大数据时代的精细化城市模拟：方法、数据、案例和框架

大数据时代的精细化城市模拟： 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 、数据、案例和框架 大数据时代的精细化城市模拟:方法、数据、案例和框 架 大数据时代的精细化城市模拟: 方法、数据、案例和框架 1 2 1 1 3 1 1 龙瀛 ,崔承印 ,茅明睿 ,张永平 ,张宇 ,吴运超 (1 北京市城市规划 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 研究院,北京 100045 2 剑桥大学建筑系,英国剑桥 CB2 1PX 3 北京大学城市规划与设计学院,北京 100083) 【摘要】以地块 作为基 本空间 单元并 以城市活 动主体 作为模 拟对象 的精细化 模拟 是 未来城 市模型研 究 的重要方 向 ,大数 据 (big data )时 代的到来 也为 其提 供了重 要发展机 遇 。本文 重点 对精细 化城市模型 的 主 流 建 模 方 法 进 行 了 介 绍 , 包 括 元 胞 自 动 机 (Cellular Automata ,CA ) 、 基 于 主 体 建 模 (Agent-based Modelling ,ABM ) 和传统 的微观 模拟(Microsimulation ,MSM )这 三种自 下而上 的微观 模拟方 法。 之后 结 合 精 细 化 城 市 模 型 的 高 标 准 数 据 需 求 问 题 , 对 国 际 上 通 行 的 用 于 精 细 化 模 拟 数 据 合 成 (population synthesis ) 的方法进行了综述, 并给出笔者近年来在精细化城市模拟方 面的多项实践案例, 最后提出了以 GIS 为平台 , 结合 CA/ABM/MSM 方法, 构建我国精细化城市模型的框架体系和关键技术, 以期支持我国大城 市地区空间政策的制 定和评估。 【关键词】 城市 模型;大数 据 ;精细化;规划支持系统 (PSS ) ;北京1.城市模型与精细化城市模拟 定量化程度已经越来越成为衡量一个学科发展程度的标志,“城市空间发展模型” (Urban Spatial Development Model)是在对城市系统进行抽象和概化的基础上,对城市空间 现象与过程的抽象数学表达,是理解城市空间现象变化、对城市系统进行科学管理和规划的 重要工具,可以为城市政策的执行及城市规划 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 的制订和评估提供可行的技术支持。本文 将“城市空间发展模型”简化为“城市模型” (Urban Model),下同。城市模型研究始于 20 世纪初期,其发展主要经历了形态结构模型、静态模型和动态模型三个发展阶段龙瀛等, 2010。基于离散动力学的动态城市模型是目前的研究热点和未来的发展方向,这一方面, 国际上典型的城市模型多为宏观尺度,以地理网格或小区作为基本研究单元,将城市活动主 体进行分类。随着研究尺度的需要和微观数据可获得性的增强,近年来国际上微观模型发展 1 迅速,但在真实城市中全面应用的案例仍然有限。 精细化的城市模拟(动态的、基于离散动力学的、微观的城市空间模型)将成为未来的 研究热点。其中,精细化(Fine Scale)对应模拟尺度,一方面,在物理空间,分析和模拟 的基本空间单元是地块,对应城市总体规划重点地区和城市详细规划的工作尺度。另一方面 在社会空间,分析和模拟的基本单元是居民、家庭和企业个体等。 “精细化”作为模拟尺度, 是相对宏观模拟的研究尺度提出的,宏观模型一般以统计小区、交通分析小区、行政区、行 业、共同特征的人群等作为基本研究对象。精细化城市模型是一种时空动态的微观模型,其 以地块、居民、家庭、企业等微观个体作为基本模拟对象,主要用于研究城市的土地开发、 居民的居住区位选择、企业的区位选址、城市活动的时空分布等空间问题,用于支持空间政 策的制定和评估。目前我国城市空间发展模型的研究,鉴于数据的限制,多数模型都是大尺 度的(如乡镇或交通分析小区等) 。近年来计算机的软硬件水平达到了长足 的发展,社会经 济活动产生的数据突飞猛进,这样的“大数据(big data)”规模超大,以至于超过了传统的 软件工具获取、存储、管理、共享、分析和可视化的能力,例如传感器网络(sensor networks )、 社会化网络(social networks)、射频识别(RFID)和通话 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 (call detail records) 等,这 些数据为开展精细化的城市模拟城市模型提供了较好的机遇。 目前,一方面我国的大城市正逐渐由空间扩张向内部改造转变,小尺度的城市空间再开 发将越来越多,为分析并预测城市空间的变化,更需要精细化的模型作支持,另一方面,城 市作为复杂的自适应系统,是由作为城市空间的地块、作为城市活动主体的居民、企业等构 成的,自下而上的模拟思路在以人、地和房作为基本研究对象预测城市空间变化的同时,与 规划的公众参与、社会公平等理念的需求不谋而合。此外,目前我国各种精细化的城市空间 数据和社会经济微观数据的可获得性正逐渐增强,因此开展精细化城市模型的探索,可以指 导后续类似工作的开展。