基于机器学习的城市生成方法研究

胡思润，杨晓旭，宋靖华

HU Si-run, YANG Xiao-xu, SONG Jing-hua

（武汉大学）

1 引言

1.1 研究背景

“千城一面”是我国快速城市化与全球化背景下的时代产物，自上而下的规划可以创造出总体秩序但不能创造出有机秩序，这是当前产生千城一面，尤其是城市中心区缺乏一个有机而整体的秩序的重要原因。自下而上生长的聚落经过漫长的历时性累积、试错与调整，整体与局部各元素之间经过充分的塑造与被塑造，生成与被生成，从线性的发展起点演变到非线性的复杂系统，形成了丰富而复杂的空间形态及非常富有个性的空间文化特性，但其从简单的线性空间演化涌现为高度复杂的非线性空间的过程一直是传统方法难以分析与解码的。当面对以速度、互联和全球化为特征的当代城市时，自下而上的缓慢生长的模式，同样难以满足以亚洲城市为代表的快速城市化需求。

在《涌现：蚂蚁、大脑、城市与软件的关系》中，史蒂文·约翰逊用“涌现”一词表示城市[3]。城市作为一个复杂系统，是由不同的要素、流、相互作用共同构成的，这些要素、流、相互作用均可理解为德勒兹提出的生成强度，每一种强度的改变都会引起网络系统的变化。通过现代计算机来模拟复杂系统中的不同要素行为和它们之间的相互作用，让整个复杂系统中的的相互作用自下而上的“涌现”出来，是研究聚落生成的重要手段，但由于影响聚落发展的要素以及相互作用数量巨大且十分复杂，研究不同要素之间的内在关联性仅仅依靠普通计算机的算力很难完成，因此我们引入机器学习来辅助研究聚落生成的不确定性。

本文研究方法计划运用强化机器学习方法与城市规划和建筑学专业知识相结合，使其应用到聚落生成模型的建构上，对城市中心区空间的复杂网络的内在关联进行量化分析，提出空间有机秩序的正向协调生长模型。利用该模型对个案城市的空间生长进行控制生成、分析和评价，探讨新型城镇化过程中多元、多样性的城市特色空间形成机制，引导规划师和建筑师创造包容、融合的富有特色的“千面”空间。

1.2 国内外研究现状及发展动态

城市中心区是一个特殊的聚落，它集中反映着一个城市的机能、个性和特色，从村落到城市，大量的学者展开了各种角度的研究。相比于最早的实地调研和文献考察方法，学者们开始利用卫星测绘、模数制、大数据以及空间句法等各种数字化手段进行研究，对空间、结构、关联要素等方面有了更深刻的认识。20 世纪后期，随着复杂性科学发展，城市研究的手段变得更加深入。城市作为一个复杂巨系统，[1]生长演化遵循复杂系统的自组织演化方式。空间句法的出现将定性研究的视角转为定量，以更加精准的数据对城市加以描述。近年兴起的参数化设计更是将这一思想推向高潮——涌现理论对城市设计思路的影响[2]，集群城市主义[3]、矢量力场与流体城市[4]、多代理系统[5]等丰富的设计手段，从数字化建造到数字化编程的技术革新，都宣告着对城市认知的巨大改变。

近两年人工智能的兴起，以及Alphago 的横空出世，为此类复杂问题的研究提供了新的视角。最新的Alphago Zero 不需要人工样本的输入，完成了零基础学习的突破，适当的规则控制以及最终胜负的判定即可完成以往大数据训练才能得到的效果，大大提高了对复杂问题分析的效率。本文计划将强化机器学习的方法引入规划及建筑学领域当中，在城市数据成本昂贵且极难完整获取的条件下，利用其数据映射学习和样本扩展特点，建立城市自组织生成模式，并通过规则完成特定层面的阶段性有效的整体控制，使城市空间结构实现有机生长的同时，整体避免散乱、不可控制。人工智能主要运用于对城市数据的大规模挖掘，并大规模提升了中国城市规划界对世界城市增长规律和空间规律的认识[6]。

