Acht Menschliche Planer Übertrumpfen: Das Tsinghua-Team Schlägt Ein Bestärkendes Lernmodell Für Die Stadtraumplanung Vor

Autor: Binbin

Herausgeber: Li Baozhu, Sanyang

Das Forschungsteam der Tsinghua-Universität schlug ein Modell und eine Methode des bestärkenden Lernens für die städtische Raumplanung vor und realisierte einen Stadtplanungsprozess, bei dem menschliche Planer mit Algorithmen künstlicher Intelligenz zusammenarbeiten und so eine neue Idee für die automatisierte Planung intelligenter Städte liefern.

Städte sind nicht nur der Inbegriff der Sehnsucht der Menschen nach einem Leben in Stabilität und Wohlstand, sondern sie sind auch eine wichtige Grundlage für die Unterstützung verschiedener Wirtschaftsaktivitäten. Vom Agrarzeitalter über das Industriezeitalter bis hin zum heutigen digitalen Zeitalter haben die Menschen nie aufgehört, den Komfort und die Sicherheit der Städte zu verbessern. In diesem Prozess hat die Bedeutung der Stadtplanung immer mehr an Bedeutung gewonnen.

In den letzten Jahren hat das Konzept der „15-Minuten-Stadt“ im Zuge der Steigerung der Lebensqualität in Städten an Bedeutung gewonnen. Der Kernpunkt besteht darin, dass die Bewohner grundlegende Versorgungseinrichtungen innerhalb von 15 Minuten zu Fuß oder mit dem Fahrrad erreichen können, was den Erwartungen der Menschen an eine effiziente Raumaufteilung in städtischen Gemeinden entspricht. Aufgrund der Vielfältigkeit des städtischen geografischen Raums ist die städtische Flächennutzungsplanung und Straßenplanung jedoch eine sehr komplexe und schwierige Aufgabe und war schon immer in hohem Maße von der Erfahrung professioneller Planer abhängig.

In Anbetracht dessenDas Urban Science and Computing Research Center und die School of Architecture der Tsinghua-Universität arbeiteten fachübergreifend zusammen, um eine innovative Methode für die städtische Raumplanung auf der Grundlage von Deep Reinforcement Learning vorzuschlagen.Das vorgeschlagene KI-Modell kann anhand riesiger Datenmengen Stadtplanung erlernen, die räumliche Effizienz kontinuierlich optimieren und letztendlich ein Planungsniveau erreichen, das das menschlicher Experten übertrifft.

Paolo Santi, ein Forscher am MIT Senseable City Lab, sagte:Damit wurde die Machbarkeit der Zusammenarbeit von Mensch und KI bei der Erledigung von Aufgaben der Raumplanung erfolgreich demonstriert und wertvolle Forschungsrichtungen für die Stadtwissenschaft geschaffen.Derzeit wurde die Forschung in Nature Computational Science veröffentlicht.

Papieradresse:

https://www.nature.com/articles/s43588-023-00503-5

GitHub-Link: 

https://github.com/tsinghua-fib-lab/DRL-urban-planning

Antworten Sie im öffentlichen WeChat-Konto auf „Stadtplanung“, um das vollständige Dokument zu erhalten

Durch die Kombination von Millionen von Planungsdaten werden 3 Schlüsselkonzepte vorgeschlagen

Als Reaktion auf die neue Gemeindeplanung „15-Minuten-Stadt“ hat das Forschungsteam der Tsinghua-Universität Millionen von Planungen in virtuellen Stadtumgebungen durchgeführt.Wir schlagen ein Stadtadjazenzdiagramm, ein Stadtplanungsmodell mit Deep Reinforcement Learning und ein kollaboratives Framework für Mensch und künstliche Intelligenz vor.

Urbane Nachbarschaftsgraphen: Die Herausforderungen vielfältiger und unregelmäßiger Nachbarschaften bewältigen

Faltungsneuronale Netzwerke eignen sich für Aufgaben mit regulären Eingaben, wie etwa Go und Chipdesign. Allerdings sind städtische Gemeinschaften vielfältig und unregelmäßig, und Faltungsneuronale Netzwerke bieten bei ähnlichen Aufgaben keine nennenswerten Vorteile. Um dieses Problem zu lösen,Das Forschungsteam schlug einen Stadt-Adjazenzgraphen vor, um die topologische Struktur der städtischen Geometrie zu beschreiben.