精细化城市模型不同于以大尺度网格、行政区域或交通分析小区作 为模拟尺度的模型,他们在空间要素和城市活动要素方面都不一样,因此将面临新的理论和 实际问题。下文将在第二部分重点介绍精细化城市模拟的三种常用方法,第三部分介绍在数 据条件不足的情况下进行数据合成的方法,第四部分对笔者近年来在精细化城市模拟方面的 若干案例进行简要回顾,最后提出在我国开展精细化城市模拟的研究框架和关键技术问题。 2.精细化城市模拟的几种常用方法 多种微观模拟的研究方法都可以用于精细化城市模拟,下面对三种目前主流的方法进行 2 详细介绍。 2.1 微观模拟 1 微观模拟 (Microsimulation Model,MSM)是由美国经济数学家 Orcutt1957首先提出 的,其在研究城市问题时能够较好地弥补宏观分析模拟模型的不足。与传统的自上而下的宏 观分析模拟不同,微观模拟是典型的自下而上的过程,它以企业、家庭乃至个人等微观个体 作为描述、分析和模拟的基本对象,每个微观个体都具有独有的自身特性与丰富的内部认知 结构Ballas 和 Clarke,2000。随着 GIS 的发展和研究的需要,也有学者提出空间化的微观 模拟模型(Spatial Microsimulation)Hanaoka和 Clarke,2007; Wu 等,2008。MSM和 ABM 是有区别的,一般而言,前者更强调基于完整的微观个体属性数据进行政策评估(不限于空 间政策,如税收、保险等) ,微观个体一般不可移动,而在 ABM中,agent一般可以移动, 通过 agent之间及 agent与所处环境(Environment)之间的相互作用产生的宏观层次的涌现 (emergence)现象来对系统进行探索。ABM中个体的属性数据一般不一定丰富,基于 agent 简单的行为规则(Behavior Rule)观察系统层次的涌现行为是 ABM 的一个主要特征。Wu 等2008也呼吁 ABM 与 MSM进行互补,同时用于精细化模拟。 在已有典型的城市模型中,UrbanSim 和 ILUTE 都属于基于 MSM 的城市模型。其中 UrbanSim(/urbansim.org)提供了开放式城市模拟平台(The Open Platform for Urban Simulation,OPUS),可以在其基础上方便地进行模型应用。UrbanSim 适用于多种研究尺 2 度的城市系统模拟,对应宏观和微观的城市模型 ,但其已有研究多属于小区尺度,在美国 加州侧重房地产市场的探索属于地块尺度的应用,属于精细化的城市模型研究的成功实践 Waddell等,2010。据笔者了解,国内 UrbanSim模型有一定应用,清华大学的郑思齐研究 组在基于 UrbanSim 平台建立北京的动态城市模型郑思齐等,2010,北京大学的童昕研究 组也在基于 UrbanSim平台开展亦庄新城的城市模拟研究,但囿于数据限制,模拟深度属于 小区尺度,并没有进行地块尺度的精细化建模。对于 ILUTE 模型,其已经在大多伦多区 (Greater Toronto Area)进行了成功应用,属于微观尺度,其中考虑了家庭、企业等个体Miller 等,2004。Chingcuanco 和 Miller2011利用 ILUTE 模型对地块尺度的能耗进行了评价。 UrbanSim 和 ILUTE 都声称属于基于个体的微观模拟模型(Agent-based Microsimulation Model),即既属于 ABM 也属于 MSM,即在 MSM 中考虑了 agent 之间及 agent 与环境的 相互作用。 1 也有将微观模拟模型翻译为“Microanalytic Simulation Model”。 2 Waddell2009对将 UrbanSim进行微观尺度应用的可行性和技术细节进行了详细探讨。3 2.2 元胞自动机 元胞自动机(CA)作为复杂科学的重要研究工具,其特点是时间、空间、状态都离散, 其状态改变的规则在时间和空间上都是局部的,因此 CA 适合模拟时空动态过程龙瀛等, 2008; 龙瀛等,2009。常规的元胞基本是规则的网格,但其并不能很好地表征真实的微观 个体,因此一些学者开始研究基于非规则多边形的矢量 CA 进行城市模拟。非规则多边形可 以用于表达地块,因此是可以在空间研究尺度上支持精细化城市模拟的。Stevens 和 Dragicevic2007开发了以矢量地块作为 CA 的城市规划决策的工具 iCity,能够进行城市空 间增长的多情景模拟,并对各情景进行评价,该工具考虑了土地使用方式的模拟,但对开发 强度因素没有考虑;Shen等2009所开发的地理模拟模型也是基于矢量 CA,用于模拟日本 的城市改造,重点从土地使用方式进行了时空动态模拟,Shen 作为本申请的主要成员,将 在已有研究基础上进行深入,参与土地开发模块的理论研究和实证应用;Moreno 等2008 提出了可以改变几何形状的矢量 CA模型,主要侧重于从 GIS 的技术方法进行探讨,并不是 面向规划应用的实证研究。矢量 CA 可以较好地表达精细化城市模型中的位置不可移动的地 块空间,但还不能对城市活动主体的行为进行建模并模拟,为此需要结合基于个体建模技术 进行城市模拟。 