王鵬：大數據與人工智慧支持的城市存量規劃方法與實踐
各位專家就為什麼做城市雙修、怎麼做城市雙修進行了分享，本人可能更多從技術層面為大家提供方法的支持。在我看來，城市的空間是市民空間行為的結果，城市雙修工作的對象是已建成的存量的城市。若想對城市裡面的問題進行修復和修補，首先要了解城市存在什麼樣的問題，最重要的是了解生活在城市中的人的行為和城市空間的關係，兩者中間是否存在著一些不匹配的因素，我們可以對其施加影響。
1.存量規劃方法論的核心
指向多維大數據的應用
之前，城市規划行業不具備對城市居民行為進行搜集分析的能力，大數據帶給這個行業一個新的視野，讓我們有可能實現對城市存量空間的評價，從而實現城市雙修的目標。主要的背景包括以下幾個方面：
一是新型城鎮化的背景，要求我們用更多學科的方法研究城市，其中的核心是研究人對城市空間的需求。
二是ICT技術的發展的背景，ICT技術的發展，使我們有能力對城市的多維數據進行採集分析和建模，可以更科學理解城市的複雜系統。
三是ICT技術的發展使公眾參與真正成為可能。城市更新包括很多方面，軟更新就是其中一種，更多讓市民參與城市規劃，或者在存量的規划過程中更多參與意見。
圖1 行業背景
城市規劃從增量藍圖到存量優化的過程，也是實現傳統精英規划到以人為本的參與式規劃的過程。眾所周知，以前我們只能對人口規模做一個簡單粗暴的預測，現在卻能對市民行為模式進行細緻的觀察。相應的定量研究方法進行了很大的變革：之前城市規劃也會進行定量研究，但是只能用抽樣的方法，現在用全樣本方式；研究對象從客觀的城市空間形態到有主觀的人的感受；數據質量從模糊的統計數據到相對準確的數據；研究維度從單一的數據到多元的數據；技術方法從單一的線性模型到機器學習、人工智慧的方法；我們的市民從被統計到可以主動參與到我們的研究的過程之中。
今天要分享的基本的維度是從宏觀、中觀到微觀解讀城市存量規劃這件事。存量規劃最微觀的是地塊內部的精細化改造；中觀層次是進行識別和修復城市系統的斷裂點；宏觀層次則可以幫助我們識別城市的空間結構和功能分布，進行結構層面的優化。
可以將大數據分為傳統的數據和新興數據，新興數據是來自互聯網和物聯網的比較新的數據來源。在這裡就不一一展開說明，但簡單講一下我們常用的幾種數據來源。
圖2 傳統數據與新興數據
首先是基於時空位置的大數據，包括來自於互聯網的LBS數據，由BAT等互聯網公司通過手機APP進行採集；以及我們的手機信令數據，由運營商採集。這類數據基本上可以在中觀宏觀尺度互相替換。在微觀尺度，互聯網數據具有一些優勢，可以幫助我們識別市民職住娛的空間分布。總之，這類數據在各個尺度上都有合適的用途。
圖3 基於時空位置的大數據
其次是比較常見的POI數據，它可以幫助大家識別城市功能的分布。這個數據主要來自於地圖、大眾點評、產業數據、公司數據等，這也是現在用來識別一些產業分布很好的數據來源。
再次是基於公眾參與的大數據，識別公眾的主觀認知和需求，這是一個很有價值的數據來源。通過社交網路觀察到人們不經意的一些觀點，其實代表著市民對城市空間的一些問題的反饋和訴求。比如這兩天下雨，大家會在微信上發出一些關於城市問題，比如哪兒積水的一些報告。更可貴的 是有一些公眾參與平台，可以針對性收集公眾對城市事件或者規劃事件主觀的看法，可以對某個具體事件或者地段採集。
圖4 基於公眾參與的大數據
另外，是一些比較特殊的數據源，例如前幾年我們團隊做的一個城市多元的數據感測器，可以進行基於物聯網的實時數據採集。在此之前所使用的數據都需要別人去採集，我們沒有辦法進行把控。而自己真正需要的數據又不能採集，所以就研發這樣一款設備，從城市的氣象、環境，例如地面積水、雜訊，還有人的時空間的行為包括人流、車流、車速、人的行走速度這些要素，通過統一的感測器進行全方位的採集，文章後面會提到它的一些使用。