Dabei werden städtische geografische Elemente wie Grundstücke, Straßen, Kreuzungen usw. als Knoten verwendet, während räumliche Nachbarschaftsbeziehungen als Kanten dienen. Durch die Verwendung grafischer Modelle kann eine einheitliche Darstellung für städtische Gemeinschaften jeglicher Art bereitgestellt werden. Dadurch können die effizienten Suchfunktionen von Deep-Reinforcement-Learning-Algorithmen in riesigen Aktionsräumen genutzt und eine intelligente Gestaltung des Grundstücks und der Straßen städtischer Gemeinschaften erreicht werden.

Deep-Reinforcement-Learning-Modelle: Reduzierung des Aktionsraums

Durch die Modellierung des städtischen Adjazenzgraphen wird die städtische Raumplanung als eine Abfolge von Entscheidungen neu formuliert, die in einem dynamischen Graphen getroffen werden, wobei jeder Schritt der Auswahl von Kanten und Knoten im Graphenraum zu einer entsprechenden Weiterentwicklung des Graphen führt. Dies ist eine weitere große Herausforderung – der riesige Aktionsraum. Der Aktionsraum einer mittelgroßen Gemeinde kann 4000 hoch 100 überschreiten (4000 mögliche Aktionen in jedem Schritt und insgesamt 100 Schritte für die Gemeinderaumplanung), was den Modellierungsprozess umständlich und arbeitsintensiv macht.

Um den Aktionsraum zu reduzieren, konstruierten die Forscher zwei Strategien und ein Wertnetzwerk.Das Richtliniennetzwerk wird verwendet, um den KI-Agenten bei der Auswahl des Standorts von Grundstücken und Straßen zu unterstützen, und das Wertenetzwerk wird verwendet, um die Qualität der Raumplanung basierend auf dem Konzept der „15-Minuten-Stadt“ vorherzusagen. Durch die Stichprobenentnahme aus dem Policy-Netzwerk und die Verwendung des Wertschöpfungsnetzwerks zur Schätzung der Planungsqualität wird der Aktionsraum erheblich reduziert.

(a) Graphischer neuronaler Netzwerkzustandscodierer

(b) Flächennutzungsstrategienetz

(c) Netzwerk zur Wertbeurteilung in der Gemeindeplanung

(d) Strategisches Straßennetz

(e) Schematische Darstellung des Markov-Entscheidungsprozesses auf der Gemeindeplanungskarte

Um eine wirkungsvolle Darstellung städtischer geografischer Elemente zu erreichen,Die Forscher entwickelten einen Zustandscodierer basierend auf einem Graph Neural Network (GNN)., das zwischen Wert- und Richtliniennetzwerken gemeinsam genutzt wird, nutzt Nachrichtenübermittlung und Nachbaraggregation in einem städtischen Kontinuitätsdiagramm, um die räumlichen Beziehungen zwischen Land, Straßenabschnitten und Kreuzungen zu erfassen.

Zusammenarbeit zwischen Mensch und künstlicher Intelligenz: 3.000 Mal schneller

Angesichts der Komplexität der Stadtplanungsmethoden,Das Forschungsteam schlug einen Workflow für die Zusammenarbeit von KI und menschlichen Planern vor, bei dem sich menschliche Planer auf die Entwicklung von Konzeptprototypen konzentrieren und das Modell für die aufwändige und zeitintensive Planungsarbeit verwendet wird.

Dieser Arbeitsablauf übertrifft einen Arbeitsablauf, der vollständig von Menschen durchgeführt wird, sowohl bei objektiven Planungsindikatoren als auch bei einem subjektiven Blindtest mit 100 professionellen Planern und ist 3.000-mal zeiteffizienter. Dies zeigt, dass menschliche Planer vom kollaborativen Arbeitsablauf zwischen KI und Menschen profitieren können. Durch die Gestaltung eines kollaborativen Arbeitsablaufs zwischen menschlichen Planern und künstlicher Intelligenz kann die Arbeitseffizienz menschlicher Planer erheblich verbessert und Gemeindeplanungspläne unterschiedlicher Art effizient erstellt werden.

Neue Methode schlägt 8 menschliche Planer

Experimente zeigen, dass das auf dieser Forschungsmethode basierende städtebauliche Konzept die verschiedenen Indikatoren der „15-Minuten-Stadt“ deutlich verbessern kann.Unter denselben Anfangsbedingungen und Planungsbeschränkungen übertrifft unsere Methode modernste Algorithmen und menschliche Planer deutlich und verbessert die objektive Metrik der räumlichen Effizienz um mehr als 48,6%.