2.3 基于个体建模 ABM 中的 agent(主体)是运行于动态环境的具有较高自治能力的实体,是一种具有智 能的实体,有自治性、社会能力、响应性和能动性的属性薛领等,2004。国际上,ABM 在土地利用覆盖变化、城市扩张等方面已有较多研究,一般都结合 CA 模型开展,其中 CA 用于表达不可移动的物理空间(即环境) ,而 agent对应可移动的决策主体Evans和 Kelley, 2004。 Torrens和 Benenson2005提出的地理元胞自动机系统(Geographic Automata Systems) 中,集成了 CA和 ABM用于模拟地理系统,但该研究更多的都是侧重于地理方面的模拟, 而不是城市系统内部的空间组织和功能结构。 Jjumba 和 Dragicevic2012在 iCity 模型的基础 上,建立了“Agent iCity”模型,用于模拟加拿大城市 Chilliwack的地块尺度城市土地使用变 化。 而在国内,中山大学黎夏教授的研究组基于 CA、ABM 和多种人工智能(Artificial Intelligence)技术,提出了地理模拟与优化系统的理念 GeoSOS(Geographical Simulation and Optimization System,网址:////0>. 等,2011。沈振江基于 ABM技术建立了 ShopSim-MAS模型,用于模拟的由于大商场的建 立引起的商圈变化,属于地块尺度的应用Shen 等2011;而本文作者之一龙瀛等2011a基 4 于 CA 和 ABM 建立了轻量化的土地使用-交通-环境的集成模拟模型,用于在虚拟空间探索 城市的空间组织对交通出行和能耗的影响,也属于地块尺度的应用。 基于上述分析可以看出,微观模拟 MSM、元胞自动机 CA 和基于个体建模 ABM 是目 前精细化城市模拟的主流技术方法;国际上已有少量精细化城市模型在真实城市的实践应 用,如 UrbanSim、ILUTE 和 Agent iCity;国际国内的已有相关 ABM 研究一 般都对应地块 尺度,也考虑了众多城市活动主体,这些方法对精细化城市模型的建立和开发具有借鉴作用; 国内目前还没有精细化城市模型用于真实城市的报道。 3.精细化城市模型的数据准备 鉴于统计部门的数据不公开或源于保护隐私的作用,多数研究者都很难获得全样本的个 体数据。MSM和 ABM 两种微观模型的数据情况有一定差别,一般侧重于识别规律的 ABM 模型中,一般不用 1个 agent对应 1个微观个体,如:Li和 Liu 2008、陶海燕等2009在居 住区位选择的 ABM 中,1个网格对应 1 个居民 agent,并不是网格空间所对应的实际居民数 目;Shen 等2009分别尝试将 1、2、3、5 和 10 个居民作为 1 个 agent,发现不同的比例对 模拟结果具有较大的不确定性;Zhang 等2010将 30m*30m的网格内的平均居民数量作为 1 个 agent。可以看出,因为数据稀缺问题,多数 ABM都不能实现 1个 agent对应真实城市的 1个居民,同时对居民的集聚会带来模拟结果的不确定性,如果过于集聚也失去了微观模拟 的精髓。Brown 和 Robinson2006的研究也表明 ABM 中居民偏好的异质程 度对模拟的土地 使用形态具有较大的影响,因此个体样本信息对于 ABM至关重要。大多数的研究者都只能 获得有限的个体信息,Crooks 等2008也曾提及,“个体信息的缺失是一个常见问题,在可 以预见的未来,将继续影响这一类模型的发展”。在这里,Benenson 等2002所建立的 ABM 则属于一个例外,可以有较好的数据支持。 而基于 MSM方法的微观模型,一般都用于真实城市支持政策制定和评价,较多采用不 同技术方法来解决个体数据稀缺的情况。国际上,人口数据合成(Population Synthesis)是 一个专门的研究方向,用于合成微观模拟( MSM)所需要的个体数据。 Mü ller 和 Axhausen2010的研究综述中,评价了目前常用的几个人口数据合成器( Population Synthesizer),包括 PopSynWin,、ILUTE、 FSUMTS、CEMDAP、ALBATROSS 和 PopGen (部分人口合成器如 ILUTE 和 ALBATROSS 以所在模型的名字命名)。ILUTE 和 PopGen 所采用的迭代比例拟合(Iterative Proportional Fitting,IPF)是目前最为广泛采用的人口数据 5 合成的方法。IPF最早由 Deming和 Stephan1940提出,可用于利用新的宏观统计数据更新 历史的普查数据。Fienberg 1977采用该方法将多个普查表格合成为一个。Birkin 等2006 利用 IPF开发了人口重建模型(Population Reconstruction Model) ,基于英国的 1%居民调查 数据,重新生成了 6000万居民个体数据, Wu等2008则利用人口重建模型合成的人口样本, 基于微观模型和 ABM 模拟出了英国利兹的学生动态。Smith 等2009提出了改进人口样本 数据合成的方法。 在国内,也有少数学者开始探讨个体数据合成的方法。Li 和 Liu2007初步地指出了利 用统计数据定义居民 agent属性的可能性,其根据统计数据将所有城市居民根据有无子女、 收入两个属性分为六类,每类具有不同的环境变量偏好,但其仅考虑两个自身属性并基于这 两个自身属性将个体样本分为四类,并没有给出每个样本的反演的具体属性数值,也没有考 虑样本属性间的关系。