居住空间设计案例图文分析-【规划设计】基于人工智能的城市空间生成设计框架——以温州中心绿轴北延段为例

介绍

作者温州大学建筑工程学院讲师林波、温州大学建筑工程学院讲师刁荣丹、温州商学院媒体与设计艺术学院助理教授吴伊万撰写《规划师》2019年第17期文章，通过建立城市空间案例数据库，利用机器学习算法和深度学习算法可以训练计算机学习如何设计城市空间。 文章在讲解机器学习和深度学习的基本概念及其程序逻辑的基础上，探讨城市空间中交通路网的生成模式、街区空间形态和建筑功能布局，并利用温州中央绿地北延轴作为应用案例证明了其可行性，以寻求一套基于人工智能的城市空间生成设计方法，为城市设计方法的创新发展提供新的思路。

[关键词] 算法； 机器学习； 深度学习； 人工智能; 生成设计

[文章编号]1006-0022(2019)17-0044-07

[中法编号] TU984

[证件识别码]B

【引文格式】林波，刁荣丹，吴伊万。 基于人工智能的城市空间生成设计框架——以温州中央绿轴北延为例[J]. 规划者，2019（17）：44-50。

一

相关概念和研究

近年来兴起的机器学习，是一种以概率论和统计学理论为基础，通过设计和分析使计算机能够自主“学习”的算法的总称。 对于城市空间规划设计研究，机器学习不仅可以对现有城市空间进行有力分析，还有助于推测和计算现有城市空间的规律。 深度学习是机器学习的一个分支。 它对生物神经网络的基本特征进行抽象和建模。 它可以从周围的环境中学习并适应与生物有相似相互作用的环境。 它依托图像识别技术的进步，为学习空间和模拟空间的研究提供了新的可能性。

在机器学习研究中，最早的研究是 Heeger 和 Bergen 在 1995 年尝试将示例纹理的大规模随机属性与新纹理相匹配，Portilla 在 2000 年和 Simoncelli 尝试了类似的东西。 2016年，Paul Merrell在2009年的模型仿真研究基础上，获得了Python算法的“WaveFunction Collapse”算法，可以模拟输入图像并生成相似图像，简化纹理合成技术并选择随机形状样本并合成一个更大的纹理输出。

深度学习起源于（人工）神经网络的研究。 2006年，Hinton和Salakhutdinov提出了深度信念网络（Deep Belief Network）。 《Science》发表的文章提出了深度网络和深度学习的概念，开启了深度学习领域。 研究热潮。 2016年发布的图像风格迁移（Semantic Style Transfer）和沥​​川2016年发布的神经斑块算法，均采用Python（Python）语言，可以通过图像处理器（GPU）来模拟，也可以使用中央处理器（CPU）模拟，算法从风格图像中提取带注释的补丁信息，并将其匹配度传递到目标图像。 目前的深度学习技术主要应用于图像元素的高效识别，例如剑桥大学开发的“SegNet工具”。

数字技术在规划设计中的应用虽然刚刚兴起，但在很多研究角度上都表现出色。 例如，李妙义等人利用数字技术构建了数据驱动的规划技术支撑框架； 曹友信将地理信息系统（GIS）历史切片等技术应用于城市历史遗产领域； 在调查研究环节，赵克等人。 人们从实际需求出发，应用了多种数字技术； 杨涛将空间句法应用到城市设计等中，可见地理信息系统软件平台（ArcGIS）、3D地理信息软件（Skyline）等得到了广泛的应用。 与此同时，许多学者致力于利用数字技术进行智能化规划设计。 尽管越来越多的数字技术被运用到城市规划设计中，但机器学习和深度学习的应用还很少。 本研究在现有研究的基础上，主要利用机器学习和深度学习的图像分析和模拟能力，通过机器学习、深度学习和相关计算机代码，将整个复杂的设计过程转化为智能黑匣子，并简化城市空间。 原来设计过程中复杂且耗时的推演过程，从而找到现阶段城市设计困境的根源。

