【学术动态】城市规划中的人工智能政策研究综述：构建可持续的智慧城市 | 2021年第3期

本刊“学术动态（Planning Reviews）”栏目，推介国内外学术书籍和文献报告、关注国际研究动态和前沿热点、分享规划案例研究。本期“城乡规划管理与政策”专栏，与大家分享一篇城市规划中的人工智能政策研究综述。

（专栏编辑：赵蔚，同济大学建筑与城市规划学院副教授）

城市规划中的人工智能政策研究综述：构建可持续的智慧城市

来源：JHA A K，GHIMIRE A，THAPAS，et al. A review of AI for urban planning：towards building sustainable smart cities[C]. 2021 6th International Conference on Inventive Computation Technologies （ICICT），2021：937-944，doi：10.1109/ICICT50816.2021.9358548.

人工智能通常被认为是第四次工业革命，因为它具有改变一切的前所未有的潜力。该研究梳理了人工智能和物联网在城市规划中的各种政策案例，以总结人工智能用于建设智能和可持续的城市的管理经验。

 

研究回顾了最新的人工智能和机器学习技术及其应用，这些技术有可能被用于发展智能城市管理，尤其在交通系统管理、犯罪检测、空气质量监测、高效能源管理和漏水检测系统中的应用。在发展智能城市中有很多典型的应用，但以上这些是最重要的。

 

1.交通系统管理

 

Yongchang Ma 等人提出了对某条公路或道路的实时状况进行评估的框架。在他们的论文中，他们使用了车辆基础设施集成（VII） 的概念。在这个概念中，车辆有计算单元，道路上的基础设施也有计算单元，这些计算单元能够沿着一个通信网络相互通信。车辆的计算单元和传感器能够检测车辆的速度轮廓、车轮转弯和变道行为。对这些数据进行分类，以便了解交通状况。他们的系统检测到的误报率也相当低。他们的系统还能进一步对阻塞单车道、双车道和三车道的事故进行分类。研究发现，当车辆基础设施密度增加时，支持向量机的运行速度要慢得多，但不会增加太多。他们所做的实验是通过交通模拟软件进行的，而不是在真实的路网中进行的。因此，试图将这项研究推断到真实的道路网络中可能不会那么准确或有效。然而，这篇论文表明，通过正确的技术和机器学习模型的正确使用，我们有可能拥有一个能够准确预测交通配置的实时系统。

 

Nallapermua等人提出了一个系统STMP （智能交通管理平台），能够利用大数据和人工智能算法的力量。该系统利用道路传感器网络、物联网以及社交媒体数据对交通流量进行预测，并为交通管理问题提供解决方案。他们的系统主要做以下事情：检测概念漂移，如高峰/非高峰时间，以及道路事故，如事故。这一切都是实时发生的。该系统是通过一种基于增量知识获取和自学习（IKASL） 算法的在线增量式机器学习算法实现的。在非经常性交通事件（如事故）中，利用社交媒体数据确定车辆用户的情绪和情感。利用实时交通数据，利用深度强化学习提供最优的交通控制策略。利用深度神经网络对交通流量进行预测，并对影响传播进行估计。他们的系统运行在一个智能传感器网络交通数据上，这些数据是由澳大利亚一个州主干道上的数十万辆汽车生成的，因此在现实世界中也具有可操作性。这是建设智能城市的关键一步，因为理想情况下，智能城市应该有一个检测和解决城市交通堵塞的系统。他们的系统只处理检测部分，而不处理分辨率部分。他们使用的不同的CNN体系结构是VCGNET，AlexNET，特别是他们测试和比较了AlexNET + SVM，transfer learning from AlexNET，transfer learning from VCGNET 和VCGNET + SVM 体系结构。他们使用的数据集包括3万张交通拥堵图像和2万张非拥堵图像，数据集来自陕西省交通管理局的一个监控系统。使用AlexNet架构的迁移学习，他们获得的准确率为90%。

 

2.犯罪检测与城市监控

 

智能城市的监控系统能够自动检测不寻常的活动，如犯罪、抢劫、枪击和进一步报警有关当局。很多研究都是利用人工智能和机器学习进行的。

 

Wang 等人提出了一种系统，它可以检测高速公路上的交通堵塞，使用摄像头视频片段技术来解决犯罪检测或监控系统中很大程度上的异常检测这一特殊问题。拥有这样的自动系统将大大减少人工干预和对安全的需求。许多研究人员研究过这个问题，并产生了能够在某些数据集上给出高精度的模型，但是在现实世界中使用这些模型还不能给出与在简单数据集上相同的精度。采用这些技术将使妇女的街道更加安全，大大减少犯罪和盗窃，并改善一般人民的福祉。

 

