不是吧！诺奖得主辛顿曾学建筑学？他研究的人工神经网络和城市分析有何关系？丨城市数据派

数据精英年终大冲刺开车啦！

同时报名还可享更多优惠：

任选2套同报，再减200元！

任选3套同报，再减360元！

任选4套同报，再减520元！

任选5套同报，再减700元！

任选6套同报，再减900元！

加我获取每套课程详细介绍

加我咨询和报名课程

---

辛顿与建筑学的“短暂邂逅”

今天，我们要带大家走进一个跨界的故事，主角是今年诺贝尔物理学奖的得主——杰弗里·辛顿！他不仅是科学界的“AI教父”，还与建筑学有过一段“不解之缘”呢！

杰弗里·辛顿

（Geoffrey  Hinton）

杰弗里·辛顿，被誉为“人工智能教父”，是一位杰出的计算机学家和心理学家，以其在人工神经网络领域的开创性贡献而闻名。他的研究不仅推动了深度学习技术的发展，还对机器学习、图像识别、语音识别等领域产生了深远影响。

当年，辛顿大神进入剑桥大学国王学院学习物理、化学和数学，但于一个月后就退学了。辛顿去伦敦工作了一年，做了各种各样的事情。

第二年，他竟然对建筑学产生了兴趣，改修建筑学！于是，他毅然决然地选择了这个专业。然而，仅仅上了一天的课，他就放弃了！

据辛顿本人回忆，这一决定并非出于对建筑学的不感兴趣，而是因为他认为建筑学的课程内容与他的兴趣和目标不符。辛顿表示，他当时更感兴趣的是理解大脑的工作原理。

辛顿最终还是回到了他真正热爱的物理学和心理学领域，凭借“在利用人工神经网络进行机器学习的奠基性发现和发明”，拿下诺奖！

什么是人工神经网络？

所以到底什么是人工神经网络？来看看诺奖官网对辛顿获奖原因的说明：

2024 年诺贝尔物理学奖授予了约翰·霍普菲尔德 （John Hopfield）和杰弗里·辛顿（Geoffrey Hinton），”以表彰他们利用人工神经网络进行机器学习的奠基性发现和发明”。 

今年两位诺贝尔物理学奖得主利用了物理学的工具，开发了当今强大的机器学习的基础方法。John Hopfield 创造了一种能够存储和重构图像及其他数据模式的联想记忆。Geoffrey Hinton 发明了一种能自主发现数据中属性的方法，因此可以执行诸如识别图片中特定元素等任务。

当我们谈论人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初是受到大脑结构的启发。在人工神经网络中，大脑的神经元由具有不同值的节点表示。这些节点通过类似于突触的连接相互影响，并且这些连接可以变得更强或更弱。例如，网络通过加强同时具有高值的节点之间的连接来进行训练。今年的获奖者从20世纪80年代开始就在人工神经网络方面进行了重要的工作。

Geoffrey Hinton 在Hopfield 网络的基础上，开发了一种使用不同方法的新网络：玻尔兹曼机。这种机器能够学习识别给定类型数据中的特征元素。辛顿利用了统计物理学的工具，这是研究由许多相似组件构建的系统的科学。通过向机器输入当其运行时很可能出现的例子来训练该机器。玻尔兹曼机可以用于分类图像或生成它所训练的模式类型的新例子。辛顿基于这项工作，帮助引发了当前机器学习的爆炸性发展。

人工神经网络在城市分析中

有哪些研究与应用成果？

人工神经网络（Artificial Neural Networks, ANNs）在城市研究中有广泛的应用，可以用于解决多种复杂问题。以下是一些具体的ANNs的应用与研究成果：

