基于深度学习的城市形态感知识别、生成建模与仿真模拟

方舟，郑舒文，赵亮

0 引言

根据联合国人居署数据，目前世界上超过一半的人口生活在城市，预计到2035 年，这一比例将增加到62.5%。我国的城镇化率也从改革开放之初不足20%，跃升到2011 年的超过50%。国家“十四五”规划和2035 年远景目标纲要提出，“十四五”时期我国常住人口城镇化率将提高到65%[1]。面对持续增长的城镇人口和日益复杂的城市环境，我国城市建设已经从注重“数量”转变为关注“质量”，提质增效已成为城市规划设计界面临的新课题[2]。

面对上述新课题，新时期的城市设计往往需要根据规划制定的指标性要求，反复斟酌、推敲多种片区形态方案，以寻求更优的路网结构和建筑布局，实现对整体城市形态的控制[3]。同时，为了实现城市设计工作的“提质增效”，设计师需要在设计时间窗口期内尽可能多地提出高质量三维形态方案并进行合理模拟推演，以支持方案的优化和比选。“工欲善其事，必先利其器”，为了响应国家城镇化进程新阶段中遇到的新挑战与高要求，城市规划设计界亟需快速、智能的技术来辅助设计丰富多样的高质量城市形态方案。

1 数字技术与计算机辅助城市设计

近年来，在计算机算力和算法都取得突破的大背景下，以深度学习为代表的新一代人工智能技术取得重大进展，在各领域得到广泛应用。计算机辅助城市规划和设计技术迎来全面数字化和智能化升级迭代的重要机遇。更好地利用新一代人工智能技术以助力城市规划设计工作的提质增效，已成为规划设计行业的迫切需求和研究前沿[4-6]。虽然现有深度学习算法在城市规划设计领域的多个独立任务上均有应用尝试[7-11]，但总的来说，在深度学习框架下，针对城市设计任务特点与城市形态固有特性进行深度学习算法突破的研究不多，瞄准城市形态“感知识别”“生成建模”到“仿真模拟”的全链路深度学习智慧赋能研究较少。因此，如何深入挖掘深度学习技术的超强潜力，遵循城市规划设计工作固有特性，更新迭代现有计算机辅助城市设计技术与框架，为现有辅助设计工具的智能化升级提供新思路显得尤为重要。

纵观国内外现有计算机辅助城市设计技术，两大类方法被用于城市形态的生成和建模：基于过程与规则的方法和基于深度学习的方法。

1.1 基于过程与规则的计算机辅助城市形态生成建模方法

基于过程与规则的方法是一种利用计算机算力自动化执行人工制定的逻辑过程与生成规则快速输出特定内容的生成方法。这种方法在计算机图形学领域的虚拟世界（Virtual World）合成建模中有广泛应用，并在近年被应用于城市形态辅助设计和城市形态生成建模[12]。

城市路网形态生成方面，Parish 和Muller[13]开创性地将并行重写系统（Lindenmayer 系统）引入城市设计建模领域，并基于此提出了一套城市路网生成建模方法。该方法可以根据用户设定的参数，执行用户选定的系统内嵌普适城市路网生成规则，半自动生成相应的城市路网形态。此后，加权非均质最短路径算法（Weighted Anisotropic Shortest Path Algorithm）、空间殖民算法（Space Colonization）、层级系统（Layer System）等算法也被用来表征城市路网几何或拓扑关系，继而被编程转化为生成规则来驱动城市路网自动化生成与建模[14-16]。Benes 等[17]和Garcia-Dorado 等[18]则关注城市路网功能表现与最终城市路网形态的关系，以优化路网功能表现为目标建立城市路网生成规则，提出了根据模拟结果迭代调整、逐步优化的城市路网生成方法。

建筑布局与形态生成方面，基于过程与规则的方法也有广泛应用。根据城市路网生成结果和用户预设参数，Parish 等[13,19-20]将路网划分出的地块继续切分以确定建筑位置，并使用Lindenmayer 系统在不同位置依次生成建筑形态。为了在地块内生成多方案建筑布局，杨俊宴和朱骁[3]提出了基于案例的适应性算法，利用现有城市建筑、路网数据构建案例库，根据设计指标契合度与几何形态相似度等维度来制定规则，并基于此完成案例与设计目标地块的匹配。为了生成更加细致的建筑形态，基于形状语法（Shape Grammar）的生成规则也被提出并应用于建筑生成建模中[21-23]。在大量设计实践中，以强排方法为代表的建筑布局生成式设计和优化方法也有广泛应用[24-25]。与强排法需要先枚举大量方案再针对目标筛选方案的思路不同，Garcia-Dorado 等[26]和Vanegas 等[23]将马尔科夫链蒙特卡洛优化求解算法嵌入生成过程，实现针对单一生成方案的“生成—评价—优化”的回路。