2 城市生成方法研究主要内容

历史聚落经过漫长的历时性累积、试错与调整，整体与个体、人与人、人与环境之间经过充分的塑造与被塑造，生成与被生成，形成了丰富而复杂的空间形态及非常富有个性的空间文化特性，在它看似随机、无序的形态表面下，有其高度有序的内在逻辑结构。因此，若要研究城市中心区空间理论与方法的内在逻辑，历史聚落则是一个最理想的活标本。

1）聚落生成的有机内在关联性

总体规划可以创造总体而不能创造整体，可以创造总体秩序而不能创造有机秩序，这是当前产生千城一面的重要原因。自上而下的规划存在着大量的规划者和使用者脱节的问题，使用者对城市或聚落的整体空间缺乏认同感，认为他们只是一部巨大的抽象机器上的一个齿轮。而在一个充满着有机内在关联的环境中，每一个部分都是独特的，各个不同部分之间相互协调、浑然一体，从任何一个局部都可以辩认出整体。

2）受限生成的自组织

完全的自下而上自组织通常会使局部处于控制地位，整体失去控制。局部最优取代全局最优，或者生成迭代无法收敛，导致要么杂乱无章要么过于单调机械，无法适应生气勃勃的聚落中种种起博弈作用的微妙影响力及其构成的复杂网络关系。

自组织中空间折叠的现象也很难用传统的研究方法进行分析与认识。就像蛋白质的折叠过程一样，聚落内的实体、环境、空间怎样从一个简单的线性联结在逐步生长的过程中折叠成一个空间的、复杂的非线性结构，在这一生长过程中，建筑及空间如何分类，如何自行配对，空间的功能如何表达结构，解域与结域的过程如何展开，这些问题用传统的方法都很难解决。

3）无样本的机器学习方式

对于聚落的生成，重要的不是物质空间表象的运动，而是信息的跨层次传送和转换，由此聚落生成的整体必然具有突现性、多层次性、不可分性和不可还原性。因此，生成的方法寻找的不是量的守恒律，而是质的相似律，它的重点在于如何突破还原分析的传统方法，找到整体作为整体，非线性作为非线性的新的研究方法，而不满足于在构成的基础上再附加相互作用的关系，或考虑如何将非线性问题转化为线性处理。系统科学中已创造了适用于系统整体性的研究方法，诸如模型方法、类比方法、功能模拟方法等，而分形、混沌理论也可采用迭代方程的方法充分运用于计算机技术，从而生动形象地描绘出生成过程及其动态图像。传统的机器学习方式需要大量数据及样本训练，给缺少共性的、个性化的独特聚落生成的研究带来了巨大的困难。与传统机器学习方法不同的是，利用无样本的强化机器学习技术无需人工提取城市空间配对特征, 其网络可以根据输入自动学习特征, 运用蒙特卡罗树搜索对包含了所有城市影响要素生成迭代50 步至150 步之后的结果加以判断，结合迁移学习的图像判断其偏向预先给定的有机样本还是偏向无机样本，以此不断修正生成效果并通过对生成过程中不同数据的权重变化的剖析来反向定量寻找其中每个因素的作用。

3 研究方法与关键技术

3.1 研究方法

1）深度强化学习方法

深度强化学习算法是深度学习与强化学习的结合，可以看作是机器学习中两大重要分支的创新性融合。传统观点认为，深度学习需要大量数据作支撑，泛化性能才会更好。但是，数据的采集和整理需要投入大量的精力才能完成，有时候甚至难以完成。每个独特个性的聚落形成的规律各自不同，很难用大数据分析的方式建立其内在的关联，而以AlphaGo Zero 为代表的深度强化学习算法另辟蹊径，不需要使用任何外部数据，完全通过自学习产生数据并逐步提升性能。这对难以采集大量精确样本的聚落结构研究有着重要意义。

