基于复杂系统理论的平行城市模型架构与计算方法

张晓东 许丹丹,2 王良 梁弘 吕宜生 王飞跃

1.北京市城市规划设计研究院北京100045 2.北京交通大学北京100044 3.中国科学院自动化研究所复杂系统管理与控制国家重点实验室北京100190 4.中国科学院大学人工智能学院北京101408

新冠肺炎疫情促使超大城市运转及治理发生深刻变化,基于新技术认识规律的城市韧性治理是应对我国发展环境深刻、复杂变化的重要途径.一方面,人工智能、机器学习、物联网、区块链和大数据等新技术广泛应用,第四次工业革命以前所未有的态势席卷而来[1].城市从物理走向数字,从资源走向信息,从原子走向字节,从工业走向工业4.0 时代,探索城市的技术限制越来越小[2],数字化、信息化正在颠覆性改变人类生活,也为城市治理塑造了新的机遇.另一方面,信息化的快速发展重新定义了人类对于城市的认知,城市不再是物化的静态场所,而是作为动态变化的“复杂系统”被重新解读:系统中的要素交互耦合、协同作用,基于系统逻辑对城市进行规划、管理及调控成为可能.复杂科学的不断发展使得人类对于社会、城市发展规律的挖掘逐渐向范式转变,人类对城市复杂系统黑箱探索的动力愈加强烈.

1 研究综述

1.1 大数据背景下的城市研究现状

对于如何在大数据背景下重新理解城市,国内外学者及机构开展了大量城市研究工作.

国外研究开展较早,在城市可视化、城市治理信息技术、城市动态模拟、城市量化、城市感知、数字孪生等方面取得了一些开创性成果.1980年,杰罗姆·威斯纳和尼古拉斯·尼葛洛庞帝教授共同创办了麻省理工媒体实验室(The MIT Media Lab),实验室聚焦城市发展大数据可视化,为决策提供了技术支撑.麻省理工大学感应城市实验室(MIT Senseble City Lab)致力于城市治理信息技术,提出了全新的描述和理解城市的范式,预测城市变化;此外,实验室与维多利亚州、剑桥市等开展合作,分别通过数字技术为管理者和居民提供了先进方案.在城市动态模拟方面,伯克利大学城市分析实验室(Urban Analytics Lab)与大都会区交通委员会和湾区政府协作,开发了实时UrbanVision 原型,构建了城市模拟的3D 可视化平台.英国伦敦大学学院教授、UCL 高级空间分析中心(Center of Advanced Spatial Analysis,CASA)主任迈克尔·巴蒂围绕智慧城市与城市定量分析开展系列研究[3],基于城市理论、城市模拟方法、计算机可视化、编程、GIS 以及智慧城市等学科的交叉应用开创了“新城市科学”,并将其纳入了规划教育体系;在研究工作上,迈克尔·巴蒂从复杂性科学视角入手,不断丰富智慧城市的内涵,同时对城市的数字孪生概念进行了讨论.此外,英国阿兰图灵研究所、利兹大学、伦敦大学等相关团队也围绕城市定量分析的不同领域开展了相关工作.

受信息化影响,国内城市研究经历了快速发展和转型时期.同济大学吴志强院士指出,“按照城市发展的规律开展城市规划是城市发展的新历史时期”;吴志强院士团队于2015年推出了城市规划从BIM走向CIM 阶段的概念,并通过北京通州副中心建设进行了应用实践,是CIM 技术在智能化城市的率先尝试;同时,吴志强院士团队研发的“城市树”全球影像智能识别技术,完成了全世界第一张最完整的城市建成面积图;此外,团队基于城市智能推演技术研发,在北京城市副中心城市设计中完成了世界上第一个纯粹人工智能推演的发展模型.北京市城市规划设计研究院面向城市总规、专项规划及城市治理构建了规划决策支持模型体系,并基于大数据背景下的规划业务需求成立了大数据实验室,聚焦城市感知、城市模拟及定量分析开展了大量工作,实验室开展的新冠疫情时空传播模拟研究,为疫情防控提供了方法支撑.茅明睿等探讨了云平台、大数据等技术促进城市规划转型发展的若干问题.党安荣等讨论了大数据、云计算、物联网等技术在规划体系中的应用[4−5].柴彦威等利用地理环境数据和居民行为数据,构建了社区生活圈划定模型,为新版居住区规划标准中各类生活圈规划能够真正落地实施提供技术支撑[6].龙灜等在数据增强设计方法框架下提出了智慧规划的流程及3 大特征并从数据来源补充、城市生活与空间变化认知、规划设计响应等视角探讨了值得关注的相关内容[7−8].武廷海等人回顾了未来城市研究与实践中的4 个主要路径,明确了进一步创造未来城市的核心思路[9].

