基于人工智能的城市空间生成设计框架——以温州市中央绿轴北延段为例（上）.pdf

基基于于人人工工智智能能的的城城市市空空间间生生成成设设计计框框架架 ——以以温温州州市市中中央央绿绿轴轴北北延延段段为为例例 （（上上 2020年01月09 日 摘摘要要 ：：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进行城市空间设计 。文 章在阐述机器学习和深度学习的基本概念及其程序逻辑的基础上 ，探索城市空间的交通路网、街区空间形态及建筑功能布局 的生成模式 ，并以温州市中央绿轴北延段作为应用案例证实其可行性 ，以期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一种新思路 。 关关键键词词 ：：算法 ，机器学习，深度学习，人工智能 ，生成设计 0 引引言言 城市物质空间是多层次的 、开放的复杂系统 。良好的城市空间设计需要考虑的因素不但数量众多 、相互影响 ，而且也是因 地 、因时而变的 。例如 ，场地环境和文脉 、功能布局 、空间形态等 ，也是城市的社会生产 、居民生活活动等的场所空间及城 市景观的地域载体 。 在城市化的快速发展期 ，城市的快速扩张使得城市的空间结构与自身特色越发获得人们的注意 。然而 ，多数城市的空间缺乏 识别度和吸引力 ，致使城市形象乏味 ，“涵养”缺失 。究其根本 ，笔者认为以下原因在一定程度上催生了“万城一面”现象的产 生 ：①城市设计元素更加多样化 ，在空间拓扑关系 、功能范围和文脉内涵等方面衍生出越来越多的分支 ，城市设计需要消化 及涵盖的信息内容更加冗杂 。②随着城市化进程的推进 ，城市项目建设时间日趋紧迫 ，方案设计周期不断被压缩 。③设计师 本身经验的欠缺与思维局限等导致了对于空间完整性和设计元素互动关联的解读偏差 ，短时间内难以获得完整的信息 ，以及 信息处理效率不够高效 。 设计师在城市空间设计中通过递进迭代的方式不断探索既能突破困境又具有个性化的设计 。一个世纪以来 ，城市空间分析与 设计的理论层见叠出 。随着时代的发展演变 ，科学技术的不断突破推进 ，也促使了设计方法的创新发展 。 现阶段 ，计算机运算能力的大幅提升 ，人工智能技术的极速发展及革新 ，如机器学习、深度学习的产生 ，使得计算机更加智 能化 。而这些新技术的产生 ，能否使得设计手段更加创新 ，不仅能够辅助获得更良好品质的城市设计 ，同时还能够提高设计 效率呢？这是值得思考的问题 。因此 ，本研究对此进行探索 ，以期能够利用新兴的技术推动设计方法的发展创新 ，从而适应 城市发展的需求 。 1 相相关关概概念念及及研研究究 近年来兴起的机器学习是能够通过设计和分析使计算机拥有自主“学习”的算法的总称 ，是以概率统计理论为基础的 。对于城 市空间规划设计方面的研究 ，通过机器学习不仅能够对现有的城市空间进行有力的分析 ，还有助于推测及演算现有城市空间 的规律 。深度学习是机器学习的分部 ，是对生物神经网络的基本特征进行抽象和建模 ，能够从四周环境中学习，并以与生物 相似的交互作用适应环境 ，其依托图像识别技术的进步 ，为学习空间与模拟空间的研究提供了新的可能 。 在机器学习的研究方面 ，最早的研究是1995年希格 （Heeger 和卑尔根 （Bergen 试图将示例纹理的大规模随机属性与新纹 理相匹配 ，2000年波尔蒂利亚 （Portilla 和西蒙切利 （Simoncelli 也进行了类似的尝试[1-3] 。2016年保罗·梅里尔 （Paul Merrell 基于其2009年的模型模拟研究 ，获得Pyt on算法的“Wave Function Collapse”算法 ，该算法可以模拟输入图像 ，并生 成类似图像 ，简化了纹理合成技术 ，选取随机形状的样本并以此合成更大的纹理输出[2 ，4 ，5] 。 深度学习起源于 （人工 神经网络 （Neural Network 的研究 。2006年欣顿 （Hinton 和萨拉赫丁诺夫 （Salak utdinov 提出 了深度置信网络 （Deep Belief Net-work ，在 《科学》上发表的文章提出深度网络和深度学习的概念 ，开启了深度学习的研 [6] 究热潮 。在2016年发布的图像风格转移 （Semantic Style Transfer ，以及李川在2016年发布的神经斑块算法 ，都利用了蟒 蛇 （Pyt on 语言 ，既可以用图像处理器 （GPU 模拟 ，也可以运用中央处理器 （C