Vaincre 8 Planificateurs Humains : L'équipe De Tsinghua Propose Un Modèle De Planification Spatiale Urbaine Basé Sur L'apprentissage Par Renforcement

Auteur : Binbin

Rédacteur en chef : Li Baozhu, Sanyang

L'équipe de recherche de l'Université Tsinghua a proposé un modèle et une méthode d'apprentissage par renforcement pour la planification spatiale des communautés urbaines et a réalisé un processus de planification urbaine dans lequel les planificateurs humains collaborent avec des algorithmes d'intelligence artificielle, fournissant une nouvelle idée pour la planification automatisée des villes intelligentes.

Les villes ne sont pas seulement porteuses des ardentes attentes des populations en matière de vie stable et prospère, mais constituent également une base importante pour soutenir diverses activités économiques. De l’ère agricole à l’ère industrielle, puis à l’ère numérique actuelle, les hommes n’ont cessé d’améliorer le confort et la sécurité des villes. Dans ce processus, l’importance de la planification urbaine est devenue de plus en plus évidente.

Ces dernières années, avec l’orientation vers des villes plus vivables, le concept de « ville de 15 minutes » a reçu davantage d’attention. Son principe fondamental est que les résidents peuvent se rendre à pied ou à vélo aux services de base en 15 minutes, ce qui reflète les attentes des citoyens en matière d’aménagement spatial efficace dans les communautés urbaines. Cependant, en raison de la diversité de l’espace géographique urbain, l’aménagement du territoire urbain et la planification des routes constituent une tâche très complexe et difficile, et ont toujours été fortement tributaires de l’expérience des planificateurs professionnels.

Compte tenu de cela,Le Centre de recherche en sciences urbaines et en informatique et l'École d'architecture de l'Université Tsinghua ont collaboré de manière interdisciplinaire pour proposer de manière innovante une méthode de planification spatiale des communautés urbaines basée sur l'apprentissage par renforcement profond., le modèle d’IA proposé peut apprendre la planification urbaine à partir de données massives, optimiser en permanence l’efficacité spatiale et, en fin de compte, atteindre un niveau de planification qui dépasse celui des experts humains.

Paolo Santi, chercheur au MIT Senseable City Lab, a déclaré :Cela a démontré avec succès la faisabilité de la collaboration entre les humains et l’IA pour mener à bien des tâches de planification de l’aménagement spatial, fournissant ainsi de riches orientations de recherche pour la science urbaine.Actuellement, la recherche a été publiée dans Nature Computational Science.

Adresse du document :

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

Lien GitHub : 

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

Répondez « urbanisme » dans le compte public WeChat pour obtenir l'article complet

En combinant des millions de données de planification, 3 concepts clés sont proposés

En réponse à la nouvelle planification communautaire de la « ville de 15 minutes », l'équipe de recherche de l'Université Tsinghua a mené des millions de planifications dans un environnement urbain virtuel.Nous proposons un graphe d’adjacence urbaine, un modèle de planification urbaine par apprentissage par renforcement profond et un cadre collaboratif entre l’homme et l’intelligence artificielle.

Graphiques de contiguïté urbaine : surmonter les défis des quartiers divers et irréguliers

Les réseaux neuronaux convolutifs conviennent aux tâches avec des entrées régulières, telles que Go et la conception de puces. Cependant, les communautés urbaines sont diverses et irrégulières, et les réseaux neuronaux convolutifs ne présentent pas d’avantages significatifs dans des tâches similaires. Pour surmonter ce problème,L’équipe de recherche a proposé un graphe d’adjacence urbaine pour décrire la structure topologique de la géométrie urbaine.

Parmi eux, les éléments géographiques urbains sont utilisés comme nœuds, notamment les parcelles, les routes, les intersections, etc., tandis que les relations d'adjacence spatiale sont utilisées comme limites. L'utilisation de modèles graphiques peut fournir une représentation unifiée des communautés urbaines de toute forme, exploitant ainsi les capacités de recherche efficaces des algorithmes d'apprentissage par renforcement profond dans de vastes espaces d'action et réalisant une disposition intelligente des terrains et des routes des communautés urbaines.

Modèle d'apprentissage par renforcement profond : réduction de l'espace d'action

En modélisant le graphe d'adjacence urbaine, la planification spatiale urbaine est reformulée comme une séquence de choix effectués sur un graphe dynamique, où chaque étape de sélection des arêtes et des nœuds dans l'espace du graphe conduit à une évolution du graphe en conséquence. C’est un autre défi majeur : l’immense espace d’action. L'espace d'action d'une communauté de taille moyenne peut dépasser 4 000 à la puissance 100 (4 000 actions possibles à chaque étape et un total de 100 étapes pour la planification de l'espace communautaire), ce qui rend le processus de modélisation lourd et laborieux.

Pour réduire l’espace d’action, les chercheurs ont construit deux stratégies et un réseau de valeur.Le réseau de politiques est utilisé pour aider l'agent IA à sélectionner l'emplacement des terrains et des routes, et le réseau de valeurs est utilisé pour prédire la qualité de la planification spatiale basée sur le concept de « ville de 15 minutes ». En échantillonnant le réseau de politiques et en utilisant le réseau de valeurs pour estimer la qualité de la planification, l’espace d’action est considérablement réduit.

