Независимо от того, где в мире местные сообщества в значительной степени формируются жителями, которые, в свою очередь, формируются сообществами, в которых они живут. Однако политика общинного землепользования, инфраструктуры и распределения ресурсов обычно является продуктом моделей, которым отдают предпочтение профессиональные градостроители.
Городское планирование имеет дело с физической планировкой населенных пунктов и направляет упорядоченное развитие городских, пригородных и сельских районов. Эффективное городское планирование снижает операционную и социальную уязвимость городской системы, стремясь улучшить качество жизни при одновременном снижении заторов на дорогах и несчастных случаев, отходов и загрязнения, а также уровня преступности и налогового бремени.
В недавней статье Переосмысление конфигурации города: автоматизированное городское планирование с помощью состязательного обучения два аспиранта Университета Центральной Флориды (UCF), специализирующиеся на интеллектуальном анализе пространственно-временных данных, вместе с консультантами из UCF, Китайского университета Гонконга и Virginia Tech предлагают снизить нагрузку на градостроителей за счет внедрения систем глубокого обучения для выполнения некоторых из их обязанностей.
«Традиционное городское планирование отнимает много времени и сил, и при создании окончательной схемы планирования необходимо учитывать множество факторов», — сказал Synced первокурсник UCF Дунцзе Ван, аспирант UCF и первый автор статьи. эм>. «Мы задаемся вопросом, можно ли использовать ИИ для автоматического создания решений городского планирования».
Хотя концепция автоматизированного городского планирования с помощью ИИ привлекательна, исследователи быстро столкнулись с тремя проблемами: как количественно оценить план конфигурации землепользования, как разработать структуру машинного обучения, которая может изучать положительные и отрицательные стороны существующих городских сообществ в с точки зрения политик конфигурации землепользования и как оценить качество сгенерированных системой конфигураций землепользования.
Исследователи начали с формулировки проблемы автоматизированного городского планирования как учебной задачи по конфигурации землепользования с учетом окружающего пространственного контекста. Они определили конфигурацию землепользования как тензор канала долгота-широта с целью разработки структуры, которая могла бы автоматически генерировать такие тензоры для незапланированных областей.
Команда разработала состязательную структуру обучения под названием LUCGAN для создания эффективных конфигураций землепользования, опираясь на городскую географию, мобильность людей и социально-экономические данные. LUCGAN предназначен для того, чтобы сначала изучить представления контекста девственной территории, а затем создать идеальное решение конфигурации землепользования для этой области.
Они определили жилые сообщества как «центральные районы» на основе их широты и долготы, затем наблюдали за связанными контекстами и извлекали явные характеристики этих контекстов из пространства с добавленной стоимостью, распределения точек интереса (POI) и условий движения. Затем они сопоставили явные векторы признаков с географическим пространственным графом как атрибуты соответствующих узлов.
Исследователи получили встраивание контекста, используя методы встраивания графа, чтобы объединить все явные признаки и пространственные отношения в контексте. Основываясь на экспертных знаниях, они различали «отличные» и «ужасные» конфигурации землепользования, вводя эту информацию и встраивая контекст в LUCGAN, чтобы научить его распространять «отличные» планы.
«Наше исследование ориентировано на использование», — объясняет Ван. «Поскольку мы уже видели предварительные результаты автоматического планирования городских планировок, мы считаем, что этот путь сработает».
У подхода есть свои ограничения. Например, семантика и стабильность решения, генерируемого алгоритмом, все еще нуждаются в улучшении, и команда заявляет, что планирует решить эту проблему в будущей работе.
Ван считает, что в конечном итоге эта структура может быть преобразована в пакет программного обеспечения с открытым исходным кодом, который смогут использовать специалисты по городскому планированию. С некоторыми соответствующими предпочтениями, установленными вручную в алгоритме, он может автоматически расставлять приоритеты для различных влияющих факторов в окружающей среде и генерировать соответствующую схему планирования, адаптированную к потребностям сообщества. Градостроители также смогут корректировать полученные результаты.
«Хотя искусственный интеллект и автоматизация помогают повысить эффективность работы, мы считаем, что люди принимают окончательное решение, — говорит Ван. «Алгоритмы могут затрагивать области, часто игнорируемые человеческим инерционным мышлением, в то время как люди могут модифицировать результаты алгоритмов, чтобы они лучше соответствовали реальным политикам и правилам. Сочетание этих двух факторов действительно может обеспечить разумные решения».
Документ Переосмысление конфигурации города: автоматизированное городское планирование с помощью состязательного обучения был принят для устной презентации на конференции ACM SIGSPATIAL 2020 и доступен на arXiv.
Корреспондент: Юань Юань | Редактор: Майкл Саразен
Синхронизированный отчет | Обзор китайских решений искусственного интеллекта в ответ на пандемию COVID-19 — 87 тематических исследований от более чем 700 поставщиков ИИ
В этом отчете предлагается взглянуть на то, как Китай использует технологии искусственного интеллекта в борьбе с COVID-19. Он также доступен на Amazon Kindle. Вместе с этим отчетом мы также представили базу данных, охватывающую дополнительные 1428 решений искусственного интеллекта для 12 сценариев пандемии.
Нажмите здесь, чтобы найти больше отчетов от нас.
Мы знаем, что вы не хотите пропустить ни одной истории. Подпишитесь на нашу популярную рассылку Synced Global AI Weekly», чтобы получать еженедельные обновления AI.