这些研究推动了大数据背景下城市规划及治理的发展,然而,城市是一个基于人的活动产生的复杂巨系统,尽管当前存在许多知识框架来理解城市系统的特定领域,但大多数定量研究所依据的标准假设通常并不适用于整个系统层次,从而导致了大尺度行为的因果被错误地描述.

1.2 基于复杂系统的城市研究现状

复杂性研究兴起于20 世纪80年代,获益于数据环境及技术手段的进步,人们对复杂系统的认识越来越深入.普遍认为,复杂系统是由大量相互作用的个体组成的系统,系统宏观现象与单个主体的性质几乎无关,绝大程度上取决于系统包含主体的数量,以及它们之间的连接、互动方式[10].因此,复杂性科学本质上又是研究关于涌现的科学.随着复杂性科学的不断发展,在世界范围内形成了美国圣塔菲研究所(Santa Fe Institute,SFI)等30 几个著名的研究机构.复杂视角下的城市研究工作主要从城市规划、交通运输、公共卫生、经济、能源、社会等领域展开,如表1所示.

在城市规划领域,研究关注人口、城市尺度、城市结构形态、基础设施的适应性等,通过城市的基本属性分析解答了城市中普遍存在的规模法则[11];在交通领域,研究关注交通系统物理结构、交通系统、运输系统等,通过网络及系统的思想解决了交通运输的效率、韧性问题;在公共卫生领域,研究关注传染病的传播与策略等,实现了传播机理的复现;在经济领域,研究关注金融市场、资金流动、产业分布等,通过现状分析及预测讨论经济的波动和关联关系;在能源领域,研究关注能源的网络传输、能源系统演化等,讨论了能源的供需关系;在社会领域,研究关注社会结构、社会网络、社会差异等,面向舆情、公平性等提供了解决方案.此外,由于各个系统间存在相互影响,因此,复杂性科学也关注系统间的耦合,如能源-经济-生态的协同分析等.

表1 基于复杂性科学的城市研究Table 1 Urban studies based on complexity science

随着研究不断丰富,城市领域的复杂系统理论形成了较为体系的技术方法,如图1所示.然而,面向实践的方法体系与实施逻辑之间的关系并不清晰—即复杂性方法如何支撑实施框架,实施框架如何指导方法的执行.因此,“如何基于复杂系统理论提出城市计算的方法框架”是本文要解决的主要问题.

2 基于复杂系统的平行城市模型架构

2.1 平行城市模型理论基础

针对数据碎片、信息孤岛等问题,数字孪生和平行系统的概念被提出并应用.数字孪生概念来源于Grieves 教授[12]基于产品全生命周期管理(Product Lifecycle Management,PLM)提出的“镜像空间模型”,其定义为包括实体产品、虚拟产品及两者之间连接的三维模型.除了数据及信息的集成与映射问题,复杂系统还存在不可假设与不可重复问题,对此,王飞跃教授提出了平行系统(Parallel Systems)理论[13−16].平行系统来源于影子系统(Shadow Systems)的思想[17],是指由自然的现实系统和对应的一个或多个虚拟或理想的人工系统所组成的共同系统.平行系统的本质就是把复杂系统中难以认知的“虚”和“软”的部分,通过可定量、可实施、可重复、可实时的计算实验,使之硬化,以解决实际复杂系统中不可准确预测、难以拆分还原、无法重复实验等问题[18].平行系统的核心是ACP 方法,主要由3部分组成,即人工系统(Articial systems,A)、计算实验(Computational experiments,C)、平行执行(Parallel execution,P)[19].从流程上平行系统通过数据获取、人工系统建模、计算实验场景推演、实验解析与预测、管控决策优化与实施、虚实系统实时反馈、实施效果实时评估来完成闭环处理过程[20].