本文作者之一龙瀛等2011b提出了基于统计资料、小规模样本调查 和常识性知识,利用合成个体样本的方法,初步合成了北京市全样本的居民 个体数据。 基于上述分析可以看出,国际上的精细化城市模型也不能获得全样本的微观数据,已有 部分城市模型采用了数据合成的方法(如 IPF)建立居民或家庭全样本,被证明是可行的; 鉴于国内的精细化城市模型研究刚刚起步,也同样面临数据稀缺的问题,还没有到具体探讨 解决微观层面模型数据准备的方法阶段。 4.精细化城市模拟的若干案例近年来笔者所在团队在精细化城市模拟方面进行了多方面的探索,囊括微观模拟、 “大 数据”挖掘和微观数据获取与合成等三个方面,部分应用已经直接用于支持北京市的规划建 设,部分工作如大数据挖掘则属于探索性研究阶段。随着大数据的日趋广泛,大数据挖掘的 研究成果有望用于指导实践工作。 4.1 微观模拟 (1) BUDEM模型(微观尺度)2008 年笔者开发了北京城市空间发展模型(Beijing Urban Spatial Development Model,BUDEM) ,该较为宏观的模型基于约束性元胞自动机(cellular automata,CA)和逻 辑斯蒂(logistic regression)回归方法,对北京市历史城市空间扩展进行分析,并对未 来的城市空间扩展进行情景分析Long 等,2009; 龙瀛等,2010。在此模型的基础上,目 前正在开展微观尺度的 BUDEM模型研究,研究框架如 图所示,属于精细化城市模拟的综合实 6 践,其首先致力于利用多种方法获得全样本的微观数据,包括居民、家庭、企业、居民活动、 地块、房地产等,其中包括利用“3 精细化城市模型的数据准备”部分的人口合成方法。基 于所建立的全样本微观数据,进行现状的城市评价,如交通影响、环境影响、能耗影响和碳 排放等多方面。最后在 UrbanSim 平台上侧重居住区位选择和企业区位选择两个方面对短期 的城市发展进行预测。该模型的部分内容见“5 未来研究建议:框架及关键技术” 。 图 1BUDEM 模型(微观尺 度)的研究框架 (2) 城市形态?能耗?环境集成的多智能体模型 笔者于2012年建立了城市形态-能耗-环境集成的多智能体模型(FEE-MAS),在虚拟空 间内,实现地块尺度的城市形态对应的能耗和环境影响评价的模拟框架( 图),目前侧重于 居民的通勤出行研究龙瀛等,2012; Long 等,2012。该模型的基本出发点是每个居民进 行居住地和就业地选择,之后进行通勤出行的交通方式选择,进而能够对居 民通勤的能耗和 环境影响进行评价,最后在地块尺度上对模拟结果进行汇总,识别规律,是典型的精细化城 市模拟的研究思路。下阶段拟在所建立的模拟框架基础上,实现其他目的出行的评价,以及 生活和生产方面的评价。7图 2FEE-MAS 模型模拟流 程图 (3) 规划师主体用地规划方案的制定是城市总体规划编制的核心内容之一,而具有不同要求和偏好的政 府、规划师和居民等主体是制定过程的主要参与者。笔者提出了利用规划师主体支持用地规 划方案制定的理论和方法框架(图 1) ,明确规划师、政府和居民主体的角色和相互作用,利 用已有规划方案的数据挖掘和调查问卷方法识别规划师的规划规则,结合综合约束条件和专 项规划制定和评价用地规划方案(张永平和龙瀛,2013; Long 和 Zhang,2013)。在虚拟空 间进行规划师主体理论的试验后,目前已完成该方法在北京市用地规划方案制定中的具体应 用。8图 1 利用规划师主体支持用 地规划方案制定的流程 (4) V-BUDEM 2008 年开发的 BUDEM 是基于栅格元胞自动机的城市空间发展模型。在此基础上,目前 笔者正进一步将其扩展至基于矢量 CA 的模型V-BUDEM(Vector-BUDEM),基本流程以及与已 有工作的关系如图 4所示。该模型中分析的元胞单元为城市地块,邻域以缓冲区来判断,即 元胞周围的地块完全位于该元胞的特定缓冲区内时,则将这些地块作为该元胞的邻居。模型 仍然考虑制度性约束、邻域约束和空间约束三大约束条件,并采用 logistic 方法实现北京 9 市城市增长的动态模拟。在此基础上,笔者还考虑将地块自动划分(parcel subdivision) 和V-BUDEM结合,实现城市增长和地块划分相结合的动态模型,最后结合规划师主体实现用 地布局的规划Zhang 和Long,2013。 空间约束 邻域约束 制度性约束 栅格CA BUDEM模型 矢量CA 地块划分工具 V-BUDEM模型 (Land subdivision tool) 同步实现地块自动划分和 规划师主体 城市用地增长的动态模拟 (Planner Agent) 针对地块划分和城市用地增长的动态 模拟结果,制定用地规划方案(考虑 细分地类,如工业、商业、居住等)图 4 V-BUDEM 模型及相关工作 4.2 “大数据”挖掘 (1) 公交刷卡数据挖掘公交刷卡数据记录了每个持卡人的具有精细时空标签的轨迹。