规划问道
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！
URP今日为您精编的是林旭辉等人的《人工智能视角下的未来城市结构：发掘复杂网络背后的空间特征》，全文已在《城市与区域规划研究（人工智能与未来城市社会）》刊出。
作者简介
林旭辉，伦敦大学学院可持续建设学院博士生，研究方向为基础设施网络韧性和网络动力学；隶属于英国阿兰图灵研究院数据工程中心小组成员，擅长应用计算方法解决复杂城市系统问题，开发城市数字孪生平台；
彭炜程，格拉斯哥大学詹姆斯瓦特工程学院博士生；研究方向为模拟粒子在流体中的运动状态并考虑生物膜效应，擅长应用计算方法解决复杂的流体动力问题；
杨滔，清华大学建筑学院副教授；研究方向为数字孪生城市、城市信息模型、数字化城市设计等，曾主持雄安新区BIM平台、苏州CIM平台、深圳既有建筑BIM等重大项目。
文章导读
在城市规划和网络分析的领域中，深入洞察城市道路网络的构造及其隐藏在背后的空间特征对于理解城市的功能和组织架构至关重要。本文研究了AI的隐藏空间结构，可以被视为一种“空间基因”，有潜力成为生成和规划未来城市空间结构的基础。
本文字数：6360字
阅读时间：约15分钟
01
引言
在城市空间分析领域，图神经网络（GNN）的兴起标志着一种革命性的方法论转变(Wu et al., 2020)。GNN以其独特的能力处理图结构数据，为理解城市道路网络的复杂性和动态性提供了新的视角。在城市空间分析中，GNN不仅能够捕捉到道路网络的拓扑结构，还能够通过节点和边的属性来揭示城市空间的功能性和结构性特征。这种能力使得GNN在城市规划、交通管理、环境监测等多个领域展现出巨大的应用潜力(Wangetal.,2020；Longzhuetal.,2020；Lyuetal.,2022)。图神经网络的核心在于其能够处理图数据，这种数据结构天然适合描述城市道路网络。在这种网络中，道路节点和它们之间的连接关系构成了图的基本骨架。GNN通过学习这些节点和边的属性，能够提取出城市空间的深层特征。例如，通过分析道路网络的拓扑结构，GNN可以帮助城市研究学者理解城市的连通性、可达性和交通流量分布(朱余德等，2022；李小妍，2020)。此外，通过节点属性，如道路类型、交通量等，GNN能够揭示城市空间的功能分区和活动模式(Xuetal.,2022；Fangetal.,2022)。
然而，尽管GNN在城市空间分析中的应用前景广阔，当前的研究在很大程度上仍然集中在道路网络的拓扑结构上。大多数现有的图嵌入方法，如节点嵌入和图嵌入，主要关注于道路节点的连接模式，而忽视了城市空间里的潜在信息(Huetal.,2021)。这种信息，如沿街环境的功能多样性和沿街环境的可视区域，对于理解城市空间的功能性和吸引力至关重要。功能多样性反映了城市空间中不同功能类型的分布，它与居民的日常生活和城市活力密切相关。例如，一个具有丰富POI（PointofInterest）的街道不仅提供了多样化的服务和活动，还可能吸引更多的人流和经济活动(Fuetal.,2019；Lietal.,2021)。而可视区域则涉及到城市空间的视觉质量和美学，对于提升居民的生活质量和城市的整体形象具有重要作用(Bharmoriaetal.,2023,Sottinietal.,2021)。然而，这些重要的城市空间信息在现有的图嵌入方法中往往被忽视，导致对城市空间的分析不够全面(Caietal.,2018；Tian2021)。