平行系统技术在实践中不断得以丰富,发展逐渐丰富了平行感知、平行学习、平行区块链、平行智能[21−22]等相关理论和方法,在交通、医疗、自动驾驶、军事、化工等领域得到了广泛的应用并取得了显著的成果[23].作为智慧城市的新范式,吕宜生等提出了“平行城市”的概念[24],丰富、持续的信息流在“物理城市”之外形成了一个全新的包络空间,即“虚拟城市”,两者基于映射与反馈实现虚实交互,形成平行城市[25].平行城市由面向物理要素的实际城市和对应的人工城市共同构成,人工城市是人、地、房等城市系统所有要素的数字化、模型化、软件化定义,是实际城市系统在计算机中的等价映射和虚拟再构,不仅可以对实际城市系统进行精确描述,还可以对实际城市系统进行模拟、推演和预测.

2.2 基于复杂系统的平行城市模型架构设计

图1 基于复杂性科学的城市研究路径Fig.1 Approach to urban research based on complexity science

平行城市是基于平行理论,实现现实世界与虚拟城市虚实映射、互为反馈引导的城市管理模型,本文以王飞跃教授“平行系统”为理论基础,在吕宜生等人提出的“平行城市”理念上进行进一步延申,基于复杂系统设计平行城市模型架构,围绕“人”的社会属性,面向“七有五性” 要求,构建涵盖教育、就业、医疗卫生等各个领域在内的平行城市,并对架构内涵及计算方法体系展开讨论.

以往研究中将平行城市描述为由实际城市和与之等价的人工城市共同组成的系统,通过学习与培训、实验与评估、管理与控制3 个步骤,实现精准描述、智能预测及主动引导功能.该概念的提出是平行系统在城市治理中的重大推进,但架构的视角仍局限于对特定系统的认知.复杂性科学认为,“普适性规律的提取” 可以以更科学的视角理解城市,因此,本文基于复杂性理论在该工作的基础上进行拓展.

基于复杂系统的平行城市包括管理与控制、实验与评估、学习与培训、演变与迁移4 个步骤,如图2所示.首先,建立与实际城市连接的人工城市,完成管理与控制.面向城市全域要素体系,全生命周期管理需求,基于城市信息模型(City Information Modeling,CIM)等技术构建城市基底的数字孪生映射,实现城市底层模型的要素实体化、数据集成化及逻辑标准化;同时,面向主体的微观互动机理挖掘需求,基于主体建模(Agent-based model)及系统动力学实现人、场所等要素间的互动关系模型,进而构建城市基底与要素互动并行的人工城市系统.其次,基于计算实验实现模拟实验与评估.面向城市复杂巨系统中假设再现需求、不可重复特性,将计算机作为复杂系统实验室,基于计算实验对可能条件下的系统状态进行分析、评估与推演.再次,通过虚实互联形成自适应学习与培训.面向人工城市物理城市存在的信息不对称现状,通过城市实时感知与传输、迭代反馈控制实现虚实信息的对称交互.最后,基于涌现特性迁移,实现城市复杂系统规律演变与迁移.面向城市复杂系统的简单逻辑挖掘需求,开展纵向知识萃取及横向迁移,度量差异领域视角下科学问题及路径的相似性,深入理解城市的组织机制,实现普适性规律把握.

3 平行城市模型计算方法体系

复杂系统理论方法是平行城市逻辑的技术支撑.以城市治理为目标的平行城市模型沿精准感知、深度认知、智能推演、科学决策4 阶段技术路线实现.

