从技术派的视线出发，我们认为规划的本质，Planning，是在数据挖掘分析的基础上对国土空间的优化部署，对人口、环境、交通、产业、设施等各种资源的运筹配置。优化部署，意味着有一些目标要实现，譬如公共服务的均等化、各种设施的便利程度最大化、资源环境消耗最小化、就业产出效益最大化，等等。
人的思考主要有以下几种形式：分类（认知）、归纳、关联、预测、运筹。
智慧规划的计算引擎应能把人的思考实施到空间计算上。智慧规划平台，要集成海量数据和相关GeoAI技术，对国土空间进行认知、归纳、关联、预测，并进行运筹计算，辅助决策。位和一直在这个方向上努力。
位和GeoAI智慧规划云平台，获得了第十三届中国智慧城市大会颁发的优秀应用成果奖。位和平台服务于中规院、国家基础地理信息中心、江苏省地理信息中心、广州规划院、深圳规划院、重庆规划院等诸多国土空间规划行业的头部企事业单位。
我们通过分类来对国土空间产生认知。专题图是比较简单的分类，每个专题图通常只表达一个维度的信息。但是国土空间很复杂，有很多专题。通过一张一张的专题图来认识国土空间，然后在分析人员头脑中形成对空间的认识，是比较传统的形式。不同的分析人员会形成不同的认知，有的人可能认知比较全面，有的人可能认知不那么全面，这取决于分析人员的经验和脑回路。稍微智慧一点，我们可以把多维信息整合在一起，把在分析人员头脑中形成的整合的认知描绘出来。这样专家不用那么辛苦，小白也被武装了起来。这是位和多维分析产品的能力，它背后是神经网络非监督分类计算和一系列辅助解读的交互可视化技术，可以应用于规划分析中几乎所有的评价、评估、识别、画像等，是位和GeoAI产品系列中应用最广泛的一个。
中规院发布的《中国城市繁荣活力评估报告2019》中，大量应用了位和多维分析的技术。
归纳是指从许多个别的事物中概括出一般性概念、原则或结论的思维方法，是比分类更进一步的思考。有的人归纳能力强，有的人归纳能力弱。对国土空间的认知，也需要归纳。当数据的尺度不同时，认知的结果会有差异，有时甚至可能得出完全相反的结论。归纳帮助我们找到适当的认知单元来表达数据，产生正确的认知。各种规划政策的实施落地也都需要通过归纳分析来确认政策实施的边界在哪里，把空间划分成区域，分别实施不同的政策。位和通过计算的方式来实现对空间的归纳，并获得新的知识。
譬如下图，通过对中国地理国情数据中的一级地表覆盖数据以及气温和降水进行归纳，计算中国的地理区划。一级地表覆盖数据包括种植土地、林草覆盖、房屋建筑、道路、构筑物、人工堆掘地、水、荒漠和裸露地表。当把中国归纳成两个区时，边界和胡焕庸线吻合。胡焕庸线是1935年提出的人口分布线，之后80多年基本不变。胡线以东，全国96%的人口，生活在36%的面积上；胡线以西，64%的面积上，只生活着4%的人口。总理曾问，跨越胡线是否可行？这里的数据和计算显示，胡焕庸线是地理原因造成的。跨越胡线，是一个非常艰巨的和大自然斗争的过程。
通过对2016年（左）和2018年（右）聚合到区县的POI数据进行空间归纳计算，可以很直观地观察到中国社会经济格局的形态及其变化。与地理格局沿胡焕庸线分割不同，中国社会经济格局是以三大城市群、青藏高原无人区、以及其它广大地区为架构。京津冀城市群只有京津没有冀。通过2016年和2018年数据的对比，我们发现长三角城市群长大了，城市群的增长边界清晰可见；强二线城市的增长有很大差异，有些地区，譬如西安周边，成片增长，但有些地区，譬如重庆，高速增长的只是若干区县节点，主城区以外的区跟周边区县差距减少。
对中国城市间春节迁徙数据进行归纳计算，挖掘中国城市群的形态，并观察到中国迁徙的大格局沿秦岭淮河一线分为南方和北方。虽然所用的数据是城市尺度，但这条线和省界完全重叠。
对企业间投资互投OD数据进行归纳计算，可以研究中国经济联系的圈层结构。
上面一组案例基于全国的数据来计算中国的宏观地理格局、社会经济格局、迁徙格局和经济联系格局。类似的计算还可以应用于城市群范围、省域、市域、区县甚至街区范围等中观和微观尺度的分析。