聚落生成模型的核心之一即是深度强化学习方法加启发式算法。基于基本规则的启发式算法模拟聚落在一段时期内形成的过程，有机的聚落结构（agent）通过深度强化学习算法触发奖励机制（reward），不断强化对有机聚落有益的因素，使整个动态生成模型逐渐向最合理的结构完善。

2）“迁移学习”理论指导下的基于卷积神经网络的深度学习方法。

卷积神经网络是人工智能领域在深度学习处理图像方面较为成熟的算法模型。其最首要优势在于特征提取——输入原始数据，然后能自动发现需要进行检测和分类，利用特征提取功能，把分类过程中，提取到的特征，同时又用于定位检测等各种任务，只需要改变网络的最后几层，就可以实现不同的任务，而不需要从头开始训练整个网络的参数。在判别有机城市结构的问题中，深度学习的这些优势可以高效地学习处理大量现有有机城市图像，并帮助我们提取超出与人脑认知的城市结构特点，对城市结构的关联性、开放性以及弹性进行判断。结合迁移学习的卷积神经网络的深度学习方法具有需求数据量少、训练时间少、容易满足个性化需求等特点，可以在现有的相关联的领域寻找训练较为成熟可用的深度学习模型，将其迁移过来进行有机聚落结构的辨别。

3）定量与定性分析结合的方法。

用机器学习来判定有机聚落结构，其核心是通过人工智能客观的对有机聚落结构的特点进行分析辨别，相比人的判断，这种量化的方法更加科学。对人工智能的输出结果，仍然要人为定性的判断分析来总结规律。定量与定性结合，从而更为客观探究特点鲜明的有机聚落结构。

3.2 研究思路（见图1）

①利用迁移学习理论，将相关联的领域成熟可用的深度学习模型迁移过来，作为评估模型。

②利用深度强化学习算法，在生成越来越多的样本后加以训练，保留合理的数据，形成反馈作用。

③根据训练成熟的有机城市结构评价模型依据结构特点的深入程度进行分类评价；输出判断评价与人的主观评价差异较大的样本，重新进行标记反馈给模型，增强有机城市结构模型的准 确性。

④对模型内部层进行可视化，观察机器学习模型内部对有机城市结构特征的抓取，对其学到的特征总结为专业知识作为输入反馈，进一步增加深度学习模型对有机城市结构评价的准确性。

⑤对机器学习模型输出的有机聚落图像，依照相关专业知识作为规则通过计算机进行优化，得到更加合理的有机城市形态结构。

图1 研究方法思路图

3.3 关键技术

①迁移学习理论解决有机聚落样本量不足且标签昂贵的问题。训练数据量的不足且打标签费用昂贵几乎是每个应用到深度学习技术的现实领域都会遇到的问题。借用相关联领域的成熟可用的预训练深度学习模型，直接使用相应的结构和权重，进行适当的修改优化以满足本课题特定问题的要求，可以有效弥补样本数据量的不足，从而节省大量的训练时间，有效的推进研究的进度。

②从深度强化机器学习中反向学习。聚落动态生成模型从基本生成规则出发，使用纯粹的深度强化学习技术和蒙特卡罗树搜索对包含了所有城市影响要素的生成结果加以判断，结合迁移学习的图像判断，通过对生成过程中不同数据的权重变化的剖析来反向定量寻找其中每个因素的作用。观察机器学习模型内部对有机城市结构特征的抓取，对其学到的特征总结为专业知识作为输入反馈，进一步增加深度学习模型对有机城市空间结构评价的准确性。

4 结语

从复杂科学的角度讨论城市中心区生成的深层规律，摒弃传统方法中从一个或几个角度来进行片面解读以规避复杂系统混沌问题的难度。建立城市中心区动态生成模型，借助机器学习强大的计算能力，全面地挖掘出可能相关的促进动因和限制条件，模拟其渐进式生成丰富内在有机关联的独特个性城市空间，创新性地将传统的研究方法与强化机器学习相结合，并利用其可视化功能向机器学习中反向学习其特征关联规则，从而完善专家经验性的判断评估体系，便可以解决快速城市化过程中的千城一面的难题。