規劃設計領域的多個獨立任務上均有應用嘗試[7-11]，但總的來說，在深度學習框架下，針對城市設計任務特點與城市形態固有特性進行深度學習算法突破的研究不多，瞄準城市形態“感知識別”“生成建模”到“仿真模擬”的全鏈路深度學習智慧賦能研究較少。因此，如何深入挖掘深度學習技術的超強潛力，遵循城市規劃設計工作固有特性，更新迭代現有計算機輔助城市設計技術與框架，為現有輔助設計工具的智能化升級提供新思路顯得尤為重要。

縱觀國內外現有計算機輔助城市設計技術，兩大類方法被用于城市形態的生成和建模：基于過程與規則的方法和基于深度學習的方法。

1.1 基于過程與規則的計算機輔助城市形態生成建模方法

基于過程與規則的方法是一種利用計算機算力自動化執行人工制定的邏輯過程與生成規則快速輸出特定內容的生成方法。這種方法在計算機圖形學領域的虛擬世界（Virtual World）合成建模中有廣泛應用，并在近年被應用于城市形態輔助設計和城市形態生成建模[12]。

城市路網形態生成方面，Parish 和Muller[13]開創性地將并行重寫系統（Lindenmayer 系統）引入城市設計建模領域，并基于此提出了一套城市路網生成建模方法。該方法可以根據用戶設定的參數，執行用戶選定的系統內嵌普適城市路網生成規則，半自動生成相應的城市路網形態。此后，加權非均質最短路徑算法（Weighted Anisotropic Shortest Path Algorithm）、空間殖民算法（Space Colonization）、層級系統（Layer System）等算法也被用來表征城市路網幾何或拓撲關系，繼而被編程轉化為生成規則來驅動城市路網自動化生成與建模[14-16]。Benes 等[17]和Garcia-Dorado 等[18]則關注城市路網功能表現與最終城市路網形態的關系，以優化路網功能表現為目標建立城市路網生成規則，提出了根據模擬結果迭代調整、逐步優化的城市路網生成方法。

建筑布局與形態生成方面，基于過程與規則的方法也有廣泛應用。根據城市路網生成結果和用戶預設參數，Parish 等[13,19-20]將路網劃分出的地塊繼續切分以確定建筑位置，并使用Lindenmayer 系統在不同位置依次生成建筑形態。為了在地塊內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性算法，利用現有城市建筑、路網數據構建案例庫，根據設計指標契合度與幾何形態相似度等維度來制定規則，并基于此完成案例與設計目標地塊的匹配。為了生成更加細致的建筑形態，基于形狀語法（Shape Grammar）的生成規則也被提出并應用于建筑生成建模中[21-23]。在大量設計實踐中，以強排方法為代表的建筑布局生成式設計和優化方法也有廣泛應用[24-25]。與強排法需要先枚舉大量方案再針對目標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化求解算法嵌入生成過程，實現針對單一生成方案的“生成—評價—優化”的回路。

1.2 基于深度學習的城市形態生成方法

近來，人工智能聊天機器人程序ChatGPT（Chat Generative Pre-trained Transformer）席卷全球，再次引發了學界和產業界對人工智能生成內容（Artificial Intelligence Generated Content,AIGC）的強烈關注。事實上，在ChatGPT 風靡全球之前，基于機器視覺技術和自然語言處理技術的深度學習生成算法就已經在圖像生成、圖像補全、文本生成、人機對話等內容生成任務上有廣泛應用。然而，深度學習生成算法在城市規劃設計領域的應用還比較少。

現有基于深度學習的城市形態生成模型利用卷積神經網絡（Convolutional Neural Network,CNN）等深度學習主干網絡提取海量案例庫中的城市形態特征要素，并基于此利用對抗生成網絡（Generative Adversarial Network,GAN）等生成架構學習預測生成城市肌理，確保生成的城市肌理方案特征分布與訓練數據集保持一致（生成方案模仿訓練案例特征與風格）。

