未来骨科医工融合—文献集萃（二十三）基于深度强化学习的城市社区空间规划

发布日期： 2025-04-03 18:20:04 阅读量： 1

摘要

有效的城市社区空间规划对城市可持续发展起着至关重要的作用。尽管地理信息系统和计算机辅助设计带来了便利，但确定土地使用和道路的布局仍然严重依赖人类专家。在这里，我们提出了一个人工智能城市规划模型来生成城市社区的空间规划。为了克服城市地理学的多样性和不规则性的困难，我们构造了一个图来描述任意形式的城市拓扑结构，并将城市规划问题描述为图上的序列决策问题。为了解决解空间庞大的问题，提出了一种基于图神经网络的强化学习模型。在人工社区和真实社区上的实验表明，我们的计算模型在客观度量方面优于人类专家设计的计划，并且它可以生成响应不同情况和需求的空间计划。我们还提出了城市规划的人工-人工智能协作工作流，其中人类设计师可以从我们的模型中获得实质性的好处，使其更具生产力，以更少的时间生成更高效的空间规划。我们的方法展示了计算城市规划的巨大潜力，并为利用计算方法解决城市科学中具有挑战性的现实世界问题的更多探索铺平了道路。

方法

问题建模：

将城市社区空间规划建模为马尔可夫决策过程（MDP），分为两个阶段：1.土地使用规划：基于现有道路条件，按顺序放置功能区块（如学校、医院等）。2.道路规划：在土地使用规划完成后，选择土地边界构建道路网络。通过深度强化学习（DRL）优化策略，结合图神经网络（GNN）进行状态编码。

图模型构建：

提出城市邻接图（Urban Contiguity Graph），以向量形式表示不规则地理元素（多边形地块、线段道路/边界、点状交叉口）。节点特征包含地理信息（类型、坐标、面积等），边表示空间邻接关系。

动作空间优化：

使用价值网络和策略网络缩小动作空间：价值网络评估规划质量（服务可达性、生态覆盖、交通效率）。策略网络（土地和道路策略）选择最优位置，通过掩码过滤不合理动作。

将动作空间分解为“规划内容”“规划位置”“规划方式”三个子空间，仅需优化核心的“规划位置”。训练与评估：奖励函数基于“15分钟城市”理念（服务可达性、生态覆盖率、交通效率）。使用近端策略优化（PPO）更新网络参数，通过数百万次交互训练模型。

总结：

性能优势：在合成和真实社区（如北京回龙观、大红门社区）的实验中，模型在服务、生态和交通效率上显著优于传统方法（规则启发式、遗传算法）和人类专家，最高提升达 83%。

支持快速生成不同风格的规划（如生活圈社区、绿色社区），并适应多样化需求（如设施数量、道路密度）。

可转移性：模型能从小规模简单场景（3×3网格）迁移至大规模复杂场景（4×4网格或真实社区），训练时间减少约 50%。

人机协作：提出人机协同工作流，AI负责耗时计算，人类专家专注于概念设计。协作流程将时间成本降低 3000倍，同时规划效率提升 15%。

创新点

图结构与DRL结合：首次将图神经网络（GNN）与深度强化学习结合，处理不规则城市地理拓扑，突破传统网格或像素表示的限制。

动态动作空间压缩：通过策略网络和动作掩码，将原本庞大的动作空间压缩至可优化范围，解决组合爆炸问题。

多场景适应与迁移能力：模型支持跨规模（小网格→大社区）和跨形式（合成→真实）迁移，无需重新训练，显著提升泛化性。

人机协同范式：提出AI辅助的高效协作模式，兼顾人类创造力与AI计算力，为城市规划提供可扩展的自动化解决方案。

15分钟城市量化指标：将“15分钟可达性”转化为可量化的奖励函数，推动可持续城市设计的标准化评估。

文章来源：https://doi.org/10.1038/s43588-023-00503-5

利益冲突说明：

1. 本研究由国家重点研发计划和国家自然科学基金支持和清华-丰田联合研究所和清华-剑桥联合研究计划资助赞助

2.本内容不存在研究者、伦理委员会与公开研究成果有关的利益冲突

3.对于披露的利益冲突，应保证真实、准确、完整，以便评估其可能对学术和医疗实践的影响

4.本会及其相关机构、委员会应定期对利益冲突进行审查和监督，确保活动的独立性和公正性

本内容授权给北京石景山思考特赋能科技公益发展中心登载播放，其他人未经授权不能转载下载，违者必究

上一篇: 未来骨科医工融合—文献集萃（二十四）用于临界骨缺损修复机械辅助生物打印策略

下一篇: 未来骨科医工融合—文献集萃（二十二）人机交互的人在回路优化研究

未来骨科 医工融合—文献集萃（二十三） 基于深度强化学习的城市社区空间规划

未来骨科医工融合—文献集萃（二十三）基于深度强化学习的城市社区空间规划