在城市空间分析的研究中，一个关键的研究空白是如何有效地捕捉和学习城市空间的特征，这里面主要涉及到城市空间网络的特征表达及相邻空间的叠加效应，即空间信息的传递过程。为了弥补这一研究空白，本文结合神经网络里的自编码器(Liouetal.,2014)和图卷积网络(Wuetal.,2019)的概念，通过编码器将输入数据（如城市空间数据）压缩到一个低维的隐空间（也称为潜在空间或编码空间），并利用解码器从隐空间中重构出原始数据。本研究将三种城市空间的表示形式，如城市道路的拓扑属性、城市道路的沿街功能多样性和沿街视觉可视域作为输入数据，通过上述的自编码逻辑，从不同角度上去重建隐空间，提取可以表达该场景下的空间特征，逐步形成整体性的空间模式与场景知识。
02
方法论框架
在本研究中，我们采用了一个多层次的方法论框架（图 1），旨在通过图嵌入方式，将城市上下文信息融入到图网络中，并使用图变分自编码器（VGAE）深入分析城市道路网络的特征分布。该框架由基础数据层、嵌入层、学习层和特征层组成，涉及城市基础信息、城市背景信息、基础拓扑属性以及全局三维可视域面积和全局功能多样性信息度（图2）。
图 1 方法论框架
图 2 对比传统三维可视域计算方法与本文采用的可视域计算方法
基础数据层：这一层包含了城市道路结构、城市三维空间模型和城市功能分布数据。这些数据为后续的分析提供了基础结构和上下文信息。
嵌入层：在这一层，我们通过对道路网络进行拓扑结构计算和基于城市空间的多尺度计算，将道路网络数据转化为图网络的节点和边，拓扑结构计算和基于城市空间的多尺度计算后的数值作为节点的属性。结构计算涉及对道路网络的拓扑结构进行分析，而信息度计算则涉及对城市空间的感知信息量和功能多样性进行量化。
学习层：在这一核心层，我们应用VGAE来学习城市道路网络的潜在表示。VGAE通过编码器将高维特征映射到低维潜在空间，并通过解码器重构原始特征。这一过程不仅有助于理解城市空间的内在结构，还能够为城市空间的优化提供科学依据。
特征层：最后，我们基于学习层得到的潜在表示，分析城市道路网络的特征分布。这包括全局三维可视域面积和全局功能多样性信息度，这些度量反映了城市空间的开放性和功能多样化程度。
在变分图自编码器中，图卷积网络起着核心作用，其主要功能是聚合节点的邻接信息以及节点自身的特征信息。GCN通过在图结构上执行卷积操作，能够捕捉到节点间的局部依赖关系，从而学习到节点的潜在表示。
邻接信息聚合：GCN通过聚合每个节点的邻接节点信息来捕捉节点间的连接关系。这种聚合操作允许模型理解节点在图结构中的局部环境，这对于理解节点的上下文至关重要。
节点特征更新：GCN通过聚合邻接节点的特征来更新每个节点的特征。这个过程使得节点能够“学习” 到其邻居的特征，从而捕捉到图结构中的全局信息。
信息传递：在VGAE的编码器部分，GCN用于从节点特征中提取有用的信息，这些信息随后被用于潜在空间的表示。在解码器部分，GCN则用于从潜在空间重构出节点特征，这一过程涉及到信息从潜在空间到图结构的传递。
降维与重构：GCN在VGAE中还参与了特征的降维和重构过程。编码器通过GCN将高维节点特征映射到低维潜在空间，而解码器则从潜在空间重构出原始的节点特征。GCN在VGAE中的作用是连接图结构和节点特征，通过聚合和更新节点信息来学习节点的潜在表示，这些表示能够在低维空间中捕捉到图结构的复杂性和节点间的依赖关系。这种学习过程对于图数据的表示学习和图结构的重构至关重要。
为了直观地理解和可视化特征空间，该研究使用流形降维技术，如t-SNE或UMAP，将高维潜在空间映射到二维或三维空间。这种降维方法能够保留数据的局部结构，使研究人员能够观察到城市空间的分布模式和潜在结构。通过这种方法论，不仅能够构建一个包含城市上下文信息的图网络结构，还能够通过VGAE提取和可视化这些信息。这种方法为城市领域相关学者提供了一种新的工具，用于深入分析城市空间的结构和功能，为城市规划和设计提供了科学依据。通过将功能多样性和视觉感知力作为图网络的权重，能够揭示城市空间的多维特性，为理解城市空间分布提供了新的视角（图3）。
图 3 基于城市信息背景下的变分自编码器架构
03
案例分析