3.1 精准感知

实时精准的底层数据是基于城市计算实现平行控制的基础.随着信息和通信技术(Information Communications Technology,ICT)的发展,物联网(Internet of Things,IoT)模式应运而生,智能设备的普遍使“万物可感、万物可连”成为可能.人流、车流、要素流等数据通过传感器、射频识别(Radio Frequency Identification RFID)、GPS 定位、多媒体信息采集等底层感知技术实现基础采集,通过通信网、互联网、无线通信等手段实现数据上行传输.此外,延迟容忍网络、低功耗广域网(Low-Power Wide-Area Network,LPWAN)等技术为持续稳定传输提供保障[26−27].为了更好地阐述时空感知步骤,用式(1)表示感知时空数据集:

其中,D为表示感知数据集,为时空流或时空网络(图3);OT表示特定感知对象类型的数据集,感知对象类型包括人、车、路、环境及非实体对象;s={(x,y)},表示感知空间维度,为点的集合;∆t表示感知时间维度,为根据感知需求所取时间段.

3.2 深度认知

图2 平行城市模型框架Fig.2 The framework of parallel cities

深度认知是依托人工系统对城市进行描述、分析的过程.认知是基于城市复现实现的,以复杂网络分析方法为代表的系统分析是刻画城市认知的主要技术手段.复杂网络分析将城市抽象为“以场所、使用终端等为节点,以交通流、信息流等传播为路径的多层耦合网络”,并展现为加权网络、二分图、大统一的混合网络模型等形式;网络叠加影响,共同构成城市系统复杂巨系统.在网络的分析方法上,一方面,统计物理发挥了重要作用,如渗流模型、重整化群、平均场理论等;另一方面,研究也关注网络上的物理过程和性质,如爱因斯坦凝聚、随机游走等.用式(2)及式(3)配分函数举例表达深度认知的过程:

图3 时空数据感知Fig.3 The process of spatiotemporal data perception

其中,i=1,2,3,··· 表示经济、社会、环境和城市人口;Ri表示描述第i个因素的变量,如城市居住/就业人口数;表示城市中该因素的约束条件,如城市总资源约束,人口约束等;表示城市微观物理状态与宏观物理量的配分函数;表示出现某种城市状态的概率.

3.3 智能推演

智能推演是平行城市的核心,是依托学习实现预测与反馈的过程.系统动力学建模、主体建模(Agent-based model)、深度学习等技术是平行城市智能推演的基础.复杂系统提供了一套从微观的简单动力学规则出发、通过主体建模与计算实验[28],对城市仿真模拟及预测推演的方法,如舆情传播、网络拥塞及级联失效等.城市智能推演解决了复杂巨系统的不可假设特征,既可模拟预测涌现特性,又可展现动因机制.用式(4)来表示复杂系统的涌现特征:

其中,S表示系统宏观特性;

fn(d)表示城市某系统呈现的非线性规律,如人口规模、城市规模、财富规模等;d表示个体之间的动力学机制,动力学可以用以下公式描述;

其中,X(t)表示t时刻的个体信息;G表示网络;θ 表示动力学参数.

3.4 科学决策

科学决策是平行城市的顶层设计,是复杂科学指导城市治理的意义所在.与其他复杂系统一样,城市有其生命发展规律,如何在人工城市推演的过程中萃取知识法则并将其应用于城市治理决策中,是城市科学的重要课题.复杂理论为此提供了解决思路:基于数据科学、统计物理及复杂生物学等多学科交叉,实现一般性知识提取及迁移,如群体行为与交通行为、菌落生长与轨网演化等等,最终实现普适性规律的提取,以支持科学决策.首先,针对域间知识迁移学习过程,用式(6)表示:

基于以上数据感知、认知、推演以及迁移过程,制定决策逻辑函数如式(7)所示:

其中,DM表示决策目标;f表示在数据集D、认知P、系统特性P、迁移学习TL以及其他政策等信息I基础上的决策制定过程,如权重函数等.

4 新冠疫情传播场景分析

新型冠状病毒疫情自2020年初爆发以来,成为全球重大公共卫生事件,并对经济、社会、民生产生持续影响.精准防控响应策略、完善医疗系统的疫时响应和支撑,是遏制疾病传播扩散、增强城市韧性的重要手段.因此,本节以城市新冠疫情传播为典型场景,面向数据驱动下的城市空间脆弱性评价及防控影响效果评估,对基于复杂理论的平行城市模型实现路径展开说明.

