徐小童 龔華鳳 趙聰霄 劉慶 肖潔

摘 要：為通過深度學(xué)習(xí)量化城市街道空間構(gòu)成要素，理解城市街道功能特征，以重慶主城街景為對象，采用機(jī)器學(xué)習(xí)的傳統(tǒng)分類法和卷積神經(jīng)網(wǎng)絡(luò)分類法搭建模型，再通過深度學(xué)習(xí)訓(xùn)練模型，形成基于兩種分類法的重慶街道功能分類模型。通過比較兩種模型分類效果，得出如下結(jié)論：（1）分類模型對于場景單一的街道類型分類效果較好;（2）模型的分類能力會受樣本量不均衡的影響;（3）卷積神經(jīng)網(wǎng)絡(luò)的分類方法整體上略優(yōu)于傳統(tǒng)分類方法。對于如何使用深度學(xué)習(xí)方法高效研究城市肌理和街道種類有著啟發(fā)性意義，能夠為城市規(guī)劃設(shè)計者準(zhǔn)確評價現(xiàn)有街道空間提供科學(xué)的量化依據(jù)。

關(guān)鍵詞：街道分類;卷積神經(jīng)網(wǎng)絡(luò);語義分割;深度學(xué)習(xí)

中圖分類號：TU984.191 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2020）02-0048-02

0引言

街道作為城市格局的關(guān)鍵組成要素，不僅是城市居民日常的活動場所，還是城市文化、歷史的重要載體。而街景圖作為一種新興的城市數(shù)據(jù)源，具有易獲取、成本低、樣本量大等優(yōu)點，為城市街道研究提供了新的視角。百度、高德等地圖服務(wù)API提供了諸如地點檢索、路徑規(guī)劃、全景靜態(tài)圖等服務(wù)，極大的降低了空間數(shù)據(jù)的獲取門檻。龍灜[1]在2017年提出“圖片城市主義”的概念，使城市街景圖成為近年來一個熱門的研究方向。

目前國外利用圖片對城市問題進(jìn)行量化研究已有不少成功案例，而國內(nèi)對于城市街景圖的研究內(nèi)容主要集中在城市規(guī)劃領(lǐng)域?qū)τ诔鞘锌臻g各指標(biāo)的量化方面。如楊俊宴[2]等人利用街景圖在內(nèi)的多源大數(shù)據(jù)提出南京街道可步行性評價體系。然而，這些評價指標(biāo)多由研究者自己結(jié)合城市特點制定，缺乏統(tǒng)一標(biāo)準(zhǔn)，且不一定適用于其他城市。

綜上所述，對于城市街景圖的研究，目前主要基于城市空間規(guī)劃的宏觀視角，缺乏更聚焦的專業(yè)分析，如道路設(shè)計、交通規(guī)劃等。利用街景圖對街道功能進(jìn)行深度學(xué)習(xí)，可以提取出肉眼無法概括的街道特征，對街道設(shè)計、街道質(zhì)量提升有著十分重要的借鑒意義。

因此，本文將以重慶主城的街景圖為研究對象，完成從收集數(shù)據(jù)到自定義訓(xùn)練數(shù)據(jù)集，到搭建合理的街道功能分類模型的完整流程，闡明深度學(xué)習(xí)技術(shù)在城市規(guī)劃、城市感知中應(yīng)用的可能性。

1研究對象

1.1研究范圍

重慶是典型的山地城市，其獨特的地形、組團(tuán)式的城市發(fā)展模式、龐大的城市交通系統(tǒng)賦予了重慶街道復(fù)雜多樣的使用功能，有極大的研究價值。然而，目前對以重慶為代表的大型山地城市大規(guī)模的街道研究卻非常匱乏。因此，本文的街景研究對象為重慶市中心城區(qū)。主要涉及渝中區(qū)、沙坪壩區(qū)、江北區(qū)、渝北區(qū)、九龍坡區(qū)等這八個行政區(qū)，研究面積約為850km2。

1.2研究數(shù)據(jù)

1.2.1數(shù)據(jù)獲取

考慮到百度地圖在街景覆蓋率、時效性、圖片質(zhì)量等方面的優(yōu)勢，本文選擇以百度地圖API提供的街景圖服務(wù)為基礎(chǔ)，展開數(shù)據(jù)收集的工作。根據(jù)百度服務(wù)文檔，以取得最佳街景視角為原則，確定獲取街景圖所需的長度、寬度、坐標(biāo)、坐標(biāo)類型等參數(shù)。為保證圖片的質(zhì)量，本文獲取的街景圖片長度和寬度均取最大值;垂直視角取0°，水平方向范圍取180°，這既保證了最佳視覺范圍，也避免了圖片失真問題;在GPS坐標(biāo)系下，計算求得每個采樣點的坐標(biāo)位置和道路方位角。