Ullah 等人提出了一种能够在监控系统中检测暴力的深度学习模型。他们的系统由卷积神经网络体系结构和用于输出分类的SoftMax层组成，系统主要由4个部分组成。第一部分采用CNN模型进行目标检测，主要是人体检测。如果检测到人体，则将16 帧的帧流传递到3D CNN 中，该CNN 从帧序列中提取特征。这些特性被进一步传递到SoftMax层进行分类。如果SoftMax层预测暴力被检测到，他们的系统会向附近的警察局和有关当局发出警报。他们在三个不同的流行数据集上测试了他们的模型用于暴力检测，分别是曲棍球比赛数据集，暴力人群数据集和电影中的暴力数据集。当他们的模型在暴力人群数据集上进行训练时，与暴力人群数据集进行测试，其准确率为98%，而当他们在电影数据集和曲棍球比赛数据集上测试该模型时，其准确率分别为65%和47%。当他们的模型在电影数据集中进行训练时，针对电影数据集中的暴力进行测试，其准确率为99.9%，而当他们在暴力人群数据集中和曲棍球比赛数据集中测试时，其准确率分别为54%和63%。当他们的模型在曲棍球数据集上进行训练，与暴力人群数据集进行测试时，其准确率为96，而当他们在暴力人群数据集和电影暴力数据集进行测试时，其准确率分别为52% 和49%。他们的模型对特定的数据集提供了特别的准确性，但不能很好地推广到其他数据集。一个暴力检测监控系统要在现实世界中工作，由于监控环境的不同，它必须推广到不同的数据集。

 

Bappee 等人提出了一种将地理空间特征与犯罪联系起来的方法。他们使用了诸如坐标、邮政编码、区域附近的咖啡馆等集散点以及距离热点最近的距离等指标。热点指的是犯罪发生的地区。他们的数据包括4 个标签，即与酒精有关的打架和事故、袭击、财产损失和与机动车有关的事故。他们使用的分类器是Logistic 回归分类器，支持向量机和随机森林分类器。他们的研究在城市规划中非常重要，因为它显示了地理空间特征与犯罪之间的某种关系。利用这些信息，城市规划者可以设计出犯罪率较低的城市。

 

3.空气质量监测与管理反馈

 

对于智能城市来说，拥有自动空气质量监测系统是很重要的，它能够检测周围空气的质量，并在出现任何异常情况时报警给有关部门。

 

Wu 等人提出了一种系统，可以使用计算透镜自由显微镜和机器学习算法来检测空气质量。他们的系统被命名为C-Air，它还结合了一个智能手机应用程序，可以控制各种参数并显示结果。它由一个能够拍摄空气中微粒微观图像的设备组成，机器学习模型负责预测图像中有哪些微粒以及微粒的大小。他们使用了定制设计的机器学习算法，该模型预测大小的准确率约为93%。他们用这个系统做了一些测试，发现空气质量随着离机场的距离的增加而增加，因此，机场附近的空气质量比平均水平差得多。

 

Saad 等人提出了一种利用传感器和有监督的机器学习算法检测室内空气质量的系统，在他们的实验中，他们使用了几个能够检测9 个不同参数的传感器。参数为温度、湿度、臭氧（O3）、氧气（O2）、挥发性有机化合物（VOC）、一氧化碳（CO）、氮氧化物（NO2）、二氧化碳（CO2）和颗粒物（PM10）。他们的系统能够将5种不同的输出分类，即香味的存在、食物和饮料的存在、环境空气、燃烧活性和化学物质的存在。他们自己收集数据，没有使用任何流行的数据集。他们用许多传统机器学习模型测试了自己收集的数据，发现其中3个模型的准确率高达100%。这三种模型分别是多层感知器模型、线性判别模型和k近邻模型。当室内同时存在更多的输出类时，其模型无法正确分类并给出未知输出。他们的研究在建设智能城市的背景下非常重要，因为理想情况下，所有的家庭都应该有一个自动空气质量检测系统，如果出现某种异常情况，比如煤气泄漏，有关当局或房主会得到通知。

 

4.高效的能源管理

 

在智慧城市中，优化和合理利用能源是至关重要的。利用能源管理方案，可以将能源分配到智慧城市的各个位置，这样就不会有能源损失，并根据该地区的需要合理分配能源。能源管理不仅关注能源的消费者，也关注能源的供应商。在当今世界，有许多能源，如可再生能源和不可再生能源，所以在智能城市能够有效地分配能源到家庭和建筑是很重要的。当可分配的能量有限时，能源管理方案也开始发挥作用。

 

我们这里讨论的能量很大程度上是电能。电力管理系统的关键部分之一是电力负荷预测，即能够预测特定区域在特定时间会使用多少能源。这是很重要的，这样更多的电能就不会被送到这个地区，从而有效地管理电力分配。Khan 等人提出了一种基于机器学习模型预测时间序列数据中的电负荷的机器学习模型。他们使用的数据集是韩国每小时的能源消耗。数据集包含巨大的差距，约21%。他们使用一些预测机器学习来预测空白处的值来填补空白。他们使用的分类器是一个混合分类器，由三个机器学习模型组成，即XGBoost、CatBoost 和随机森林。他们将他们的混合模型与几种现有的机器学习模型进行了比较，发现他们的混合模型给出了最好的结果。在时间序列预测中，我们用来知道模型有效性的测度是回归得分。结果发现，XGBoost、CatBoost 和随机森林的回归得分分别为0.8195、0.8294、0.7996。Khan等人提出的混合模型回归分数为0.9212，优于传统的机器学习模型。