Insbesondere wenn bestehende reale Gemeinschaften als Ausgangsbedingungen verwendet werden,Das Modell kann Pläne zur Landnutzungsumgestaltung erstellen, die die Erreichbarkeit der Bewohner zu verschiedenen Einrichtungen um mehr als 18,51 TP3T deutlich verbessern.

(a) Zentralisierte heuristische Methode (b) Dezentrale heuristische Methode (c) Genetischer Algorithmus (d) Mehrschichtiger Perzeptron-Verstärkungslernalgorithmus (e) Die von der Forschung vorgeschlagene Methode (fg) Vergleich von 15-Minuten-Leistungsindikatoren für Städte: f Serviceindikatoren, g ökologische Indikatoren

(ah) Von menschlichen Planern erstellte Raumpläne.
(i) Der mit der vorgeschlagenen Methode erstellte Raumgrundriss.
(j) Vergleich der Service- und Ökoeffizienzleistung der beiden.
(k) Vergleich der Zugänglichkeit von Dienstleistungen für fünf grundlegende Wohnbedürfnisse zwischen den beiden Entwürfen.

Die Ergebnisse zeigen, dass die vom Forschungsteam vorgeschlagene Methode 8 professionelle menschliche Planer in Bezug auf Service- und Ökologieindikatoren übertrifft.. Insbesondere verbessert die vorgeschlagene Methode die Serviceeffizienz um 13,64% und 19,52% im Vergleich zur besten bzw. durchschnittlichen Planerleistung. In Bezug auf die ökologischen Indikatoren wird die Effizienz um 15,381 TP3T bzw. 59,651 TP3T verbessert.

Darüber hinaus erzielte die vom Forschungsteam vorgeschlagene Methode im Hinblick auf die Zugänglichkeit von fünf grundlegenden Dienstleistungen für den Wohnbedarf (d. h. Bildung, medizinische Versorgung, Einkaufen, Arbeit und Unterhaltung) immer noch eine ausgewogenere Leistung, wobei 3/5 im Vergleich zu allen menschlichen Planern den höchsten Wert erreichte.

Mensch-Maschine-Integration: Die Zukunft der Stadtplanung

Einerseits muss sich die Stadtplanung mit einem komplexen Ökosystem auseinandersetzen, das Bevölkerung, Organisation, Umwelt und Technologie umfasst. Andererseits befindet sie sich noch in der nachgelagerten Phase der technologischen Anwendung und die digitale Modernisierung der Branche begann erst spät.

In den letzten Jahren haben die Fortschritte im Bereich der KI Stadtplanern neue Möglichkeiten eröffnet. Mithilfe von KI-Algorithmen und Datenanalysetechniken können Planer ein tieferes Verständnis der komplexen Systeme moderner Städte erlangen und so fundiertere Entscheidungen zu Fragen der Stadtplanung treffen. Es ist jedoch anzumerken, dass es sich bei der Stadtplanung nicht um ein Spiel handelt, bei dem es lediglich darum geht, Landnutzung und Straßenverlauf festzulegen, sondern um eine komplexe Interaktion zwischen zahlreichen Beteiligten.

Derzeit orientieren sich KI-Modelle in der Stadtplanung hauptsächlich an statischen Indikatoren. Obwohl Gemeindepläne mit hoher räumlicher Effizienz erstellt werden können, ist die Planung einer ganzen Stadt eine komplexere Aufgabe, bei der verschiedene Ziele berücksichtigt werden müssen, darunter Wirtschaftswachstum und Gesundheit der Einwohner. Darüber hinaus müssen Themen wie Landbesitz, öffentlicher Zugang, städtische Segregation und Renovierung berücksichtigt werden.

Wir hoffen, dass das KI-Modell nicht nur menschlichen Planern hilft, den Raumplanungsprozess zu beschleunigen, sondern auch anderen Beteiligten umfassendere Vorteile bringen kann. Durch die Einführung von Anpassungsoptionen in das Modell kann beispielsweise eine öffentliche Plattform aufgebaut werden, die die Beteiligung von Anwohnern und Entwicklern am Planungsprozess erleichtert. Der vom Forschungsteam der Tsinghua-Universität vorgeschlagene Rahmen zeigt die Möglichkeit einer stärkeren Beteiligung aller Beteiligten auf und ist ein wichtiger Schritt hin zu einer transparenteren und integrativeren Stadt.