1.2 基于深度学习的城市形态生成方法

近来，人工智能聊天机器人程序ChatGPT（Chat Generative Pre-trained Transformer）席卷全球，再次引发了学界和产业界对人工智能生成内容（Artificial Intelligence Generated Content,AIGC）的强烈关注。事实上，在ChatGPT 风靡全球之前，基于机器视觉技术和自然语言处理技术的深度学习生成算法就已经在图像生成、图像补全、文本生成、人机对话等内容生成任务上有广泛应用。然而，深度学习生成算法在城市规划设计领域的应用还比较少。

现有基于深度学习的城市形态生成模型利用卷积神经网络（Convolutional Neural Network,CNN）等深度学习主干网络提取海量案例库中的城市形态特征要素，并基于此利用对抗生成网络（Generative Adversarial Network,GAN）等生成架构学习预测生成城市肌理，确保生成的城市肌理方案特征分布与训练数据集保持一致（生成方案模仿训练案例特征与风格）。

基于上述深度学习框架，Hartmann 等[27]提出了基于CNN 和GAN 城市路网生成模型StreetGAN。其中，CNN 作为模型主干网络负责城市路网几何特征的感知、提取、编码。GAN架构则基于CNN 构建生成器（Generator）来生成新的路网图片，构建判别器（Discriminator）来判断生成路网图片是否来自真实的训练数据集。两者通过迭代对抗训练，直至生成器生成的新数据无法再被判别器辨别真伪（即新数据是否与训练数据集的特征具有一致性）。此时，建立了“刺激—响应”机制的生成器就可以被用来生成与训练数据风貌统一的城市路网（图1）。采用类似技术路径，基于CNN 与GAN 的深度学习生成模型也被尝试应用于建筑布局生成和建筑形态预测等任务。邓巧明等[11]、Liu 等[28]和陈梦凡等[29]采用CNN 和GAN，通过学习少量标注校园布局案例，训练模型自动生成校园布局方案。而Pan 等[30]、Shen 等[7]和董智勇等[10]则利用现有建筑和道路平面布局图，训练深度学习模型生成不同风格的建筑布局方案。Ye 等[31]则在城市设计方案渲染任务上应用了CNN 和GAN，实现了自动化的渲染与风格迁移。

1 基于深度学习的城市形态生成技术框架——以城市路网生成为例

1.3 总结

回顾上述两条技术路径可以发现，基于过程与规则的计算机辅助城市形态设计和建模方法依据专业人士制定的逻辑过程与生成规则生成城市形态。相关过程和规则都基于成熟的设计逻辑与领域研究成果，逻辑可解释性强；基于过程与规则的方法也便于搭载功能强大的人机交互界面，使用户可以随时介入设计生成过程，实时调整生成条件、修改生成结果，生成过程高度可控；同时，已有辅助设计工具搭建了完善的从“规则制定”“方案生成”到“模拟优化”的城市形态规划设计系统框架。

基于深度学习的城市形态生成方法通过选择适当训练案例来训练模型，获得在地性、适应性较好的城市肌理形态生成能力，最大限度避免人工介入生成过程，解决基于过程与规则的生成方法中强制要求人工选择生成规则、手动调整参数才能完成方案适配生成的问题。同时，深度学习主干网络强大的二维、三维形态感知能力可以精准提取、编码复杂的真实城市形态特征，使模型具备快速生成丰富多样城市形态的能力。

虽然现有深度学习技术在楼宇布局生成和路网结构生成方面均有尝试，但与其他深度学习生成模型类似，现有基于深度学习的城市形态生成方法采用“端到端”的生成模式。用户只能在输入端附加生成条件指导方案生成，但在生成过程中不可以介入和干预，方案生成过程可控性差。同时，现有基于深度学习的城市形态生成方法采用的GAN 架构在工作机制上没有城市规划设计学科基础理论作为支撑，“黑箱”生成过程逻辑可解释性不强。这使得现有深度学习方法很难在以人为核心的城市规划与设计领域获得信任、得到推广。城市规划设计界更需要的是以人为中心、基于人机互动的计算机辅助城市设计技术[32]。

