数据派THU原创

2019/10/24 10:32

龙瀛作者林亦霖校对文婧编辑

龙瀛：面向智慧城市的人本尺度城市形态：理论、方法与实践

本文内容选自清华大学建筑学院研究员、博士生导师龙瀛老师于2019年10月11日在清华大数据“应用·创新”系列讲座上所做的题为《面向智慧城市的人本尺度城市形态：理论、方法与实践》的演讲。

龙瀛：我们研究的方向是城市科学或者说是新城市科学，主要从数据、方法、模型和技术手段四个方面来研究城市。团队有三分之二的投入是致力于认识我们的城市空间，有三分之一的投入致力于来做城市空间的更新、改造开发和支持。

我们团队关注城市空间，致力于使用多源数据、量化方法、城市模型以及人工智能等先锋技术来认识我们的城市，并进行创造。

已有的城市研究工作有一个长期存在的局限：城市间的研究工作大而不细，城市内的研究工作细而不广。但随着4G和各类互联网服务的发展，数据的空间分布变得非常细致同时覆盖面很广；另一个方面，随着人工智能与云计算的发展，计算能力也在逐步地提高。2018年，MIT宣布成立城市科学的本科专业，由城市规划系和计算机系共同授课，这也反映出了当前学界对研究城市空间的态度。

在这样一个背景下，我们团队的思路是采用兼顾大空间范围和高空间精度的跨尺度方法，来识别城市空间的一些普适规律。

人本尺度就是人可以看得见、摸得着、感受得到的，与人体密切相关的城市形态，是对目前网格、街区和地块等小尺度城市形态的深化和必要补充。

2009年，美国犹他大学的尤因教授指出人本尺度的测度非常重要，但他还是采用传统的人工审计方法，而非采用人工智能和大数据等手段。另外，经典的理论在人本尺度方面发展较为有限，最新的理论也是1980年左右。

当今，第四次工业革命深刻影响了城市空间与人，导致了人本尺度的城市形态本身也发生了很多变化。比如手机已经改变了我们的生活方式，那么人使用的空间也在改变。

上图为人本尺度城市形态的研究框架。

首先是测度，随着数据和算力的改善，我们可以大规模地熟悉一座城市，了解人本尺度城市形态是什么样子。其次，来回答效能怎么样，从经济性、社会性和生态性等方面来评估这个空间好不好。最后是从数字创新配合空间干预的方面来探索如何对城市空间进行改善与创造。

人本尺度城市形态主要研究四个问题，城市公共空间是什么、公共空间怎么样、如何形成好的公共空间以及颠覆性技术与公共空间的关系。

以上是我们对青岛和北京的大规模街道测度进行规律识别，在对青岛的研究中发现，离城市中心的距离越远，城市的空间品质越差，在对北京的研究中发现，城市空间品质比较好的地方，其经济活力相对更好。

下面讲方法。针对城市形态，我们可以采用街景图片和空间分析等方法来做，针对品质，我们可以采用人工智能和传感器等来研究，对于活力，我们可以采用空间分析的方法研究。

对于形态的测度，我们有五种方法。基于实地调研数据测度，是需要拿仪器去现场测量的；基于基本地理信息的测度可以在各类GIS软件进行分析；基于街景图片的测度，随着越来越多的深度学习的方法涌现出来，我们可以用MATLAB对颜色进行分析，也可以调用开放API对图片进行识别；基于三维建筑和街道数据，可以采用空间句法的方式进行分析。

刚才提到如何测度形态，下面来说如何进行变化识别。我们可以采用录像、图片来分析，只要当年有过足迹，拍过影像，我们是可以刻画出来的。当然，现在的街景图片更新周期还不够，未来随着互联网的发展，可能每辆车都能采集街景图片，这样会涌现出大量的图片数据，数据覆盖的精度和广度都会明显提高。

对于空间品质，我们可以采用驻留意愿法、两两对比法、形态指标法、机器学习的方法和眼动仪法进行评价。

对于活力测度，相对来说利用已有数据比较好，但是不是科学合理有待商榷。已有的研究有用手机数据评估一个地方的人口密度，用大众点评的数据了解餐厅的评价情况以及所反映出的活力。

最后说一下实践，在实践方面我们提出数据增加设计这样的方法论。在认识到一个空间好不好的时候对它进行诊断，然后再来创造。我们有三种范式，更新型（存量型），新区型和愿景型（未来型）。我们团队在一些竞赛的作品中，也尝试把对空间的认识、对人的认识，应用于面向未来的创造。

感兴趣的话可以参照新城市科学的相关文章，今天我说的人本尺度城市形态方面，是我们团队做工作的一个部分，团队的研究都是在新城市科学的框架之下，用新的数据、新的方法和新的技术研究新的城市，最核心的是新的城市。原来人本尺度城市形态不容易做，但是现在有一些技术方法能够让它实现，也使我们意识到城市悄然发生了这么多变化。这是我今天的分享，谢谢！

THU数据派

THU数据派"基于清华，放眼世界"，以扎实的理工功底闯荡“数据江湖”。发布全球大数据资讯，定期组织线下活动，分享前沿产业动态。了解清华大数据，敬请关注姐妹号“数据派THU”。

产业智慧城市

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

云计算技术

云计算（英语：cloud computing），是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

来源：Cloud Computing