笔者分别获得了 2008、 2010 和 2012 年度的北京市公交和轨道交通刷卡数据,并利用 2008 年公交刷卡数据(854 万持卡人连续一周共 7797 万次出行) ,对北京市通勤出行进行了识别,得到 22 万余人的居 住地、就业地和通勤出行,进而对通勤形态的时空分布进行了评价(图 5),并对典型居住 区和就业地的通勤出行进行了重点分析龙瀛等,2012; Long和 Thill,2013。此外,还基 于识别的通勤出行,对北京市的通勤效率和职住平衡情况进行了评价Zhou和 Long,2013。 目前在林肯基金会的资助下,笔者在利用 2010 年公交和轨道交通刷卡数据,对北京的 10 通勤形态进行精细化评价,并利用每个站点的每小时上下车人数,识别站点的主导使用功能, 支持城市中心的识别。 图 5 利用 2008 年公交刷卡数 据识别的通勤出行(a 极端出 行、b 主要通勤方向) (2) 出租车轨迹挖掘出租车轨迹记录了每个出租车个体的精确的时空信息。 目前笔者正与微软亚洲研究院开 展合作,利用北京市出租车轨迹数据和兴趣点(point of interest,POI)数据评价交通分 析小区(TAZ)尺度的城市功能(初步结果见图6) ,并 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 将公交刷卡数据与出租车轨迹数 据整合,实现更为完整的城市功能的评价Yuan 等,2012。预期的评价结果是,每个交通 分析小区能够识别出各项城市功能的比例,如居住、就业、购物等,进而评价每个小区的混 合使用程度,是对传统的基于土地使用数据评价土地混合使用程度的一种方法补充。11图 6 北京市各交通分析小区 的主导功能(初步结果) (3)手机数据挖掘 笔者与合作单位北京工业大学已尝试通过北京市移动用户的轨迹信息及其所在不同移 动台(MS)上传信息情况,与人口区域和交通所需求的某些信息耦合,获取区域居住人口数 量、工作岗位数量、居民出行 OD,路段流量、路段车速以及区域停车场数目等信息北京工 业大学课题组,2010。由于手机的信息数量巨大,每天产生的记录多达几亿条近 50G,为 了方便管理和使用这些海量数据,把数据存储至数据库,再通过编写程序来读取数据。同时, 由于数据的保密性,仅可获取至手机代码信息,而非确切手机号码,因此无法和个人对应。 因此数据对于识别、判定居住地和工作岗位地的区位统计特征意义较大。数据识别处理过程 见图7。12 原始手机数据 数据库管理 个体出行链 识别 判断 CELL和路网匹配 出 通 路 居 工 出 行 勤 段 住 作 行 方 时 流 地 地 OD 式 间 量图 7 通过手机信息提取交通 数据原理 (4) 社会化网络数据挖掘社会化网络(Social Network Service,SNS)记录了每个用户的个人属性特征、发言、 用户之间的关系;用户可以在这些网站上签到从而记录自己的地理位置信息,即签到数据 (Check-in data)。目前笔者正在利用新浪微博数据,平行开展两方面的研究 工作,一方面 针对微博的用户数据,笔者探索了一种根据聚类规则有针对性地抓取用户数据的方法,获得 了数十万条与城市规划相关的用户数据,并基于“关注已知的规划圈成员人数大于等于 4” 的规则,识别出了 1.6万余名规划圈成员,分析了规划圈的规模、人脉关系、影响力核心、 时空分布和变化趋势等特征茅明睿和龙瀛,2013。通过对微博数据的挖掘,首次比较完整 地展现了规划行业的人脉图谱(图 8)。另一方面,对微博上的签到数据进行抓取,进而评 估不同城市活动(如访友、旅游、就餐、健身等)的时空分布特征和频率(一周或一个月), 并通过签到次数评价不同位置的签到次数(即活动强度),以其这些分析支持城市规划中的 专项规划。13图 8 利用新浪微博数据识别 地规划圈人脉关系及影响力 4.3 微观数据获取与合成 (1) 网络数据抓取 网络数据日渐丰富完善,笔者目前正在开展基于(移动)互联网和物联网的多源社会化 数据的采集与处理研究,使之能够服务于城市规划,为规划工作打开新的视角。主要目的是 为了解决规划现状专题数据不易获取的难题,为日常规划工作的开展提供数据支撑,另一方 面面对“智慧地球”的发展趋势,探索在“大数据”环境下如何将多源社会化数据应用到城市规 划编制中。 研究内容包括评估以互联网、移动互联网和传感器网络为载体的各类社会化数据资源在 城乡规划中的应用价值;研究社会化数据的获取方法与技术,重点建立基于互联网的社会化 数据智能获取工艺流程;研究社会化数据的同化处理技术,进一步提升数据的使用价值;获 取的数据在规划中的典型应用。 (2) 人口数据合成我国的人口方面的微观数据严重匮乏,因此人口微观样本的合成是在我国进行精细化城 市模拟的重要工作环节。笔者于2012 年建立了 Agenter 模型,其能够实现在没有微观样本 的前提下,利用五普的统计报告、常识性知识合成北京市的人口微观全样本图 9,龙瀛等, 2011b; Long 和 Shen,2013。目前,正在整合美国亚利桑那州立大学开发的人口合成器 PopGen和 Agenter 模型,实现在有微观调查样本的情况下进行人口数据合成,其中 PopGen 实现样本放大,而 Agenter实现合成样本中不包括的样本属性的合成。最后两个工具整合, 能够充分利用现有的统计数据、样本调查和常识性知识,实现北京市人口全样本的合成,该 14 工作对应BUDEM模型(微观尺度)中的 BEIJING100%。 图 9 北京市人口合成结果( 部分) 5.