基于上述分析，本次研究希望将基于过程与规则的方法在系统性、可解释性、可控性方面的优势，和深度学习方法在特征感知和动态生成方面的优势融合起来，构建全新的基于深度学习的计算机辅助城市形态设计框架，以精准感知识别复杂城市形态，智能辅助设计生成丰富多样的城市形态方案并实时对方案进行合理准确的模拟推演。本研究旨在为计算机辅助城市规划设计技术的智能化升级提供交叉融合新思路，促进数据驱动的深度学习模型在融合专业领域学科知识后更好地适配城市规划与设计领域专业任务，助力城市设计工作的提质增效。

2 基于深度学习的计算机辅助城市形态设计框架

本研究提出的计算机辅助城市形态设计框架由城市形态案例库、城市形态感知识别模块、城市形态生成建模模块和设计方案仿真模拟模块4 个部分组成，各部分均基于深度学习技术建立且相互紧密关联（图2）。其中，城市形态感知识别模块利用初始城市形态案例库，学习提取城市形态特征并基于此对城市形态案例进行形态类型分类。训练后的城市形态感知识别模块可以实现城市形态案例的自动化形态类型标注，助力城市形态案例库的规划设计知识融入和案例库规模扩展。基于城市形态案例扩展库，框架中城市形态生成建模模块可以通过学习规划设计先例和城市形态案例，建立城市形态设计方案推荐生成机制：根据待设计区域周边建成环境，快速推荐城市形态类型，并根据用户规划指引与预设规划指标生成城市形态设计原型方案。最后，设计方案仿真模拟模块应用数据驱动的深度学习技术对“人”的反馈和行为进行学习建模。通过将“人”的模型应用至城市形态生成建模模块输出的城市形态方案中，可以实现设计方案的实时仿真模拟，从而指导方案的进一步调整优化，支持多方案的评价和比选。

2 基于深度学习的计算机辅助城市形态设计框架

3 Urban Classifier 模型结构

值得注意的是，本研究提出的基于深度学习的计算机辅助城市形态设计框架并不致力于提出“最优”设计方案，而是希望利用深度学习技术加速现有设计知识积累、设计方案生成和方案仿真模拟过程，使用户可以在以深度学习为代表的新一代人工智能的协助与启发下快速便捷地尝试不同原创设计思路，以扩大设计方案备选库。

3 新框架下的技术探索

本节将以笔者及其所在团队开展的相关技术探索为例，阐释如何围绕本研究提出的计算机辅助城市形态设计框架研发全新深度学习模型，实现深度学习技术的全链路智慧赋能。本节内容将包括框架内城市形态“感知识别”“生成建模”和“仿真模拟”3 个部分，各部分遵循“专业知识+深度学习”“人类智能+人工智能”和“社会学调研+大数据分析”的方法提出不同深度学习模型，为城市设计实践提供建模与辅助设计工具储备，为现有计算机辅助城市设计技术的智能化升级提供新思路。

3.1 城市形态感知识别

城市形态的识别和分类是城市研究、城市规划和城市设计领域的基本课题。一代代学者们用他们的专业眼光来“观察”丰富多样的城市形态，试图回答城市形态学领域中的经典研究问题：如何“观察”城市形态以及如何通过它指导城市规划设计工作。

在本研究提出的计算机辅助城市形态设计框架中，城市形态感知识别模块致力于建立深度学习模型来模拟专业人士识别和分类复杂城市形态。实验表明，现有面向通用视觉任务的深度学习模型（如图像分类模型）无法在城市形态分类任务上达成较好结果。究其原因，常规图像分类任务更多关注物体本身特征，而城市形态分类任务往往需要首先确定最佳观测空间尺度及视角，再进行特征提取和形态分类。最佳观测空间尺度及观测视角的判断是城市形态分类任务关键[33]。