圖5 CITYGRID感測器
人工智慧方法以機器學習和深度學習為代表。機器學習，對於大數據分析而言是較為核心的技術方法，能把多元數據的價值挖掘發揮到極致。與之相比，傳統的統計分析手段針對大數據來說，部分能力得不到發揮。機器學習分為監督學習和非監督學習兩個大類，分別對應所謂的經驗的歸納乃至預測，還有對對象特徵的分類的方法。
下面舉例說明如何用一個機器學習的方法識別一個地塊真正用地性質。當下，我們的城市各類功能的高度混合，一個地塊往往不是傳統的控規裡面的單一的功能，而是非常混合的狀態。我們做雙修或者城市的存量優化，首先要了解這個地塊真正使用的用途是什麼。現在通過大數據觀察採集，可以根據人在這個地塊裡面時空間行為，24小時或者48小時區間內的人活動分布以及工作日、休息日空間的分布進行分類和學習，根據它晝夜人口數量，包括周末和平時分布量的不同將其分成各種性質。簡單理解，這可以粗略等同於的用地性質。通過觀察可以發現，地塊的用途是一個高度複合的狀態，並不是以往習慣的用地分類，更偏向人對地塊使用方式的一個分類。現在可以用這種方法進行有價值、有意義的識別，而不是傳統主觀感受的現狀調研的結果。
圖6 機器學習流程
2.宏觀——大數據揭秘
城市空間結構及功能分布
大數據有助於理解城市大的空間結構和功能分布。我們利用手機信令數據，研究華夏幸福最具代表性的產業新城固安（如圖所示）。需要了解新城中的人住在哪一區域，在哪個片區工作，與北京是什麼樣的關係，日常在什麼區域休閑娛樂，是否有外面的人或者周邊農村的人到城市新建的項目娛樂活動。未來需要確定的是如何進一步調整住宅的供給，某一檔次和形態的住宅供應量是否可以更好的滿足本地工作人口的需求？是否應該調整現有的商業業態的布局以及基礎設施的配套，來動態滿足城市居民的要求？不應該是大家經常說「一張藍圖干到底」的模式，這是不現實，應該是動態調整的過程。
圖7 固安人口數據統計
圖8 固安市民出行模式及需求分析
經過對固安本地人出行的模式和需求的分析，發現固安和北京市有非常密切的聯繫。就固安內部而言，可以發現老縣城、新區和南北產業區和住宅、服務中心之間也有非常密切的聯繫。這就反映了城市未來需要滿足的一些出行的需求。當然，番茄出行自身運營的數據同時能給我們的城市規劃提供越來越多的支持。我們幫助蕃茄出行運營動態的大數據平台，經過幾個月數據的積累，可以幫助我們更好的識別城市運行狀態。
3.中觀——大數據與AI識別
城市空間行為模式
大數據可以進行用地功能層次的識別。以上海松江開發區為例，在規劃之初大部分為工業用地，但是經過多年的運營，現狀已經變的非常複雜。用機器學習方面識別現狀用地的混合狀態，發現控規或者現狀圖裡面的工業用地轉變成多類用地混合型，包括商業辦公和居住在內複雜的狀態。案例中就存在一些典型的地塊，本身為工業用地，有一些變成商業，有的變成倉儲物流、服務業，有的功能升級變成研發中心。
圖9 現狀不同功能圖
4.微觀——大數據助力
城市人性化與精細化發展
大數據可以實現對地塊內部的微循環的改善和評價。以北京奧林匹克森林公園為例，在其建成十幾年之後，我們和設計團隊一起對它進行了評估，目標是對其進行更新和改造。在這個過程中發現很多設計之初沒有思考到的問題。奧林匹克森林公園的布局和景山類似，中軸線上的一座景觀山是整個公園的制高點。最初設計師認為大家會沿著中軸過來後到達山頂登高遠眺，然後下山，但現實是環道修通後，大部分人基本都在環路分布，很少有人去山頂。我們還對公園內部一部分步行道路進行觀察評價，發現實際使用的人流量和當時的估計存在一些偏差，在此基礎上後續對公園路網進行了調整。
圖10 奧森公園人流密度分析