未来研究建议:简要框架 根据城乡规划编制和评估的需求,建立面向城乡规划的精细化城市模拟的框架体系,提 出相应的理论模型,用于城市空间政策的评价,起到规划决策支持的作用。精细化城市模拟 的理论框架涵盖空间数据调查及获取、模型建立、GIS 系统开发及其实证应用。基本架构如 图10所示,先从两个方面入手,数据的完善和 GIS 系统开发技术的建立。空间数据库建立 方面,将基于目前所掌握的各个层面的空间数据和社会经济数据,通过微观样本合成这一关 3 键技术,反演 (Disaggregate)得到地块或居民家庭尺度的微观数据;之后,基于 GIS 平台 开发城市模型,并整合其他宏观模型(如社会经济发展规模预测模型、宏观土地利用模型) 和各个专业的微观模型(交通模型和环境影响评价模型)。 3 或称为合成(Synthesize)。15图10 精细化城市空间发展模 型研究框架 建议采用动态的微观模型的形式,基于复杂自适应系统和计量经济学理论,采用 CA、 ABM 和 MSM,以及离散选择模型等技术方法,开展精细化城市模拟的研究工作,前期主 要侧重于土地使用和交通两个方面。模拟的空间单元为地块,考虑居民、家庭、企业等城市 活动个体,时间分辨率为 1年(即每步对应 1年)。该研究框架主要用于城市空间政策的制 定和评估,应用的基本思路是,宏观发展战略或发展目标为外生的情景条件,从微观的尺度 对空间政策作用的效果进行评估,即将宏观政策对微观的空间和社会个体的影响进行可视化 反馈。该研究框架具有较好的可扩展性,可以作为城市模拟的基础设施和政策评价实验室。 理论研究方面将建立五个模块,土地开发、居住区位选择、企业区位选择、城市活动和 基于活动的出行。用于提供宏观情景条件的宏观指标,如宏观经济预测(GDP、房价和地价 等)、城市发展预测、机动车发展规模预测等,在北京模型建立过程中,将由 已经完成的北 16 京城市空间发展模型(Beijing Urban Spatial Development Model,BUDEM)Long等,2009 和北京市土地使用与交通整合模型(Beijing Land Use and Transportation Integrated Model, BLUTI)张宇等,2012这两个宏观模型提供。 各模块之间的关系如 图 所示:外部宏观模型为各模块提供外生变量条件,外接的人口 统计学模型(Demographic Model),用于反映居民和家庭的状态和变动过程等,如居民的 出生、年龄增长和死亡等,家庭的生成、合并和拆分等,是城市活动和交通两个系统的重要 数据,可不单独开发该模型,而是借用已有模型(如 PopSyn)。精细化城市模型主要包括 4 精细化的城市活动系统 和基于活动的(Activity-based Travel)城市交通系统,二者之间存 在紧密的反馈关系,是城市模拟的重要基础和核心内容。城市活动系统部分主要包括土地市 场行为(开发商的投资开发)、房地产市场行为(居民的居住区位选择和企业的择址行为) 和城市活动(主要表现为以自然人为媒介表达出来的基于生活需求及个人属 性表现出来的特 定活动,如基于就业地的上班、基于就学地的上学、基于商场等零售业的购物等)。而上述 各类行为都将导致交通需求,但主要表现为城市活动的交通需求,将个人的一日城市活动链 接起来即组成出行链,出行链中需进行出行目的地选择、出行时段选择、出行方式选择等, 最终将交通需求所构成的交通量分配到交通网络上,进而完成交通分配模型。交通分配的结 果计算得出的交通可达性反馈影响居民的区位选择和企业的选址等行为,进而可达性还将影 响区域房价及地价。 4 对应土地模型。17图 11 精细化城 市模型 中 各模块之 间的关 系(粗 框表 示待研究 的模块 ) 所建立的精细化城市模型在真实城市有望具有如下应用:(1)支持空间规划方案的评 估:不同于宏观模型的规划评估,精细化城市模型可以从微观层面(如地块和家庭)识别城 市活动主体对规划政策的反映,进而评估规划方案,如用地布局和开发强度的合理性,规划 方案的交通影响,以及结合专业模型进行环境影响等方面的评估。此外,在规 划编制过程中, 通过对多方案的科学评价,有望给出更为合理的规划方案。(2)支持重大项目 或基础设施 的选址和评估:对于城市改造、公共服务设施、市政基础设施或交通基础设 施项目,通过其 对城市活动主体的影响(如通过影响可达性改变居住和企业区位选择过程) 在地块空间尺度 进行评价,给出评估结论及项目选址建议。 18参考文献: [1]Anas A.METROSIM: A Unified Economic Model of Transportation and Land-Use.Williamsville, Alex Anas & Associates,1994[2]Anas A,Liu Y.A Regional economy,land use,and transportation model Relu-Tran?: formulation,algorithm design,and testing.Journal of Regional Science,2007,473: 415-455[3]Association of Bay Area Governments,2009,Available online at: ////. [4]Ballas