基于上述深度學習框架，Hartmann 等[27]提出了基于CNN 和GAN 城市路網生成模型StreetGAN。其中，CNN 作為模型主干網絡負責城市路網幾何特征的感知、提取、編碼。GAN架構則基于CNN 構建生成器（Generator）來生成新的路網圖片，構建判別器（Discriminator）來判斷生成路網圖片是否來自真實的訓練數據集。兩者通過迭代對抗訓練，直至生成器生成的新數據無法再被判別器辨別真偽（即新數據是否與訓練數據集的特征具有一致性）。此時，建立了“刺激—響應”機制的生成器就可以被用來生成與訓練數據風貌統一的城市路網（圖1）。采用類似技術路徑，基于CNN 與GAN 的深度學習生成模型也被嘗試應用于建筑布局生成和建筑形態預測等任務。鄧巧明等[11]、Liu 等[28]和陳夢凡等[29]采用CNN 和GAN，通過學習少量標注校園布局案例，訓練模型自動生成校園布局方案。而Pan 等[30]、Shen 等[7]和董智勇等[10]則利用現有建筑和道路平面布局圖，訓練深度學習模型生成不同風格的建筑布局方案。Ye 等[31]則在城市設計方案渲染任務上應用了CNN 和GAN，實現了自動化的渲染與風格遷移。

1 基于深度學習的城市形態生成技術框架——以城市路網生成為例

1.3 總結

回顧上述兩條技術路徑可以發現，基于過程與規則的計算機輔助城市形態設計和建模方法依據專業人士制定的邏輯過程與生成規則生成城市形態。相關過程和規則都基于成熟的設計邏輯與領域研究成果，邏輯可解釋性強；基于過程與規則的方法也便于搭載功能強大的人機交互界面，使用戶可以隨時介入設計生成過程，實時調整生成條件、修改生成結果，生成過程高度可控；同時，已有輔助設計工具搭建了完善的從“規則制定”“方案生成”到“模擬優化”的城市形態規劃設計系統框架。

基于深度學習的城市形態生成方法通過選擇適當訓練案例來訓練模型，獲得在地性、適應性較好的城市肌理形態生成能力，最大限度避免人工介入生成過程，解決基于過程與規則的生成方法中強制要求人工選擇生成規則、手動調整參數才能完成方案適配生成的問題。同時，深度學習主干網絡強大的二維、三維形態感知能力可以精準提取、編碼復雜的真實城市形態特征，使模型具備快速生成豐富多樣城市形態的能力。

雖然現有深度學習技術在樓宇布局生成和路網結構生成方面均有嘗試，但與其他深度學習生成模型類似，現有基于深度學習的城市形態生成方法采用“端到端”的生成模式。用戶只能在輸入端附加生成條件指導方案生成，但在生成過程中不可以介入和干預，方案生成過程可控性差。同時，現有基于深度學習的城市形態生成方法采用的GAN 架構在工作機制上沒有城市規劃設計學科基礎理論作為支撐，“黑箱”生成過程邏輯可解釋性不強。這使得現有深度學習方法很難在以人為核心的城市規劃與設計領域獲得信任、得到推廣。城市規劃設計界更需要的是以人為中心、基于人機互動的計算機輔助城市設計技術[32]。

基于上述分析，本次研究希望將基于過程與規則的方法在系統性、可解釋性、可控性方面的優勢，和深度學習方法在特征感知和動態生成方面的優勢融合起來，構建全新的基于深度學習的計算機輔助城市形態設計框架，以精準感知識別復雜城市形態，智能輔助設計生成豐富多樣的城市形態方案并實時對方案進行合理準確的模擬推演。本研究旨在為計算機輔助城市規劃設計技術的智能化升級提供交叉融合新思路，促進數據驅動的深度學習模型在融合專業領域學科知識后更好地適配城市規劃與設計領域專業任務，助力城市設計工作的提質增效。