最後一個案例來自清華大學的碩士論文，研究對象為北京一個典型的歷史街區——北京白塔寺街區。該課題的目的是對舊城的交通環境進行觀察和調整。當時在白塔寺地塊裡布置了60多台全功能的感測器，採集城市運行多元的數據。項目主要是使用了人車的數據，其它如環境、聲音等數據沒有使用。新技術帶來的好處就在與此，以前我們沒辦法在衚衕里進行24小時對人車的全方位監測，現在就可以實現。
圖11 白塔寺24小時內交通數據圖
對這個數據進行刻劃的結果，面、線、點全方面展示舊城交通如何運行的，指導我們進行社區更新，尤其是交通改善的具體規劃策略。
圖12 步行交通通行量統計
這是步行系統交通量的可視化（圖12），一天24小時裡面每條衚衕的流量的變化。我們可以很清楚識別步行量的分布狀態和每條路現狀的使用功能，還有類似的機動車通行量。可以發現一些主要的衚衕承擔了絕大部分的交通。針對這些採集分析結果，對區域內部道路改造提出了一些建議，例如進行機動車幹路和支路的劃分，以及幹路雙行、支路單行的改造。
圖13 白塔寺街區街道通行量定量刻畫
在線的層面上對每條道路進行了24小時的人流量和車輛量的分類（圖13），曲線的形態有很大不同。通過觀察可以發現一些比較有意思的變化，中午12點到14點會出現兩個小的高峰，大家回家吃飯，再回來上班，這也說明衚衕里人們的生活狀態比較休閑。
圖14 某路口交通量統計及定量刻畫
更細的層面上，對一個交叉路口的觀察，這張圖（圖14）呈現了幾個方向人車流量的分布狀態。通過對這些數據的分析可以為路口具體設計管理提供支持。
與此同時，我們在清華大學紫荊公寓安裝了一台感測器，在去年學生軍訓的時候進行了數據採集。虛線和實線的關係，就是我們預測的數據和實際發生的人流量關係。利用City-grid感測器可以收集多維度環境監測數據，同時進行學習。環境數據變化往往可以對應表徵特定的城市事件類型。同時檢測噪音、溫度、污染物濃度等數據變化，更容易將數據與空間事件建立聯繫，從而實現真正的精細化管理。
另外一類數據收集的方法即搭建公眾參與的平台。路見的平台是最成熟的一個，在此著重推薦。
圖15 路見平台運作原理
圖16 路見平台部分提案分布圖
路見是一個聚焦城市空間品質和民生問題的公眾互動平台。致力於為每個人參與城市治理提供有效的發聲渠道，連接政府、專家和市民，助力城市精細化管理，推動以人為本發展。實際上它基於手機的微信小程序，讓公眾能針對具體的城市事件和規劃對具體地段進行評價。這種方法在國內一些地方已經開始應用，獲得了大量的市民對城市意見的提案（圖17），有針對性的為政府和規劃部門對城市功能調整優化提供的參考。
5.總結與展望
圖17 大數據應用的總結
對以上的我們在宏觀、中觀、微觀存量規劃中面臨的問題和挑戰的進行總結（圖17），以往我們不具備的能力，可以通過大數據和機器學習來解決，新技術的使用讓我們有能力真正的完成一個城市存量優化的工作。
過去，整個行業處於規劃數據缺乏的狀態；隨著社會的發展，當下我們面臨的是被動的數據收集使用的狀況，已經可以應用來自於各個數據源的數據，對城市進行基於大數據的問題的診斷。在不久的將來，我們會面臨著一種基於智慧城市全方位數據採集的情況下進行城市多維實時體檢的工作。
圖18 Cityeye 城市體檢平台
我們團隊正在開發一個城市體檢平台（圖18），這也是一個智慧城市的平台，進行城市運行的全方位數據實時採集，以便於提供決策模型，實時發現城市的各種問題。把以前五年十年的規劃評估、規劃調整的方式變成一種類似體檢的模式，實現對城市的實時監控，發現城市的問題，有針對性的進行調整優化。這種方法是城市規劃的轉型，也是所謂的城市的精細化的或者智慧城市的更高的目標。
（文中所有圖片均來自嘉賓報告PPT）
華夏幸福
智庫論壇
空間
論道
TAG:城市空間URBANSPACE |