本文獲取的街道總長度約2496km，以100m為間隔進(jìn)行取樣，最終收集到23083個有效的采樣圖片。

1.2.2數(shù)據(jù)分類

對街道類別的精細(xì)化研究，有著重要的意義，比如分析街道功能對人們?nèi)粘；顒拥挠绊?，比如根?jù)街道使用功能，有針對性的量化街道空間品質(zhì)。街道分類需結(jié)合街道包含的要素、主要使用場景，以及地理位置附近的用地特征等因素，并結(jié)合城市特有屬性?！杜f金山美好街道設(shè)計》基于以上原則，將舊金山的街道分為商業(yè)性街道、居住性街道、產(chǎn)業(yè)型街道、混合用地街道和特殊街道。類似的，《上海市街道設(shè)計導(dǎo)則》[3]則綜合考慮了沿街活動、街道空間景觀特征和交通功能等因素，將街道劃分為商業(yè)街道、生活服務(wù)街道、景觀休閑街道、交通性街道與綜合性街道這五大類型。

本文觀察獲取的所有街景圖片，結(jié)合場景要素，及其地理位置附近的用地特征，并參考舊金山和上海的街道設(shè)計案例，最終將所有街景圖按照街道的使用功能分為了交通型街道、商業(yè)型街道、生活服務(wù)類街道、景觀休閑類街道等12個類別。經(jīng)統(tǒng)計，生活服務(wù)類的街道數(shù)量最多，比例為37.18%，其次是交通性街道和小區(qū)內(nèi)部街道，比例分別為23.45%和12.81%。

2研究方法

本文將分別通過傳統(tǒng)圖片分類和卷積神經(jīng)網(wǎng)絡(luò)這兩種方法對街景圖反映的街道功能進(jìn)行分類。對于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，本文首先通過語義分割模型，將街景數(shù)據(jù)從圖片像素級的二維數(shù)據(jù)轉(zhuǎn)換為構(gòu)成要素級的一維數(shù)據(jù)，然后將不同要素作為變量，構(gòu)建不同分類算法，并比較分類結(jié)果。對于卷積神經(jīng)網(wǎng)絡(luò)算法，本文首先搭建卷積神經(jīng)網(wǎng)絡(luò)框架，并不斷訓(xùn)練優(yōu)化，最終建立了在訓(xùn)練集和驗證集上均表現(xiàn)良好的網(wǎng)絡(luò)結(jié)構(gòu)。

2.1傳統(tǒng)機(jī)器學(xué)習(xí)

2.1.1語義分割

語義圖像分割是一種圖像識別任務(wù)，目的是為圖像中的每個像素點指定一個語義標(biāo)簽，如道路、人行道、建筑物等。DeepLab是谷歌開源的用于圖像語義分割的一系列深度學(xué)習(xí)模型，目前來說，DeepLabv3已有較高的準(zhǔn)確度。本文采用預(yù)訓(xùn)練好的DeepLabv3模型對獲取的街景圖進(jìn)行語義分割，并統(tǒng)計每種街景構(gòu)成要素的語義標(biāo)簽數(shù)量，最后計算街景圖構(gòu)成要素的面積占比。

由語義分割的統(tǒng)計結(jié)果可知，不同的街道類型對應(yīng)的構(gòu)成要素占比均有所不同。例如，對于交通性的街道，天空的比例是最高的（均值約42%）;對于商業(yè)性質(zhì)的街道，建筑的構(gòu)成比例最高（40%左右）;而對于景觀性質(zhì)的街道，植被和天空的占比相對較高，分別為61%和21%。

2.1.2分類器搭建

根據(jù)語義分割的結(jié)果，求得每張圖片要素的面積占比，包括道路、人行道、建筑等共計19類構(gòu)成要素，將其作為自變量。將圖片對應(yīng)的街道類別，包括交通性街道、商業(yè)街道、生活服務(wù)街道等共計12類街道類型，作為因變量。調(diào)用基于Python編程語言的scikit-learn機(jī)器學(xué)習(xí)模塊，構(gòu)建五種常見的分類器，分別是邏輯回歸、K-近鄰、支持向量機(jī)、隨機(jī)森林、梯度提升樹。

對于每種分類器，均按照每類樣本的比例，按8：2的比例隨機(jī)抽取訓(xùn)練集和測試集。對于訓(xùn)練集，使用交叉驗證的方法，驗證次數(shù)取10次，得到訓(xùn)練模型的評價準(zhǔn)確度;對于測試集，將擬合好的模型用于測試，生成精確率、召回率和F1值等評價指標(biāo)。詳細(xì)的分類結(jié)果見實驗結(jié)果一節(jié)。