2 基于深度學習的計算機輔助城市形態設計框架

本研究提出的計算機輔助城市形態設計框架由城市形態案例庫、城市形態感知識別模塊、城市形態生成建模模塊和設計方案仿真模擬模塊4 個部分組成，各部分均基于深度學習技術建立且相互緊密關聯（圖2）。其中，城市形態感知識別模塊利用初始城市形態案例庫，學習提取城市形態特征并基于此對城市形態案例進行形態類型分類。訓練后的城市形態感知識別模塊可以實現城市形態案例的自動化形態類型標注，助力城市形態案例庫的規劃設計知識融入和案例庫規模擴展。基于城市形態案例擴展庫，框架中城市形態生成建模模塊可以通過學習規劃設計先例和城市形態案例，建立城市形態設計方案推薦生成機制：根據待設計區域周邊建成環境，快速推薦城市形態類型，并根據用戶規劃指引與預設規劃指標生成城市形態設計原型方案。最后，設計方案仿真模擬模塊應用數據驅動的深度學習技術對“人”的反饋和行為進行學習建模。通過將“人”的模型應用至城市形態生成建模模塊輸出的城市形態方案中，可以實現設計方案的實時仿真模擬，從而指導方案的進一步調整優化，支持多方案的評價和比選。

2 基于深度學習的計算機輔助城市形態設計框架

3 Urban Classifier 模型結構

值得注意的是，本研究提出的基于深度學習的計算機輔助城市形態設計框架并不致力于提出“最優”設計方案，而是希望利用深度學習技術加速現有設計知識積累、設計方案生成和方案仿真模擬過程，使用戶可以在以深度學習為代表的新一代人工智能的協助與啟發下快速便捷地嘗試不同原創設計思路，以擴大設計方案備選庫。

3 新框架下的技術探索

本節將以筆者及其所在團隊開展的相關技術探索為例，闡釋如何圍繞本研究提出的計算機輔助城市形態設計框架研發全新深度學習模型，實現深度學習技術的全鏈路智慧賦能。本節內容將包括框架內城市形態“感知識別”“生成建模”和“仿真模擬”3 個部分，各部分遵循“專業知識+深度學習”“人類智能+人工智能”和“社會學調研+大數據分析”的方法提出不同深度學習模型，為城市設計實踐提供建模與輔助設計工具儲備，為現有計算機輔助城市設計技術的智能化升級提供新思路。

3.1 城市形態感知識別

城市形態的識別和分類是城市研究、城市規劃和城市設計領域的基本課題。一代代學者們用他們的專業眼光來“觀察”豐富多樣的城市形態，試圖回答城市形態學領域中的經典研究問題：如何“觀察”城市形態以及如何通過它指導城市規劃設計工作。

在本研究提出的計算機輔助城市形態設計框架中，城市形態感知識別模塊致力于建立深度學習模型來模擬專業人士識別和分類復雜城市形態。實驗表明，現有面向通用視覺任務的深度學習模型（如圖像分類模型）無法在城市形態分類任務上達成較好結果。究其原因，常規圖像分類任務更多關注物體本身特征，而城市形態分類任務往往需要首先確定最佳觀測空間尺度及視角，再進行特征提取和形態分類。最佳觀測空間尺度及觀測視角的判斷是城市形態分類任務關鍵[33]。

基于以上分析，我們遵循“專業知識+深度學習”的交叉融合思路，將空間尺度、觀測視角概念融入基于卷積神經網絡的深度學習模型，提出了全新的Urban Classifier 模塊（圖3）[33]。模型通過讀取城市形態圖片，預測圖片內標注地塊所屬類型，預測內容包含3 個方面：（1）地塊所在城市，（2）地塊所在區域的城市形態學分類，（3）地塊規劃建設時期。Urban Classifier模型首創性提出串聯兩個CNN 模型實現多尺度、多視角的城市形態分類：一個網絡實現目標分類地塊在多空間尺度上的特征提取和形態類型預分類（MSSM 模型），而另一個網絡則聯合在目標分類地塊內多個觀測點的多空間尺度形態預分類結果對目標地塊進行形態類型分類預測。這種工作機制將空間尺度和觀測視角概念引入深度學習模型，成功模擬了專業人士使用地圖觀測城市肌理形態時常見的“推近”（Zoom-in）“拉遠”（Zoom-out）及“平移”（Pan）的行為。基于歐洲城市形態圖片數據集開展的系列模型對比實驗表明，研究提出的Urban Classifier 模型在全部分類任務、全部分類類型上的F1 分數超越基線模型。