运筹，也就是优化，体现了决策能力。规划是在数据分析基础上的空间优化。空间优化主要有3种形式：选址布局、路径优化，以及区划。位和在这三个方面均有成熟的产品和解决方案。
城镇开发边界的划定，是个区划的问题。它体现了地方利益和国家规范之间的博弈，在满足国家规范的前提下，最大化地方利益，同时必须保持3类空间内部的相似性，或者说3类空间之间的差异性。大家一直有顾虑的领导意见，可以作为约束条件来处理。
美国的选区划分也是一个充满了政治博弈的规划场景。我们开发的分区优化软件，已经在美国成功地应用在选区划分、学区划分、服务区划分等领域。
在中国，我们和规划院用户一起探索了交通小区编制和居住区规划的应用，目前正在研究如何把这项技术应用在国土空间规划编制的项目中，例如分析单元计算、规划单元编制、功能区划分等。
预测方面，我们实现了基于多重回归和多层感知器神经网络模型的预测，并实现了基于AutoML的自动调参。在对武汉用地功能和业态分布的预测案例中，AutoML找到的网络由一个1层、一个2层、一个3层的3个子网络合成；训练集决定系数达到0.98，预测集的相关系数达到0.8，决定系数达到0.6，优于相同数据下人工调参的性能。
下图是根据2000年-2016年的数据，预测2017、2018、2019的新增企业分布。
关联是人类思考的重要能力。位和的产品把数据之间的关联关系计算并可视化出来。
譬如下图中对中国地理国情数据中的一级地表覆盖数据以及气温和降水数据的分类及关联关系计算，很清晰地揭示出：
-
房屋建筑、道路、构筑物、人工堆掘地和水之间的正相关关系；
-
-
-
-
武汉用地功能和业态分布变化（2014-2016-2017年）的分析中，揭示了不同用地功能和业态分布的关联关系。
棕色分类显示：产业生产功能、道路交通服务功能、交通运输仓储和邮政业、建筑业，呈正相关。棕色分类主导的用地功能和业态分布在城市外围，并不断增长。
绿色分类显示：采矿业、制造业、公共管理和社会保障业、农林牧渔业、公共管理和公共服务功能、公用设施功能、绿地与广场功能，这些业态和用地类型呈正相关。绿色分类代表的主导业态和用地分布在城市外围，且不断减少。
蓝色分类显示：居住生活功能主导的区域，批发和零售业占比高、居民服务和修理服务业占比高、住宿和餐饮业占比高。
粉色分类显示：软件信息技术服务业、文化体育和娱乐业、房地产业、卫生和社会工作，这几个业态之间正相关。
紫色分类显示：租赁和商务服务业、金融商业功能、娱乐休闲功能之间正相关。
粉色分类和紫色分类的特征曲线非常相似，可以考虑合并这两个分类。从而得出合并类别的用地和业态之间的关联关系：金融商业功能和娱乐休闲功能主导的地区，软件信息技术服务业、文化体育和娱乐业、房地产业、租赁和商务服务业、卫生和社会工作业态占比高。
除了智能计算，位和平台也提供数据能力、基础可视化能力、平台门户管理和数据管理能力。
位和通过采集、采购、合作、人工整理和智能计算等不同方式，在平台上集成了海量多源数据，并提供数据中台服务，让数据获取、数据共享和数据融合变得容易。数据中台导出的数据与位和平台的可视化和数据挖掘模块无缝集成。
位和数据生态涵盖统计、人口、产业、商业、房产、交通、设施、各种基础地理数据等；覆盖全国范围，包括多年历史数据，数据定期更新。
位和可视化模块，集成地理可视化和图表可视化技术，帮助用户探索数据、揭示数据模式。支持动态矢量切片，实现大数据量客户端动态制图。可视化成果一键发布。
整合前面介绍的数据能力、可视化能力、智能计算能力和平台管理能力，位和平台可以支撑智慧城市时空云平台、国土空间规划基础信息平台、规划编制平台、和规划实施评估与监测预警平台的搭建。
位和平台既支持公有云上的在线SaaS模式，也支持私有云部署形式，并可以通过API/SDK和第三方平台进行集成，以及提供围绕平台功能的定制开发服务。
商业合作、投稿等，请联系客服小派派微信号 xiaopaipai_udparty，加好友必须备注：合作+机构名称/个人姓名
原文始发于微信公众号（城市数据派）：智慧规划的计算引擎丨城市数据派
规划问道