20份期刊论文（下载方式见下方说明）：

1《基于 ANN-CA 模型的城市增长边界预测：在广州的应用》

2《预测欧洲城市的城市热岛：使用城市形态变量的 GRU、DNN 和 ANN 模型的比较研究》

3 《使用反向传播对低速城市道路的碰撞严重程度结果进行建模 – 人工神经网络 （BP – ANN）》

4《使用复合气候 ANN 模型为可持续街道峡谷提供城市物理和户外热舒适度》

5《使用 GA 设计的 ANN 和 LWR 模型进行基于车道的短期城市交通预测》

6《人工神经网络 （ANN） 模型在预测城市地区蚊子数量的应用》

7《应用人工神经网络 （ANN） 对城市水管故障进行建模》

8 《使用混合水质测量城市湿地的治理效果 — 人工神经网络 （ANN） 模型》

9《巴基斯坦温和寒冷气候城区土地利用动态、地表温度及城市热场方差指数的预测》

10《解锁视觉数据以提高基于 AI 的城市房屋大规模估价的准确性：澳大利亚城市案例研究》

11《数据驱动的城市洪涝时空分布实时预测》

12《一种多模态数据融合模型，用于准确且可解释的城市土地利用制图和不确定性分析》

13《使用多层感知器神经网络对科威特大都市区进行土地利用土地覆盖变化检测和城市蔓延预测》

14《使用人工神经网络监测城市自然环境的短时声学指数》

15《使用可解释的集成深度学习框架进行城市扩展模拟》

16《基于回归分析和人工神经网络的城市湖泊溶氧预测模型》

17《随机森林、支持向量机、人工神经网络和最大似然法在城市环境土地利用/覆盖分类中的准确性和可靠性比较》

18《用于智能园区的多式联运城市交通解决方案，使用人工神经网络确定路线，并使用算法预测到达时间》

19《揭示社区的形态：利用数据分析实现城市地区的智能治理》

20《使用商用现成 Wi-Fi 传感技术为城市建筑能源建模开发居住者计数模型》

以上20份论文PDF的下载方式为：

关注城市数据派微信公众号，在微信公众号对话框中输入 241011，即可获得20份PDF的下载方式。

最后，别忘了告诉你们的建筑学老师，说不定下一个诺贝尔物理学奖得主就藏在你们班上哦！

---

你可以如何快速学习并应用起来？

人工神经网络和机器学习、图像分割、计算机视觉等技术关系密切，可以从此切入，拿热门的街景大数据研究方向来举个例子：

基于地图服务厂商提供的街景数据，开展城市科学的研究成为了当下的研究趋势。机器学习、深度学习等分析方法也正在逐渐成为城市规划、风景园林、地理信息学、旅游管理等学科的热门分析方法。

• 在图像语义分割方面，你可以进行基于ArcGlS的绿视率可视化分析以及基于网络平台的绿视率可视化分析：

• 在基于机器学习的城市街道感知方面，你可以利用随机森林模型进行街道的感知预测分析：

• 在空间句法与街景大数据的融合方面，你可以进行街景感知数据与选择度耦合分析：

• 在街景大数据的空间统计方面，你可以进行城市街道感知的空间自相关分析：

• 在街景大数据的空间关系建模方面，你可以探索街道视觉要素与感知之间的关系：

下面这门课程将带领同学们从街景获取、图像语义分割、机器学习城市感知预测等全方面进行实践应用系统教学。以实操为重点，通过分析近些年国内外重点刊物中出现的街景系列研究来把控当下的主流研究趋势。该课程主要面向城乡规划、风景园林、建筑设计等学科，让学员在掌握分析流程、分析方法的同时感受到街景大数据的魅力。

最近有朋友问我们：为什么没有及时看到推文？因为微信改了推送规则，没有点“赞”或“在看”，没有把我们“星标”，都有可能出现这种状况。

加“星标”，不迷路！看完文章顺手点点“赞”或“在看”，就可以准时与我们见面了~

原文始发于微信公众号（城市数据派）：不是吧！诺奖得主辛顿曾学建筑学？他研究的人工神经网络和城市分析有何关系？丨城市数据派