(a) Encodeur d'état de réseau neuronal graphique

(b) Réseau de stratégie d'aménagement du territoire

(c) Réseau de jugement de valeur en matière de planification communautaire

(d) Réseau de stratégie d'aménagement routier

(e) Diagramme schématique du processus décisionnel de Markov sur la carte de planification communautaire

Afin d'obtenir une représentation efficace des éléments géographiques urbains,Les chercheurs ont également développé un encodeur d'état basé sur un réseau neuronal graphique (GNN), qui est partagé entre les réseaux de valeur et de politique, exploite le passage de messages et l'agrégation de voisins sur un graphique de continuité urbaine pour capturer les relations spatiales entre les terres, les segments de route et les intersections.

Collaboration homme-intelligence artificielle : 3 000 fois plus rapide

Considérant la complexité des méthodes d’urbanisme,L'équipe de recherche a proposé un flux de travail permettant à l'IA et aux planificateurs humains de collaborer, où les planificateurs humains se concentrent sur le prototypage de concepts et le modèle est utilisé pour effectuer le travail de planification lourd et chronophage.

Ce flux de travail surpasse un flux de travail entièrement réalisé par des humains, tant sur le plan des indicateurs de planification objectifs que lors d'un test subjectif à l'aveugle mené par 100 planificateurs professionnels, et est 3 000 fois plus efficace en termes de temps. Cela montre que les planificateurs humains peuvent bénéficier du flux de travail collaboratif entre l’IA et les humains. En concevant un flux de travail collaboratif entre les planificateurs humains et l’intelligence artificielle, l’efficacité du travail des planificateurs humains peut être considérablement améliorée et des plans de planification communautaire de différents styles peuvent être générés efficacement.

Une nouvelle méthode surpasse 8 planificateurs humains

Les expériences montrent que le schéma de planification communautaire basé sur cette méthode de recherche peut améliorer considérablement les différents indicateurs de la « ville du quart d’heure ».Dans les mêmes conditions initiales et contraintes de planification, notre méthode surpasse considérablement les algorithmes de pointe et les planificateurs humains, améliorant la mesure objective de l'efficacité spatiale de plus de 48,6%.

Surtout lorsqu'on utilise des communautés réelles existantes comme conditions initiales,Le modèle peut générer des plans de transformation de l'utilisation des terres qui améliorent considérablement l'accessibilité des résidents à diverses installations de plus de 18,5%.

(a) Méthode heuristique centralisée (b) Méthode heuristique décentralisée (c) Algorithme génétique (d) Algorithme d'apprentissage par renforcement du perceptron multicouche (e) La méthode proposée par la recherche (fg) Comparaison des indicateurs de performance de la ville sur 15 minutes : f indicateurs de service, g indicateurs écologiques

(ah) Plans spatiaux générés par des planificateurs humains.
(i) Le plan d’étage spatial généré par la méthode proposée.
(j) Comparaison des performances en matière de service et d’éco-efficacité des deux.
(k) Comparaison de l’accessibilité des services pour cinq besoins résidentiels de base entre les deux conceptions.

Les résultats montrent que la méthode proposée par l’équipe de recherche a battu 8 planificateurs humains professionnels en termes d’indicateurs de service et écologiques.. Plus précisément, la méthode proposée améliore l'efficacité du service de 13,64% et 19,52% par rapport aux performances du planificateur meilleur et moyen, respectivement. En termes d'indicateurs écologiques, l'efficacité est améliorée de 15,38% et 59,65% respectivement.

De plus, en termes d’accessibilité aux cinq services de base de la demande résidentielle (c’est-à-dire l’éducation, les soins médicaux, les achats, le travail et les divertissements), la méthode proposée par l’équipe de recherche a encore obtenu une performance plus équilibrée, avec 3/5 se classant le plus haut par rapport à tous les planificateurs humains.

Intégration homme-machine : l'avenir de l'urbanisme

D’une part, l’urbanisme doit faire face à un écosystème complexe qui comprend la population, l’organisation, l’environnement et la technologie. D'autre part, elle se situe en aval de l'application technologique et la mise à niveau numérique de l'industrie a commencé tardivement.

Ces dernières années, les progrès de l’IA ont apporté de nouvelles opportunités aux urbanistes. Grâce à des algorithmes d’IA et à des techniques d’analyse de données, les urbanistes peuvent acquérir une compréhension plus approfondie des systèmes complexes qui composent les villes modernes, les aidant ainsi à prendre des décisions plus éclairées sur les questions d’urbanisme. Il convient toutefois de noter que l’urbanisme n’est pas un jeu qui consiste uniquement à choisir l’utilisation du sol et l’emplacement des routes, mais une interaction complexe entre de multiples parties prenantes.

À l’heure actuelle, les modèles d’IA impliqués dans la planification urbaine sont principalement guidés par des indicateurs statiques. Bien que des plans communautaires à haute efficacité spatiale puissent être générés, la planification d’une ville entière est une tâche plus complexe qui nécessite la prise en compte de divers objectifs, notamment la croissance économique et la santé des résidents. En outre, des questions telles que la propriété foncière, l’accès public, la ségrégation urbaine et la rénovation nécessitent toutes une attention particulière.

Nous espérons qu’en plus d’aider les planificateurs humains à accélérer le processus d’aménagement spatial, le modèle d’IA pourra également apporter des avantages plus larges à d’autres participants. Par exemple, en introduisant des options de personnalisation dans le modèle, une plateforme publique peut être construite pour faciliter la participation des résidents et des développeurs au processus de planification. Le cadre proposé par l’équipe de recherche de l’Université Tsinghua démontre la possibilité d’un niveau de participation plus élevé de tous les participants et constitue une étape importante vers une ville plus transparente et inclusive.