 

Kim等进行了一项研究，他们有效地预测某一特定家庭的能源消耗根据房子的功能包括房子的外墙在数量、区域的房子，几年占领，家庭成员，家庭成员的职业等特征。他们首先把数据按年份划分。周期是秋季、夏季、冬季和秋季。在大特征集中，他们对每个时段进行回归分析，并选择输入特征。他们使用的分类模型是人工神经网络模型。他们使用了家庭能源站立调查数据集。他们的研究发现，启发建筑方向是预测能源消耗最具影响力的因素。夏季为采暖法、冷法和家庭面积。秋季为户型面积、户型和职业，冬季为建筑方向、户型面积和职业。

 

5.漏水检测及自动化管理

 

水是生命最基本的元素之一。智能和高效的水分配是城市的必要条件。据了解，亚洲的输水管道泄漏率为22%。因此，建立能够检测和阻止漏水的系统是非常重要的。一个自动漏水检测、定位和解决系统对于真正的智慧城市的发展是非常重要的。在这方面已经做了大量的研究，特别是在漏水检测和定位系统中。

 

Kang 等人提出了一种能够检测配水系统漏水的人工智能系统。他们的系统还能够定位发生泄漏的供水系统区域。在他们的系统中，在供水系统中安装了泄漏监测系统，泄漏监测系统和传感器捕捉噪音数据和其他数据的信号形式。他们使用的机器学习模型是一维CNN和支持向量机的集成。采用基于图论的定位技术，将输水管道系统用图表示。结果表明，该系统对漏水的识别准确率高达99.3%，定位误差小于3m。利用该系统可以建立真实世界的漏水检测定位系统。他们的工作无疑可以用于建设智能城市的输水管道系统。

 

在智能城市中，理论上每个方面都可以实现自动化。人工智能领域的最新进展也使道路维护管理领域的自动化成为可能。从检测道路裂缝和异常到修复过程都可以自动化。Kumar等人做了一项从道路地理空间图像中检测裂缝的研究。他们的模型使用了卷积神经网络，这是一种解决裂缝检测问题的深度学习框架。主成分分析也纳入了他们的工作。我们可以利用他们的工作建立一个自动道路修复系统，他们的工作可以用于检测道路裂缝，并可以创建进一步的系统，将这一问题警报有关当局。预警过程也可以进行优化，即首先检测并通知重要道路的裂缝。许多问题可以通过人工智能、物联网和自动化来解决。这些技术也可以解决偶然发生的、通常难以处理的问题，如应对流行病。

 

本文讨论了智慧城市管理的各种框架和技术。智慧城市的概念在不断变化。随着工程和社会科学每天都在迈向完美，现有的基础设施和技术总有改进的空间。人工智能的研究正在蓬勃发展，它已经影响到每一个平凡和先进的事物。物联网与人工智能在日常生活中的融合，让我们的生活变得更加轻松，这是不言而喻的。人工智能和物联网打破了智慧城市的复杂障碍。在本文中，我们回顾了最近关于人工智能的各种研究，这些研究可能被用于打造智能城市。从上文讨论的人工智能和物联网的各种成功使用案例来看，智能系统可以以更便捷的方式解决现有的问题，这是一致的。即将到来的创新和技术一定会改变我们的生活，满足智慧城市的概念。从智能家居到女性安全街道，人工智能和物联网已经改变了社会的方方面面，并将随着技术创新的蓬勃发展而继续改变。在未来，这项技术可能能够解决一些问题，这些问题甚至超出了今天的工程和技术的能力，从而使世界成为一个更好的居住地。

 

(供稿：卢鑫，同济大学建筑与城市规划学院硕士研究生)

本文为《城市规划学刊》原创文章 

欢迎在朋友圈转发

识别二维码  订阅本刊2017-2020年电子阅读版

URBAN PLANNING FORUM     Since 1957

创新性、前瞻性、学术性

中文核心期刊、中国科技核心期刊、中国人文社会科学核心期刊、中文社会科学引文索引来源期刊（CSSCI）、中国期刊全文数据库（CJFD）全文收录期刊，中国学术期刊综合评价数据库（CAJCED）统计源期刊，中国科学引文数据来源期刊，RCCSE中国核心学术期刊

投稿链接：http://cxgh.cbpt.cnki.net

Email: upforum@vip.126.com

电话：021-65983507

传真：021-65975019

微信号：upforum

原文始发于微信公众号（城市规划学刊）：【学术动态】城市规划中的人工智能政策研究综述：构建可持续的智慧城市 | 2021年第3期