D,Clarke G.GIS and microsimulation for local labour market analysisputers, Environment and Urban Systems,2000,244: 305-330[5]Benenson I,Omer I,HatnaE.Entity-based modeling of urban residential dynamics: the case of Yaffo,Tel Aviv.Environment and Planning B: Planning and Design,2002,29: 491-512[6]Birkin M,Turner A,Wu B.A synthetic demographic model of the UK population: Methods, progress and problems.Manchester,Proceedings of the second international conference on e-social science National Centre for ESocial Science, 2006.////. [7]Brown D G,Robinson D T.Effects of heterogeneity in residential preferences on an agent-based model of urban sprawl.Ecology and Society,2006, 11-46.////. [8]Chingcuanco F,Miller E J.A microsimulation model of urban energy use: Modelling residential space heating demand in ILUTEputers,Environment and Urban Systems,2011, 362:186-194[9]Clarke K C,Gaydos L,Hoppen S.A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area.Environment and Planning B,1997,24: 247-261[10]Crooks A,Castle C,Batty M.Key challenges in agent-based modeling for geo-spatial simulationputers,Environment and Urban Systems,2008,326: 417-430 [11]Deming W E,Stephan F F.On least squares adjustment of a sampled frequency table when the expected marginal totals are known.Annals of Mathematical Statistics,1940,114: 427-444[12]Echenique M H,Flowerdew A D J,Hunt J D,et al.The MEPLAN models of Bilbao,Leeds and Dortmund.Transport Reviews: A Transnational Transdisciplinary Journal,1990,104: 309-322[13]Evans T P,Kelley H.Multi-scale analysis of a household level agent-based model of landcover change.Journal of Environmental Management,2004,721-2: 57-72[14]Fienberg S E.The analysis of cross-classified categorical data.Cambridge,The MIT Press, 1977[15]Hanaoka K,Clarke G P.Spatial microsimulation modelling for retail market analysis at the small-area levelputers,Environment and Urban Systems,2007,312: 162-187[16]Hunt J D,Abraham J E.Design and implementation of PECAS: A generalized system for the allocation of economic production,exchange and consumption quantities.London,Foundations of Integrated Land-Use And Transportation Models: Assumptions and New Conceptual Frameworks Lee Gosselin and Doherty,eds.,Elsevier,2005: 217-238[17]Jjumba A,Dragicevic