基于以上分析，我们遵循“专业知识+深度学习”的交叉融合思路，将空间尺度、观测视角概念融入基于卷积神经网络的深度学习模型，提出了全新的Urban Classifier 模块（图3）[33]。模型通过读取城市形态图片，预测图片内标注地块所属类型，预测内容包含3 个方面：（1）地块所在城市，（2）地块所在区域的城市形态学分类，（3）地块规划建设时期。Urban Classifier模型首创性提出串联两个CNN 模型实现多尺度、多视角的城市形态分类：一个网络实现目标分类地块在多空间尺度上的特征提取和形态类型预分类（MSSM 模型），而另一个网络则联合在目标分类地块内多个观测点的多空间尺度形态预分类结果对目标地块进行形态类型分类预测。这种工作机制将空间尺度和观测视角概念引入深度学习模型，成功模拟了专业人士使用地图观测城市肌理形态时常见的“推近”（Zoom-in）“拉远”（Zoom-out）及“平移”（Pan）的行为。基于欧洲城市形态图片数据集开展的系列模型对比实验表明，研究提出的Urban Classifier 模型在全部分类任务、全部分类类型上的F1 分数超越基线模型。

此外，Urban Classifier 在本研究提出的计算机辅助城市形态设计框架中扮演另一个重要角色：减少将城市形态类型这一规划知识融入城市形态案例库所需的人工数据标注工作。使用迁移学习方法，Urban Classifier 可以识别、分类全新采样的城市形态图片，助力城市形态案例库的规模扩展和自动化形态类型标注。实验表明，Urban Classifier 只需要新城市25%的标注数据，就能达到使用全部标注数据训练的形态类型分类性能表现。利用可逐步扩展的城市形态案例库，本研究提出的城市形态生成建模模块可以通过学习更多的城市形态案例来逐步建立、积累规划设计知识，以生成更丰富、多样的城市形态方案。

3.2 路网形态生成建模

瞄准现有基于深度学习的城市形态生成方法的“黑箱”式生成机制较难融入城市规划设计专业知识（如城市形态类型学）及自然约束（如地形地貌）等考量因素的问题，以及其“端到端”的方案生成过程可控性差的问题，我们以城市路网形态生成建模为例，遵循“专业知识+深度学习”、“人类智能+人工智能”方法，提出了融入规划设计知识且用户高度可控的城市路网形态生成模块，StreetGEN。具体而言，受机器视觉领域图像补全任务启发，方舟等首先提出了基于CNN 和GAN 的城市路网补全生成模型[34]。模型通过自监督学习现有路网案例（由框架中城市形态案例库提供），获得相应城市路网形态感知识别、补全生成智能：模型根据动态感知的设计环境（待设计区域周边路网形态），推荐相应路网形态类型并补全生成路网设计方案。以上述路网补全生成模型为基础，我们遵循“专业知识+深度学习”的交叉融合思路，分别尝试将规划设计专业知识（来自案例数据的知识标注）与自然约束（来自地形地貌信息）分别引入基于深度学习模型的路网补全生成过程[34-35]。其中融合规划专业知识的城市路网补全生成模型利用路网形态类型标签（由研究框架“城市形态感知识别”部分研发的Urban Classifer 标注）和路网关键节点，将专业知识作为生成条件接入深度学习生成模型[34,36]。引入自然约束方面，方舟等尝试将多种地貌特征信息（包括海拔、坡度、坡向、山体阴影）接入基于CNN 和GAN 的城市路网补全生成模型，并通过在常规图像补全模型结构的基础上前置基于注意力机制的地形信息筛选过滤模块，将地形特征作为生成条件融入城市路网生成过程，提出了一种可动态感知地形特征的路网生成模型[35]。上述模型可以结合城市路网形态特征与区域地貌约束，成功应对在不同地貌条件下的路网预测生成任务。系列模型对比测试表明，上述两个采用“专业知识+深度学习”思路研发的路网形态补全生成模型，在测试数据集上表现优于基线模型（部分模型输出案例见图4）。

基于上述全新路网形态补全生成模型，我们遵循“人类智能+人工智能”思路，进一步提出了迭代式机器智能辅助城市路网设计概念，力图实现人类智能与人工智能在城市路网设计过程中的协同工作[36]。具体而言，我们提出了一个利用随机保留部分真实城市元素（路网关键节点）模拟用户指引的路网补全生成模型训练方法，实现模型可以适应逐步接入的用户指引，分阶段预测生成城市路网推荐方案[36]。通过将上述多阶段城市路网生成模型嵌入人机交互设计平台，模型可以依据用户输入的设计指引动态生成路网形态方案推荐。而用户则可以借鉴模型推荐方案逐步形成设计思路，并通过修改推荐方案和更新设计指引来触发新回合的模型运算合更新推荐方案的生成。至此，实现迭代式、用户与深度学习模型相互启发、协同工作的城市路网设计模式。

