大数据时代的精细化城市模拟：方法、数据和案例解读.doc

大数据时代的精细化城市模拟：方法、数据和案例 提 要：以地块作为基本空间单元并以城市活动主体作为模拟对象的精细化模拟是未来城市模型研究的重要方向，大数据（big data）时代的到来也为其提供了重要发展机遇。本文重点对精细化城市模型的主流建模方法进行了介绍，包括元胞自动机（Cellular Automata，CA）、基于主体建模（Agent-based Modelling，ABM）和传统的微观模拟（Microsimulation，MSM）这三种自下而上的微观模拟方法。之后结合精细化城市模型的高标准数据需求问题，对国际上通行的用于精细化模拟数据合成（population synthesis）的方法进行了综述，并给出笔者近年来在精细化城市模拟方面的多项实践案例，最后提出了以GIS为平台，结合CA/ABM/MSM方法，构建我国精细化城市模型的框架体系和关键技术，以期支持我国大城市地区空间政策的制定和评估。 关键词：城市模型；大数据；精细化；规划支持系统（PSS）；北京 中图分类号： 文献标识符： 1 城市模型与精细化城市模拟 定量化程度已经越来越成为衡量一个学科发展程度的标志，“城市空间发展模型” （Urban Spatial Development Model）是在对城市系统进行抽象和概化的基础上，对城市空间现象与过程的抽象数学表达，是理解城市空间现象变化、对城市系统进行科学管理和规划的重要工具，可以为城市政策的执行及城市规划方案的制定和评估提供可行的技术支持。本文将“城市空间发展模型”简化为“城市模型”（Urban Model），下同。城市模型研究始于20世纪初期，其发展主要经历了形态结构模型、静态模型和动态模型三个发展阶段[1]。基于离散动力学的动态城市模型是目前的研究热点和未来的发展方向，这一方面，国际上典型的城市模型多为宏观尺度，以地理网格或小区作为基本研究单元，将城市活动主体进行分类。 随着研究尺度的需要和微观数据可获得性的增强，近年来国际上微观模型（精细化的城市模拟）发展迅速，在发展中国家如中国的需求也日益增多。目前，一方面我国的大城市正逐渐由空间扩张向内部改造（城市再开发、城市更新等）转变，小尺度的城市空间再开发将越来越多，为分析并预测城市空间的变化，更需要精细化的模型作支持，另一方面，城市作为复杂的自适应系统，是由作为城市空间的地块、作为城市活动主体的居民、企业等构成的，自下而上的模拟思路在以人、地和房作为基本研究对象预测城市空间变化的同时，与规划的公众参与、社会公平等理念的需求不谋而合。此外，目前我国各种精细化的城市空间数据和社会经济微观数据的可获得性正逐渐增强，因此开展精细化城市模型的探索，是具有理论价值和实践意义的。 精细化城市模型不同于以大尺度网格、行政区域或交通分析小区作为模拟尺度的模型，他们在空间要素和城市活动要素方面都不一样，因此将面临新的理论和实际问题。其中，精细化（Fine Scale）对应模拟尺度，一方面，在物理空间，分析和模拟的基本空间单元是地块，对应城市总体规划重点地区和城市详细规划的工作尺度。另一方面在社会空间，分析和模拟的基本单元是居民、家庭和企业个体等。“精细化”作为模拟尺度，是相对宏观模拟的研究尺度提出的，宏观模型一般以统计小区、交通分析小区、行政区、行业、共同特征的人群等作为基本研究对象。精细化城市模型是一种时空动态的微观模型，其以地块、居民、家庭、企业等微观个体作为基本模拟对象，主要用于研究城市的土地开发、居民的居住区位选择、企业的区位选址、城市活动的时空分布等空间问题，用于支持空间政策的制定和评估。目前我国城市空间发展模型的研究，鉴于数据的限制，多数模型都是大尺度的（如乡镇或交通分析小区等）。 精细化城市模型的数据要求较高，原有的模型较多采用不同技术方法来解决个体数据稀缺的情况。国际上人口数据合成（Population Synthesis）是一个专门的研究方向，用于合成微观模拟（MSM）所需要的个体数据。Müller和Axhausen的研究综述中，评价了目前常用的几个人口数据合成器（Population Synthesizer），包括PopSynWin,、ILUTE、 FSUMTS、CEMDAP、ALBATROSS和PopGen（部分人口合成器如ILUTE和ALBATROSS以所在模型的名字命名）[2]。ILUTE 和PopGen所采用的迭代比例拟合（Iterative Proportional Fitting，IPF）是目前最为广泛采用的人口数据合成的方法。IPF最早由Deming和Stephan提出，可用于利用新的宏观统计数据更新历史的普查数据[3]。在国内，龙瀛等及Long和Shen提出了基于统计资料、小规模样本调查和常识性知识，利用合成个体样本的方法，初