此外，Urban Classifier 在本研究提出的計算機輔助城市形態設計框架中扮演另一個重要角色：減少將城市形態類型這一規劃知識融入城市形態案例庫所需的人工數據標注工作。使用遷移學習方法，Urban Classifier 可以識別、分類全新采樣的城市形態圖片，助力城市形態案例庫的規模擴展和自動化形態類型標注。實驗表明，Urban Classifier 只需要新城市25%的標注數據，就能達到使用全部標注數據訓練的形態類型分類性能表現。利用可逐步擴展的城市形態案例庫，本研究提出的城市形態生成建模模塊可以通過學習更多的城市形態案例來逐步建立、積累規劃設計知識，以生成更豐富、多樣的城市形態方案。

3.2 路網形態生成建模

瞄準現有基于深度學習的城市形態生成方法的“黑箱”式生成機制較難融入城市規劃設計專業知識（如城市形態類型學）及自然約束（如地形地貌）等考量因素的問題，以及其“端到端”的方案生成過程可控性差的問題，我們以城市路網形態生成建模為例，遵循“專業知識+深度學習”、“人類智能+人工智能”方法，提出了融入規劃設計知識且用戶高度可控的城市路網形態生成模塊，StreetGEN。具體而言，受機器視覺領域圖像補全任務啟發，方舟等首先提出了基于CNN 和GAN 的城市路網補全生成模型[34]。模型通過自監督學習現有路網案例（由框架中城市形態案例庫提供），獲得相應城市路網形態感知識別、補全生成智能：模型根據動態感知的設計環境（待設計區域周邊路網形態），推薦相應路網形態類型并補全生成路網設計方案。以上述路網補全生成模型為基礎，我們遵循“專業知識+深度學習”的交叉融合思路，分別嘗試將規劃設計專業知識（來自案例數據的知識標注）與自然約束（來自地形地貌信息）分別引入基于深度學習模型的路網補全生成過程[34-35]。其中融合規劃專業知識的城市路網補全生成模型利用路網形態類型標簽（由研究框架“城市形態感知識別”部分研發的Urban Classifer 標注）和路網關鍵節點，將專業知識作為生成條件接入深度學習生成模型[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 的城市路網補全生成模型，并通過在常規圖像補全模型結構的基礎上前置基于注意力機制的地形信息篩選過濾模塊，將地形特征作為生成條件融入城市路網生成過程，提出了一種可動態感知地形特征的路網生成模型[35]。上述模型可以結合城市路網形態特征與區域地貌約束，成功應對在不同地貌條件下的路網預測生成任務。系列模型對比測試表明，上述兩個采用“專業知識+深度學習”思路研發的路網形態補全生成模型，在測試數據集上表現優于基線模型（部分模型輸出案例見圖4）。

基于上述全新路網形態補全生成模型，我們遵循“人類智能+人工智能”思路，進一步提出了迭代式機器智能輔助城市路網設計概念，力圖實現人類智能與人工智能在城市路網設計過程中的協同工作[36]。具體而言，我們提出了一個利用隨機保留部分真實城市元素（路網關鍵節點）模擬用戶指引的路網補全生成模型訓練方法，實現模型可以適應逐步接入的用戶指引，分階段預測生成城市路網推薦方案[36]。通過將上述多階段城市路網生成模型嵌入人機交互設計平臺，模型可以依據用戶輸入的設計指引動態生成路網形態方案推薦。而用戶則可以借鑒模型推薦方案逐步形成設計思路，并通過修改推薦方案和更新設計指引來觸發新回合的模型運算合更新推薦方案的生成。至此，實現迭代式、用戶與深度學習模型相互啟發、協同工作的城市路網設計模式。