二

城市空间生成设计研究框架

现有基于机器学习和深度学习的研究依靠现有的经验知识进行学习，然后模拟再生。 同时，其自身处理多维数据的能力并不完善，因此整个过程需要人工评估和筛选。 本研究将为机器学习和深度学习提供一个学习集，不仅是设计案例数据库，使其可以用于先验知识的学习，还可以用于仿真、输出结果以及设计者的程序评估。 由于城市设计是一个复杂的过程，不能由单一因素决定，因此本研究引入人工评估来拟合多维度的结果。 通过机器学习和深度学习的分析和模拟过程，设计师在其中发挥评估作用，大大缩短了案例摄入、现场分析等前期工作的耗时，减少了个人对知识理解的偏差。 对于日益复杂的城市规划设计，即使是最成熟的设计团队在思维上也会存在一定的局限性。 将数字技术和人工智能引入设计中，有助于设计者在短时间内充分探索解决问题的可能范围居住空间设计案例图文分析，并获得进一步推进的最优解决方案。

本研究按照“学习-模拟”的逻辑顺序，建立城市空间案例数据库，设计基于机器学习和深度学习的平台，确定城市规划设计的评价指标，通过设计师与设计平台之间的互动。 城市规划与设计方案。 整个研究过程主要分为三个部分，包括城市空间案例数据库的建立、城市空间生成及方案评估筛选、3D城市设计模型的生成（图1）。

（一）城市空间案例库建立

根据国际典型城市设计空间大数据，建立该类型的空间谱系，解构其空间形态的构成模式，并进行拓扑抽象分析，得到空间原型的基本类型，可大致分为多中心空间格局和网格。 棋盘邻里风格、环层辐射风格、轴线关联风格等。根据城市空间案例分类，收集了一批城市设计方案并建立数据库。

城市设计内容的五要素是边界、道路、区域、节点和地标。 根据这五个要素，本研究将城市空间案例数据库设置为三个子数据库：城市交通路网信息数据库、城市街区空间形态数据库和城市建筑功能布局数据库。 城市交通路网数据信息通过不同等级道路交通的二维平面地图来体现。 城市街区的空间形态数据信息体现在以不同颜色区分的不同高度的建筑物、广场、绿地等公共空间的二维平面上。 城市建筑功能布局数据信息通过不同颜色的二维平面图来体现，以区分不同的建筑功能。 通过建立数据库来获得机器学习和深度学习的先验知识学习集。

（2）城市空间生成与方案评估筛选

这项研究利用了人工智能的两项核心技术：机器学习和深度学习。 机器学习算法使用Python算法波函数折叠（Wave FunctionCollapse），可以模拟输入图像并生成相似的图像。 机器学习算法中的局部相似度与两个方面有关：一是输出图像的每个N（特征参数）×N像素模块在输入图像中至少出现一次； 另一个是输出图像中每个N×N像素模块的出现概率与输入图像中出现的概率类似。 该算法主要基于 Paul Merrell 的模型模拟研究。 通过修改特征参数N，可以生成不同风格的模拟图像。 深度学习算法应用了Alex J. Champandard于2016年发布的图像风格迁移算法和Li Chuan于2016年发布的神经斑块算法。该算法使用Python语言，并且由于图像处理器的模拟速度比在中央处理单元方面，本研究采用图像处理器进行仿真。 该算法根据带有原始信息的图像和给定的内容注释图像，利用多幅图像生成新图像，并将从风格图像中提取的注释补丁信息的匹配度传递到目标图像。 ，匹配效果与计算速度和迭代次数I有关。在一定范围内，迭代次数I越高，匹配效果越好，计算时间越长居住空间设计案例图文分析，但匹配效果不会提高当迭代次数 I 达到一定水平时。 通过修改迭代次数I，可以产生不同效果的模拟图像。

首先，提取数据库中城市设计案例的城市交通路网进行机器学习，调整特征参数N生成多个道路网，然后对生成的道路网进行评估和筛选，选择最优的城市交通路网； 其次，提取城市街区空间形态的城市设计案例数据，调整迭代次数I生成多套城市街区空间形态方案，然后对生成的城市街区空间形态方案进行评估和筛选，选择最优城市街区空间形式； 最后，根据城市设计案例的城市建筑功能布局数据，调整迭代次数I，生成多套城市建筑功能布局方案，经过筛选和评估，选择最优的城市建筑功能布局。

城市设计评价筛选分为三步：第一步是城市交通路网评价，第二步是城市街区空间形态评价，第三步是功能评价。城市建筑布局。 城市交通路网评价指标包括路网密度、路网可达性、周边场地契合度等； 城市街区空间形态评价指标包括城市天际线轮廓（T）、建设用地利用率（J）、地质地形条件适应性（S）、建成区绿化覆盖率（L）、城市广场布局合理性（ G)、建筑空间形式质量(X)、公共空间形式质量(K)和可识别性(D)[16-17]； 城市建筑功能布局评价指标包括城市建筑功能完善程度和城市建筑功能布局合理性。