S.High resolution urban land-use change modeling: Agent City approach Applied Spatial Analysis and Policy in press.2012[18]Landis J D.The California urban futures model: A new generation of metropolitan simulation models.Environment and Planning B: Planning and Design,1994,21: 399-420[19]Landis J D.The second generation of the california urban futures model: part 1: model logic and theory.Environment and Planning B: Planning and Design,1998a,255: 657-666[20]Landis J D.The second generation of the california urban futures model: part 2: specification and calibration results of the land-use change submodel.Environment and Planning, B: Planning and Design,1998b,256: 795-824[21]Lee D B.Requiem for large-scale models.Journal of the American Institute of Planners, 1973,393: 163-178[22]Li X,Liu X.Defining agents behaviors to simulate complex residential development using multicriteria evaluation.Journal of Environmental Management,2007,854: 1063-1075[23]Li X,Liu X.Embedding sustainable development strategies in agent-based models for use as a planning tool.International Journal of Geographical Information Science,2008,221: 21-45[24]Li X,Shi X,He J Q,et al.Coupling simulation and optimization to solve planning problems in a fast developing area.Annals of the Association of American Geographers,2011,1015:19 1032-1048[25]Long Y,Mao Q,Dang A.Beijing urban development model: urban growth analysis and simulation.Tsinghua Science and Technology,2009,146: 787-794[26]Long Y,Mao Q,Shen Z.Urban form,transportation energy consumption,and environmental impact integrated simulation: A multi-agent model.Zhenjiang Shen ed. Sustainable Development and Spatial Plan: How to achieve a sustainable urban form in Asian cities?,Springer-Verlag Berlin Heidelberg.2012[27]Long Y,Shen Z.Disaggregating heterogeneous agent attributes and location from aggregated data,small-scale surveys and empirical researchesputers,Environment and Urban Systems, 2013.Tentative accepted [28]Long Y,Thill J-Cbining smart card data,household travel survey and land use pattern for identifying housing-jobs relationships in Beijingputers,Environment and Urban Systems, 2013.Under review [29]Long Y,Zhang Y.Land-use Pattern Scenario Analysis Using Planner Agent.Environment and