3.1 信息层：收集基础数据
本研究在街道网络形态丰富和建筑样式丰富的北京市选取了部分区域作为研究案例，如图4。其中，路网数据来源于open street map上的北京市路网，经过MetacityGenerator(杨滔等，2022）的路网中心线算法抽取出道路中心线。建筑基底数据来源于高德基底数据，其中该数据包含建筑楼层数属性。根据上述计算方法，需要考虑路网周边是否有足够丰富的建筑数据，该部分数据位于北京中心城区核心地区，长宽分别为9116m和8362m，面积约70km²，路网数目为6808段。该区域内，道路形态较为多样化，众多十字路口及宽窄形式较为多变的道路，使得任意两个节点间都有多种路径可以选择。
图 4 所选区域信息
3.2 嵌入层：计算道路网络拓扑属性与信息度
基于上述道路网络、建筑基底及高度数据及POI数据，本研究使用方法论中提及的公式，计算所选区域的基础拓扑网络属性、局部感知开放性指数和局部功能多样性，并将上述数值在城市道路网络空间上进行分布，如图5。并利用MetaCityGenerator的自定义边界中心性的功能，对道路网络进行多尺度的道路网络基础拓扑属性，道路网络多尺度三维可视域面积和道路网络多尺度功能多样性计算，如图6、图7。
图 5 基础拓扑信息分布与基于城市背景下的数值分布
图 6 基于基础拓扑信息的多尺度中介中心性计算
图 7 基于城市背景的多尺度计算
3.3 学习层：训练变分自编码器，重建特征空间
接下来，该研究将这些数据整合进所选区域的道路网络中，每个节点代表一个街道节点，边则表示街道之间的连接。节点的特征向量包含了道路距离、夹角、视觉感知量以及POI多样性值。基于上训练了VGAE模型，通过编码器将这些高维特征映射到一个低维的潜在空间中，解码器则尝试从潜在空间重构出原始特征（参数设置为：优化器Adam，学习率0.01，32维隐藏层，16维潜在变量，训练次数600）。
评估结果表明：模型能够有效地捕捉到城市空间的功能多样性特征。在基础拓扑属性的评估中，VGAE模型在角度距离和米制距离的AUC和AP值也显示出较好的性能，尤其是在米制距离的全局尺度上，AUC和AP值达到了0.8253和0.79669，这表明模型在捕捉基于距离的拓扑特性方面同样具有较高的准确性。在三维可视域面积量方法中，VGAE模型的性能略低于功能多样性信息度量方法，但在全局尺度上，AUC和AP值分别为0.78564和0.75649，这仍然表明模型能够较好地捕捉到城市空间的感知特性。
3.4 特征层：提取道路网络特征，构建不同嵌入值下的特征分布
在上述的VGAE训练过程中，本研究将隐空间设置为16维，为了可视化隐空间的分布，对其进行降维。本文采用T-SNE方法将隐空间从16维降到2维，得到如图8左侧的散点图。通过对该散点图进行聚类，将降维后的隐空间分为五份。结合道路网络数据，得到隐空间的道路网络分布，如图8中间。通过与原始数据分布（图8右侧）的对比，可以发现聚类后的结果，例如，图8显示了在不同尺度下，基础拓扑网络属性（米制距离）的变化。在这些图中，我们可以看到，在较小的尺度上，网络的连通性更为紧密，而在较大的尺度上，网络的连通性则显示出更多的层次和复杂性。这可能反映了城市空间在不同尺度上的组织模式，小尺度上的紧密连接可能对应于城市中的密集区域，而大尺度上的复杂性则可能与城市的整体布局和功能分区有关。图9进一步揭示了在不同尺度下，基础拓扑网络属性（角度距离）的变化。这些变化可能与城市空间的几何特性和视觉感知有关，例如，角度距离的变化可能影响居民对城市空间的感知和导航。在图10中，我们可以看到多尺度三维可视域面积的变化。这些变化可能与城市空间的可达性和居民的活动模式有关。例如，三维可视域面积较高的区域可能是城市中的活跃区域，这些区域提供了丰富的公共设施和服务，吸引了大量的人流。最后，图11显示了多尺度功能多样性信息度的变化。这些变化可能与城市空间的功能多样性和活力有关。功能多样性较高的区域可能是城市中的商业和文化中心，这些区域提供了多样化的服务和活动，促进了经济和社会的活力。
