城市与人工智能︱利用神经网络算法识别城市形态

Posted 2021-04-24 一览众山小-可持续城市与交通

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了城市与人工智能︱利用神经网络算法识别城市形态相关的知识，希望对你有一定的参考价值。

城市与交通

城市与人工智能︱利用神经网络算法识别城市形态

编辑团队

原文/ Roman Kuchukov

翻译/ 宁思曼文献/ 王硕校验/ 众山小

编辑/ 众山小排版/ 徐逸菁

译者萌像与导读：机器学习与城市规划决策会有什么样的故事呢？以下两篇文章介绍了两种不同的角度。第一篇文章从城市的平面出发，通过机器学习辨识不同的用地类型，而且准确率达到了70%。第二篇文章立足于人和公司、政府互动的关系，通过代理模拟人的一些社会特性，展示了在不同情况下政策会对生活在纽约的人们的生活造成什么影响。这两篇文章对我们提高效率或者应用大数据做决策或许有所启发。

○

一览众山小

可持续城市与交通

则一、城市分类项目：用神经网络识别城市形态模式

原文/ Roman Kuchukov 翻译/ 宁思曼

人工智能正在很多行业领域的分支发展传播，而经济，建筑，设计，城市设计也不会例外。这些领域有巨大的潜能，甚至可能高到完全改变现有的方法和实践。我的研究是关于我们如何更好地利用AI在一些特定的任务上-以一些俄国城市为例辨别城市模式形态。

图一、识别俄国城市形态

不管是城市规划，概念或者研究，在和城市打交道的时候理解它的结构是很有必要的。然而现有的地图服务并没有提供关于这个城市的基本概念。

这个方法采用了神经网络，可通过学习辨别不同的城市形态模式最终给出一个全局图景。这样我们就可以得到一些关于这个城市景观的新知识。

如果一个人能够通过看卫星地图来分辨一个工业区和一个居住区，那么电脑也可以做这个。这个任务就是要训练电脑，把知识从人传递到神经网络。

在我的研究里，我分析了五个大型的拥有超过1百万人口的俄罗斯城市-莫斯科，下诺夫哥罗德（在苏联时代被称为高尔基市），喀山，萨马拉，叶卡捷琳堡。

许多俄罗斯城市奇怪的一点在于拥有共同的城市形态模式的发展（形态类型）。比如说，居住区由某个原则指导的相同系列的建筑组成-这种居住区被叫做“微型人造丝”。这样，俄罗斯城市的形态特征就可以基于一组形态特征来进行分析。

图二、方法论

这个方法由两个步骤组成：

1）学习：训练模型

在这一步，取得高质量的和足够数量的数据集来训练是很重要的。为了实现这点，一个专家-可以将对象进行分类的人（在这里，就是说我啦），用随机的方式来分类数据集里的单个对象，比如说总数的10%；总体来说越多越好。然后，当训练好的数据集收集好了，就有可能训练神经网络模型了-分类器。

2）预测：样本分类

当模型训练好之后，不限数量的样本可以通过它。输出的就是样本的预测类。

我们训练了电脑，现在电脑可以为我们创造新的知识了。

图三、初始分类（专家）

我的工作流程如下：

-GIS软件QGIS，使用Open Layers基于Google地图的模块，和我自己用来做初始分类的脚本以及专家样本。

-Python 环境的机器学习库：Keras，Theano。

我采用的是卷积神经网络来做机器学习，可用于LeNet项目。

图四、LeNet项目-手写识别

针对城市分类项目，共有1686个样本进行了挑选和分类（1267训练/419得到确认）。通过检验正确率可达到70-75%，这对于一个小的数据集来说还算是不错的指标，而且要考虑到不是所有的样本可以明确地辨别。

形态分类

所有的城市都被划分成600X600米的小方格，提供7个典型的城市形态类型用于选择。整个样本根据主要的内容分类。

图五-1、私人住宅区

图五-2、历史城市区，20世纪之前

图五-3、居民楼被分开的 “斯大林风格”的城市街区，下半部分是20世纪上半叶，1930-1960

图五-4、大量的公寓建筑群-“微型人造丝”

图五-5、现代的居民开发区，从2000年至今

图五-6、工业和公共区域：工业区，火车站，购物中心，体育馆，基础设施；

图五-7、自然和混合用地地区。

结果

莫斯科

7636个样本

图六、莫斯科

易于辨别的大区域，由许多小块组成：包括莫斯科的历史中心，公园，莫斯科河岸，工业区以及主要城区外的低矮的定居点。

城市部分的放大版：

图七、莫斯科放大图（4张）

在放大的局部图片里，每种单独的物体是清晰可见的，比如说：名为Leninksy Prospect 的街道，铁路基础设施，以前的ZIL车间（ZIL是俄罗斯的小汽车、卡车、军用车制造商）。

其他城市也用类似的方法表示

喀山

1389个样本

图八、喀山

下诺夫哥罗德

1188个样本

图九、下诺夫罗德

萨马拉

691个样本

图十、萨马拉

叶卡特琳堡

1254个样本

图十一、叶卡特琳堡

结论

我很高兴自己能够将想法付诸于研究，与此同时辨别的精准度达到了70%以上。

这只是将深度机器学习技术运用于城市发展实践的一个例子。比方说，你可以训练神经网络去辨别公共区域和一般区域的不同，提取他们的特点以备后用。我们用同样的方法辨别了其他城市，比如说欧洲和美国的城市。

结果将是我们将以电脑看待城市的方式来看待我们的城市。

则二、模拟纽约市中的人类：城市生活的ABM复合模型

原文/ Francis Tseng , Fei Liu , Bernardo Alves Furtado 翻译/ 宁思曼

这是一个很有意思的项目，针对建筑的代理模型模拟城市和政策对人们（代理）的影响。这个项目在GotHub有。向作者们致敬，他们分别是Francis Tseng, Fei Liu and Bernardo Furtado。文献：Tseng, F., Liu, F., & Furtado, B. A. (2017). 在模拟纽约的人们：一个关于城市生活的解释模型。（参考文献1，请联系我们索取）

简介

这篇论文展示了一个采用了综合模拟代理的实验模型；该模型可以为尝试不同情形下的政策决定的模拟提供解释的平台。该项目的框架采用分布式在线计算的格式，使用者可以参与并从视觉上探索结果。模拟的活动涉及日常活动，像购物，看医生或者劳动。更进一步的是，代理们基于个体的行为特点和最小的需求来做日常决策，这一点是基于社会和蔓延网络。发展充分的公司和政府也碑廓在模型内，包括了征税，制造业决策，破产和产权变更等功能。这对于文献的贡献是多种的。贡献包括了（a）一个同时拥有代理细节和公司活动、过程以及原始用途的综合代理模型；（b）强化对公司定价和需求分配的学习;(c)社会传播，例如疾病传播和招聘机会的传播;和(d)针对代理人口的统计学贝叶斯网络。所有这些都集中在 (e) 一个丰富的视觉环境和数据库的多种用途。因此,该模型提供了一个全面的框架；该框架在市民与公司、政府的互动可以容许轻松地学习和可视化政策与场景。