3.3 路网交通流仿真模拟

在众多城市元素中，城市路网被视为城市建成环境的支柱和骨架，其对居民出行行为和城市交通有着巨大影响。现有城市路网评价方法中，一种技术路径使用指标参数来量化评估城市路网设计方案，并利用参数优化技术实现设计方案的自动调整与优化。这一基于规则与指标参数的技术路径具有评价体系迁移性好和设计方案“评价—优化”求解速度快的特点。另一种技术路径则通过对“人”和“车”进行行为建模来模拟推演“人”和“车”在不同路网设计方案中的出行行为和行驶轨迹，并以此作为依据进行路网结构微调合优化[18,37]。相比基于规则与指标参数的方法，基于仿真模拟的技术路径可以通过模拟路网交通运行状况较为直观地推演应对不同设计方案时“人”的反馈，从而将人的因素直接融入路网设计评价、优化过程。

遵循基于仿真模拟的路网评价技术路径，我们依托高校学生出行行为研究和成都社区居民出行行为研究项目，开始研发基于对抗模仿学习“多源城市大数据”和“出行行为调查”的城市路网交通流仿真模拟技术，以期提高现有交通流仿真模拟技术的建模速度、运算效率和响应速度。

4 融和规划知识的城市路网形态生成模型案例，引自参考文献[34,36]

5 迭代式机器智能辅助城市路网设计技术—交互界面，引自参考文献[36]

具体而言，我们利用城市基础数据和交通数据训练基于深度学习的城市路网交通流生成模型和交通流分配模型，组成基于深度学习的城市路网交通流仿真模块SimStreet，分别预测给定路网片区（由StreetGEN 生成）与其所在城市不同交通分析区（TAZ）间的交通流OD 数据和给定路网片区内部各路段的交通流量。在此基础之上，我们提出对抗模仿学习技术以解决大数据驱动的SimStreet 模块在模型迁移应用时可能面临的本地数据缺失问题。当给定路网片区所在城市无法获取SimStreet 模块训练所需多源城市大数据时，我们提出可以在给定路网片区所在城市开展实地调研，利用有效抽样调查问卷信息还原居民个体出行案例。接着，利用个体出行案例，采用生成式对抗模仿学习算法微调使用其他城市多源城市大数据训练的SimStreet 模块，实现模块的快速、有效迁移，使其在缺少多源城市大数据的城市依旧获得较好的预测准确率。

最终，基于本研究提出的基于深度学习的计算机辅助城市形态设计框架，通过联合调试上述3 个基于深度学习的城市形态感知识别、路网形态方案生成建模和路网交通流仿真模拟模块，可以实现城市路网形态方案设计的深度学习全链路智慧赋能。

4 结语

在当前城市建设转向提质增效，计算机算力和算法取得突破的大背景下，计算机辅助城市规划和设计技术迎来重要机遇。本文通过融合基于过程与规则的方法和深度学习方法各自优势，构建全新的深度学习框架。框架将城市形态规划设计链条拆解成为城市形态案例库、城市形态感知识别、城市形态生成建模和设计方案仿真模拟4 个部分，并遵循“专业知识+深度学习”、“人类智能+人工智能”和“社会学调研+大数据分析”的方法提出了不同的深度学习技术模块。

6 城市路网交通流仿真模块框架

本研究提出的计算机辅助城市形态设计框架可以在短时间内智能辅助设计、评价城市形态设计方案，协助设计师在有限的设计期限内尽可能多地提出高质量设计方案，以供进一步的斟酌、推敲、比选，助力城市设计工作的提质增效。此外，该框架还可以集成进入城市空间规划治理平台等城市信息平台（City Information Model,CIM），以拓展现有CIM 平台在辅助设计方面的功能。通过与现有平台组件相互耦合，可以形成从城市空间展示、监控、辅助设计到方案模拟推演的智慧城市治理闭环[38-39]。此外，研究提出的城市形态生成建模模块亦可桥接现有城市宏观发展预测模型[40-41]与微观仿真模拟模型[42-43]，打通从宏观到微观再到宏观的反馈回路，实现多尺度城市发展情景的模拟推演[44]。