图 8 多尺度基础拓扑网络属性(米制距离）
图 9 多尺度基础拓扑网络属性(米制距离）
图 10 多尺度三维可视域面积
图 11 多尺度功能多样性信息度
04
讨论与展望
本研究利用VGAE对城市道路网络进行了深入分析,重点关注隐空间中结构相似节点的识别。研究发现，VGAE能有效识别原始数据中的关键道路网络，并揭示其背后的局部结构特征。在隐空间中，VGAE将分散在不同区域但共享相似结构特征的节点聚集在一起，揭示了道路网络在拓扑结构上的相似性，这对理解城市空间的组织模式和功能分布具有重要意义。此外，VGAE还能识别原始数据中不易察觉的局部结构特征，如高连通性或特定的节点分布模式。通过分析这些特征，我们不仅能理解城市道路网络的宏观特征，还能深入到网络的微观结构，为城市规划和设计提供更细致的洞察。这些发现凸显了VGAE在捕捉和表示城市空间复杂性方面的强大能力。通过揭示城市道路网络的内在结构特征，VGAE可以帮助城市规划者和设计师更好地理解城市空间的组织逻辑，识别重要的功能区域和关键的连接路径，从而优化城市空间布局，提升城市的可达性和功能性。然而，研究也存在数据来源偏差和模型选择局限性等挑战。未来研究应考虑多样化数据来源，探索先进图神经网络模型。
本研究提出了一种创新的城市空间分析方法,通过将功能多样性和视觉感知力等城市上下文信息整合到图神经网络模型中,有效地捕捉了城市空间的多维特性。研究构建了包含城市上下文信息的图网络结构，节点和边的权重反映了沿街环境的功能多样性和视觉感知力，揭示了城市空间的内在结构和动态变化。运用变分图自编码器（VGAE）对图网络进行特征提取，并采用流形降维技术对特征空间进行可视化，提高了对城市空间复杂性的理解。研究在理论和实践上取得了进展，为智慧城市的发展奠定了基础。本研究突显了利用GVAE等高级分析工具在城市规划中的应用价值，通过深入分析城市空间的功能多样性和视觉感知力，有效识别了城市活力中心和潜在改进区域。这为公共空间设计和社区规划提供了新的指导方针，展示了计算模型在推动城市空间分析和优化决策过程中的关键作用。
然而,本研究选取北京市的一个局部矩形区域作为案例进行分析,虽然展示了所提出方法的有效性,但也存在一些局限性,可能影响对”隐形城市结构”的认知,导致局部认知结果缺乏普适性。首先，单一局部区域可能无法完全代表整个城市的结构特征，忽略了城市在更大尺度上的结构特征。其次，矩形切割的方式可能割裂了某些完整的城市功能区，影响了对该功能区整体特征的分析。此外，局部区域的分析结果可能难以直接推广到整个城市，在解释分析结果时需要充分考虑局部区域的特殊性，避免过度泛化。未来的研究应采取更全面、更灵活的策略，选取多个具有代表性的区域进行对比分析，采用更合理的分析单元划分方式，提高分析结果的可靠性和代表性。同时，在解释分析结果时，要充分考虑局部区域的特殊性，审慎地将局部认知结果置于整个城市语境中进行解释，避免过度泛化。这样才能更准确地认识城市的“隐形结构”，为城市规划和管理提供可靠的依据。
参考文献（略）
[ 引用格式 ]
LIN X H,PENG W C, YANG T. Future city structure from the perspective ofAI:revealingspatialfeaturesembeddedin complex network[J]. Journalof Urbanand RegionalPlanning,2024,16(1):215-229.
本文转载自：城市与区域规划研究
原文始发于微信公众号（城市数据派）：【技术前沿】AI时代，基于高级分析工具的城市空间创新分析方法丨城市数据派