(3) 3D城市设计模型生成

之前数据库中的三个子数据库的信息都是二维图像，通过机器学习和深度学习模拟生成的城市设计方案也是二维图像。 这部分是根据模拟生成的二维方案图自动生成三维城市设计模型。

模拟二维​​城市街区空间形态图中不同颜色的区域代表不同高度的广场、绿化和建筑物，利用处理（Processing）软件编程为模拟二维城市中的像素分配不同的颜色块空间形态图在不同高度生成三维像素点模型，导出每个像素点的三维坐标信息。 然后将数据信息导入Rhino和Grasshopper软件中，由3D像素点图生成3D块模型，这就是最终的3D城市设计模型。

三

案例应用：温州中央绿轴北延城市空间生成设计

温州中央绿轴是贯穿温州市南北的空间景观主轴。 也是公共文化和公共活动中心，涵盖行政文化区、休闲生活区、商业创意区、城市绿化区四大核心功能区。 本研究建立城市空间案例数据库，利用机器学习生成道路网络，利用深度学习生成街区空间形态和建筑功能布局，最后利用处理算法生成3D空间模型。

（一）城市空间案例库建立

本研究共确定华盛顿特区、杭州钱江新城、温州传统城区、威尼斯、巴塞罗那和巴黎6个城市空间为基本案例，并进行数据分析和收集。

针对这6个案例，经过本研究的初步分析和处理，形成了城市空间案例数据库。 城市空间案例库分为三个子库，即每个案例包含城市交通路网、城市街区空间形态、城市建筑功能布局三部分信息。

城市交通路网信息是对案例中的路网资料进行采集和整理。 城市街区形态信息采用不同颜色区分不同高度的建筑物、广场、绿地等公共空间。 建筑高度分为三类：1-3层建筑、3-8层建筑和8层建筑。 建筑功能布局信息将建筑功能分为文化教育、商业、居住、行政办公、商住结合五类，并采用不同颜色区分建筑功能类型。

(2)基于机器学习的城市交通路网仿真生成与评价筛选

提取数据库中的城市交通路网信息，利用python算法波函数塌陷进行机器学习卡通人物，调整特征参数N（如3、4、5）生成多个路网，然后对生成的道路进行评估和筛选网络，选择最佳城市交通网络。 城市交通路网评价主要包括时间和空间两个方面。 首先，在空间方面，要考虑场地一定范围内区域交通路网的整体建设水平、路网的可达性、路网的密度，基本上是静态的。分析。 其次，在时间上，要考虑区域路网的运行时间、机动车的速度等，然后进行评估。 但本研究主要处于规划阶段，无法评判时间的评价，只能评价空间。 本研究按照系统性、独立性、实用性、可比性、科学性、可靠性的原则，确定了以下评价指标：路网密度、路网可达性和周边场地契合度。

生成的三种路网方案中，方案一路网密度适宜，可达性高，与周边场地契合度高； 方案2路网密度高，可达性适宜，与周边场地契合度较低； 方案3路网密度高，可达性低，与周边场地契合度低。 因此，方案1为最优路网方案（图2）。

(3)基于深度学习的城市街区空间形态模拟生成与评价筛选

首先，提取城市设计案例的城市街区空间形态数据，利用深度学习算法，利用图像处理器模拟案例中不同高度的广场、绿化和建筑的布局，调整迭代次数I( 40、60、80）开展三项研究，仅研究6个案例作为数据源，形成18套方案。 由于温州中央绿轴北延属于轴向布局，因此将案例中华盛顿和杭州钱江新城两个轴向布局案例分别与其余案例合并，以这两个案例作为数据源进行学习，形成9个数据源、27套方案，共生成45套城市街区空间形态方案。 其次，从尊重场地景观结构出发，对45个规划中的杨府山、上斗门河进行了修改。 最终对45套方案进行了评估和筛选。 评价指标包括城市天际线轮廓、建设用地利用率、地质地形条件适应性、建成区绿化覆盖率、城市广场布局合理性、城市建设质量等8项评价指标。建筑空间形式、公共空间的形式品质和可识别性。 将各项相加，最终选出总分（Su）前6名的方案（图3-图10）。 其中，图3至图6是单独借鉴6个案例作为数据来源形成的方案，图7至图10是以华盛顿和杭州钱江新城两个轴向布局案例为主体，结合其余案例形成的方案。以案例为主体。 由数据源形成的架构。 图3-10，第一列为案例的建筑物高度信息图和底图，第二列为场地底图，第三列为迭代次数I为40、60时输出的建筑物高度图，和 80 分别。 第四栏是设计师添加场地水体和绿地后对方案进行修改的结果，第五栏是方案模型的生成。 评价公式如下：