3.3 路網交通流仿真模擬

在眾多城市元素中，城市路網被視為城市建成環境的支柱和骨架，其對居民出行行為和城市交通有著巨大影響。現有城市路網評價方法中，一種技術路徑使用指標參數來量化評估城市路網設計方案，并利用參數優化技術實現設計方案的自動調整與優化。這一基于規則與指標參數的技術路徑具有評價體系遷移性好和設計方案“評價—優化”求解速度快的特點。另一種技術路徑則通過對“人”和“車”進行行為建模來模擬推演“人”和“車”在不同路網設計方案中的出行行為和行駛軌跡，并以此作為依據進行路網結構微調合優化[18,37]。相比基于規則與指標參數的方法，基于仿真模擬的技術路徑可以通過模擬路網交通運行狀況較為直觀地推演應對不同設計方案時“人”的反饋，從而將人的因素直接融入路網設計評價、優化過程。

遵循基于仿真模擬的路網評價技術路徑，我們依托高校學生出行行為研究和成都社區居民出行行為研究項目，開始研發基于對抗模仿學習“多源城市大數據”和“出行行為調查”的城市路網交通流仿真模擬技術，以期提高現有交通流仿真模擬技術的建模速度、運算效率和響應速度。

4 融和規劃知識的城市路網形態生成模型案例，引自參考文獻[34,36]

5 迭代式機器智能輔助城市路網設計技術—交互界面，引自參考文獻[36]

具體而言，我們利用城市基礎數據和交通數據訓練基于深度學習的城市路網交通流生成模型和交通流分配模型，組成基于深度學習的城市路網交通流仿真模塊SimStreet，分別預測給定路網片區（由StreetGEN 生成）與其所在城市不同交通分析區（TAZ）間的交通流OD 數據和給定路網片區內部各路段的交通流量。在此基礎之上，我們提出對抗模仿學習技術以解決大數據驅動的SimStreet 模塊在模型遷移應用時可能面臨的本地數據缺失問題。當給定路網片區所在城市無法獲取SimStreet 模塊訓練所需多源城市大數據時，我們提出可以在給定路網片區所在城市開展實地調研，利用有效抽樣調查問卷信息還原居民個體出行案例。接著，利用個體出行案例，采用生成式對抗模仿學習算法微調使用其他城市多源城市大數據訓練的SimStreet 模塊，實現模塊的快速、有效遷移，使其在缺少多源城市大數據的城市依舊獲得較好的預測準確率。

最終，基于本研究提出的基于深度學習的計算機輔助城市形態設計框架，通過聯合調試上述3 個基于深度學習的城市形態感知識別、路網形態方案生成建模和路網交通流仿真模擬模塊，可以實現城市路網形態方案設計的深度學習全鏈路智慧賦能。

4 結語

在當前城市建設轉向提質增效，計算機算力和算法取得突破的大背景下，計算機輔助城市規劃和設計技術迎來重要機遇。本文通過融合基于過程與規則的方法和深度學習方法各自優勢，構建全新的深度學習框架。框架將城市形態規劃設計鏈條拆解成為城市形態案例庫、城市形態感知識別、城市形態生成建模和設計方案仿真模擬4 個部分，并遵循“專業知識+深度學習”、“人類智能+人工智能”和“社會學調研+大數據分析”的方法提出了不同的深度學習技術模塊。

6 城市路網交通流仿真模塊框架

本研究提出的計算機輔助城市形態設計框架可以在短時間內智能輔助設計、評價城市形態設計方案，協助設計師在有限的設計期限內盡可能多地提出高質量設計方案，以供進一步的斟酌、推敲、比選，助力城市設計工作的提質增效。此外，該框架還可以集成進入城市空間規劃治理平臺等城市信息平臺（City Information Model,CIM），以拓展現有CIM 平臺在輔助設計方面的功能。通過與現有平臺組件相互耦合，可以形成從城市空間展示、監控、輔助設計到方案模擬推演的智慧城市治理閉環[38-39]。此外，研究提出的城市形態生成建模模塊亦可橋接現有城市宏觀發展預測模型[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，實現多尺度城市發展情景的模擬推演[44]。