4.1 多源异构数据感知

以防疫场景要素— 人、医疗设施为感知对象,分别基于移动商手机信令、政务数据采集人群流动时空轨迹大数据及医疗设施供给量,搭建数据的可持续感知路径.

其中,OT表示特定感知对象数据集,本案例中为北京市常住人群出行数据(101 万人左右),如表2所示,医疗设施分布数据(44 个),如表3所示;s表示感知空间维度,s(x,y),x∈{(115''25'−117''30')},y∈{(39''26'−41''03')},本案例中将市域空间划分为网格,并赋予独立ID;t表示感知时间维度,本案例中选取2019年12月1日00:00 时至2019年12月31日23:59 时.

表2 案例感知数据集人群活动数据D1 例Table 2 Data set of the case-sample data of human mobility(D1)

表3 案例感知数据集医疗设施数据D2 样例Table 3 Data set of the case-sample data of medical facility(D2)

4.2 疫情场景下的城市认知

案例以疫情防控为目标,基于时空栅格、时空复杂网络等分析方法,将城市网格作为特定分析节点,通过城市居住人口密度、老年人占比、网络中介度等指标的解析对城市进行认知.首先分析佐证了人们对城市的常规认识,如城市中心居住人口密度最高,且沿公共交通廊道分布等;同时,研究也发现了一些有意义的结论,如老年人在城市周边、郊区县等区域密度较高,职住网络呈现出较为显著的多中心特性等,如图4所示.

4.3 基于传播动力学的传染病时空传播推演

基于传染病机理学模型与城市微观主体(Agent)仿真模型,构建城市防疫人工系统,形成实际城市的数字镜像;以主体运动、疫情传播、个体感染协同运作机制为路径进行计算实验,复现城市内部疫情的时空传播规律,认知疫情传播机理,如图5所示.

不断调节初始条件参数,基于重复计算实验推演疫情时空传播情景,对城市空间公共卫生脆弱性及城市交互关系进行评估,如图6所示.

4.4 科学决策

以城市防疫策略制定为目标,在人工系统中分析不同情境下疫情的传播规模、传播路径和防控成本,并进行多场景、多政策的组合策略实施,如从感染周期、峰值、感染总量、死亡总量、早期R0 等方面检测措施的防控效果,并与基础情景进行对比.此外,传染病传播模型还可用于社交信息传播等其他场景的预测,实现知识点的迁移学习.

最后,结合感知、认知、推演结论以及防疫政策环境等,进行以防疫策略制定为目标的科学决策,制定最终方案,实现大数据驱动下的感-知-演-策体系.

图4 城市特征认知Fig.4 Cognition of urban characteristics

图5 模型总体流程示意图Fig.5 Schematic diagram of the model

5 结论

城市是涵盖了经济、交通、生态等多个领域的复杂巨系统,城市复杂性研究对于超大城市治理具有特殊意义.随着大数据环境及信息技术的快速发展,城市研究取得显著进展,但城市治理实践中仍存在数据碎片、信息孤岛及知识壁垒等问题.为了解决以上问题,并重新梳理复杂方法体系与城市治理逻辑之间的关系,本文提出了基于复杂系统理论的平行城市计算模型架构、完善了计算方法体系、并以新冠疫情的时空传播为例进行了典型场景分析.本文提出的框架和方法体系,为城市的数字化治理提供了技术路径和理论支撑.

此外,由于本文提出的方法体系涵盖了较多场景下的实施可能,因此,本文中的典型案例并未遍历所有路径,如城市系统中的知识迁移等,这些研究将在未来工作中持续开展.最后,从平行城市走向智慧社会的联邦城市,确保城市系统的6S 品质:在物理上安全Safety,网络上安全Security,在生态上可持续Sustainability,个性优化Sensitivity,优质服务Service,全面智慧Smartest[28−29],是下一步工作的重要方向.

此外,由于本文提出的方法体系涵盖了较多场景下的实施可能,因此本文中的典型案例并未遍历所有路径,如城市系统中的知识迁移等,这些研究将在未来工作中持续开展.