(4)基于深度学习的城市建筑功能布局模拟生成与评价筛选

提取所选6套方案对应的数据源案例的城市建筑功能布局数据，利用深度学习算法，利用图像处理器模拟案例中建筑的功能布局，调整迭代次数I （40、60、80），生成18套城市建筑功能布局方案，并进行筛选和评估。 本研究指定的评价指标为城市建筑功能完整性和城市建筑功能布局合理性。 其中，城市建筑功能完整性的主要指标是建筑功能类型，城市建筑功能布局合理性的主要指标是不同功能建筑的分布密度和建筑服务半径的覆盖范围。 。 设计者根据方案，按照规定的评价指标进行实证评分。 在这个评估过程中，设计师个人主观能动性较强，这也是这个框架的优势，充分发挥了设计师自身的判断能力，并没有过多依赖数字技术。 根据各评价指标总分从高到低的排名，可以得出杭州钱江新城和威尼斯作为数据源生成的最佳建筑功能布局，即最佳方案（图11-13） ）。

(5) 3D模型的生成

第一步，利用处理软件编写算法程序，对最终二维规划中温州市中央绿轴北延城市街区空间形态图中不同颜色的像素点赋予不同的高度前一阶段模拟生成三维像素点模型，并导出每个像素点的3D坐标信息。 第二步，利用Rhinoceros和Grasshopper软件建立算法程序，导入上一步获得的3D坐标信息数据，自动生成温州中心绿轴北延3D模型（图14）。

整合整体设计研究框架表情包设计，按照“学习-模拟-输出”的整体逻辑顺序，集中设计人员参与评估。 首先获得城市交通路网方案，然后对其进行评价并选择最优方案。 其次，根据城市交通路网优化方案生成街道空间方案，并选择街道空间优化方案。 最后，基于最优街道空间规划，进一步生成建筑功能布局方案，选择最优建筑功能布局方案，最终得到城市设计方案。 该设计研究框架首次将机器学习和深度学习结合在城市设计中，能够快速获得初步设计方案。 同时，设计师在解读和评价的过程中也发挥着一定的作用。

四个尾声

本研究探索利用机器学习、深度学习等相关算法训练计算机学习城市空间生成设计，并以温州中央绿轴北延作为应用案例证明其可行性。 建立由6个案例组成的小型数据库，利用机器学习生成3套路网方案，并从中选出最优方案，利用深度学习生成45套城市街区空间形态方案，得出6套最优方案选出，然后利用深度学习生成18套建筑功能布局方案，最终选定以杭州钱江新城和威尼斯为数据源生成的方案作为最佳方案。

本研究首次利用机器学习和深度学习获取城市空间设计方案，并在设计师的监控和选择下，主要利用人工智能进行初步方案设定，最终由设计师做出决定。 处理和产生信息的能力还需要设计者自身的决策能力，这充分体现了人机交互。

虽然本研究讨论的基于机器学习和深度学习的图像处理算法的方法可以快速生成多套方案，使得设计更加客观和科学，但由于计算机硬件和算法的限制，其准确性这种方法生成的图还不够，深度学习生成的图有不同颜色的混合区域。 同时，方案评估和筛选的过程仍然具有主观性，计算机无法自动筛选出最优方案。 随着计算机程序算法技术的不断完善，利用人工智能进行城市空间生成设计的算法将越来越完善，城市设计的方法也将不断更新。

城市设计是一项非常复杂的任务。 数字技术的发展为机器学习和深度学习提供了广泛的应用可能性，使设计更加科学合理。 面对现阶段城市设计的困境，本研究积极探索，以求借助新兴技术获得一种新的设计方法，既能适应时代发展的要求，又能尊重设计。本身。 本研究提出的设计框架在一定程度上提高了设计效率和设计者的决策能力。

科技的发展正在创造性地取代绘图方式，协助设计师探索更多人脑无法穷尽的问题。 如今，面对更加个性化、复杂化的创作和实践，设计师可以借助算法更加高效地解决问题。 设计的本质是创意，数字技术无法取代这一本质。 反而让设计师拥有更多的辅助工具，让创作更加自由。 根本目的是让设计回归本质。