2.2卷積神經(jīng)網(wǎng)絡(luò)

2.2.1網(wǎng)絡(luò)搭建

本文搭建的用于街道功能分類的卷積神經(jīng)網(wǎng)絡(luò)包括三個卷積層，每個卷積層后面分別連接一個池化層，最后通過全連接層與分類器進(jìn)行連接，得到分類結(jié)果（圖1）。

2.2.2模型訓(xùn)練

本實驗將樣本按7：3的比例劃分為訓(xùn)練集和測試集，在測試集上的平均準(zhǔn)確率為96%，對于每種類別的街道類型，精確率均達(dá)到90%以上。在測試集上進(jìn)行模型測試，測試結(jié)果詳見實驗結(jié)果一節(jié)。

3實驗結(jié)果

對于傳統(tǒng)分類方法，由交叉驗證的結(jié)果可知，五種分類器的平均準(zhǔn)確率均在六成左右。就單個類型的精準(zhǔn)率而言，五種分類器對于隧道類街道的識別能力是最強的，其中，邏輯回歸方法的精確率（98%）最高。此外，邏輯回歸方法對于景觀休閑類和B類商業(yè)街道的識別能力也非常好，精確率分別為91%和91%。對于交通性街道、生活服務(wù)型街道和小區(qū)內(nèi)部街道，五種分類器的水平相差不大，保持在50%到66%之間。

就卷積神經(jīng)網(wǎng)絡(luò)在測試集上的表現(xiàn)來看，該網(wǎng)絡(luò)對隧道類的分類能力最強，精確率為96%，經(jīng)分析，主要原因是該類別的場景要素較為簡單，相比于傳統(tǒng)分類方法，卷積神經(jīng)網(wǎng)絡(luò)能更好的進(jìn)行特征提取;其次為交通性街道，精確率接近70%;對于B類商業(yè)街道、生活服務(wù)類街道、小區(qū)內(nèi)部街道和景觀休閑類街道而言，精確率在60%左右;對于其余街道類型，如偏遠(yuǎn)鄉(xiāng)鎮(zhèn)街道、建設(shè)中的街道、工業(yè)產(chǎn)業(yè)類街道等，該網(wǎng)絡(luò)的分類表現(xiàn)欠佳。

綜上所述，兩種分類方法在幾種特定的街道類型上均有不錯的表現(xiàn)，精確率均在90%以上。而且卷積神經(jīng)網(wǎng)絡(luò)分類方法要略優(yōu)于傳統(tǒng)分類方法，主要原因是卷積神經(jīng)網(wǎng)絡(luò)對于場景要素相對單一的街道類型（如交通性街道、景觀休閑類街道等）有更強的特征提取能力。對于場景要素較復(fù)雜的街道類型，兩種方法的分類能力有所下降。經(jīng)分析，生活性街道、小區(qū)內(nèi)部街道和休閑景觀街道這三種類型的街道之間具有一定的相似性，而且場景要素比較復(fù)雜多變，這極大的減弱了模型的分類能力，導(dǎo)致分類表現(xiàn)一般。

4結(jié)語

本文嘗試從街道功能的視角對重慶市主城區(qū)的街景圖進(jìn)行研究，具有一定的前瞻性和開創(chuàng)性。通過對重慶市主城區(qū)街道的功能劃分，本文利用深度學(xué)習(xí)技術(shù)建立了可行的街道類型的分類方法，并驗證了可行性。通過街道分類結(jié)果，城市規(guī)劃者可以更有針對性地量化街道空間特征，改善街道空間品質(zhì)。然而，本文提出分類器在復(fù)雜場景和樣本不均的情況下的分類能力有待進(jìn)一步改進(jìn)。

綜上所述，本文通過深度學(xué)習(xí)的方法對街道功能進(jìn)行分類，把城市街道研究與新技術(shù)相結(jié)合，量化街景要素，定義街道功能。本文的研究方法有助于利用計算機(jī)提取人無法概括的街道特征，從而幫助道路交通設(shè)計者更好的理解街道，為城市規(guī)劃者提供更有效的街道品質(zhì)提升方案，輔助科學(xué)決策。

參考文獻(xiàn)

[1] 龍瀛，周垠.圖片城市主義：人本尺度城市形態(tài)研究的新思路[J].規(guī)劃師，2017，33（02）：54-60.

[2] 楊俊宴，吳浩，鄭屹.基于多源大數(shù)據(jù)的城市街道可步行性空間特征及優(yōu)化策略研究——以南京市中心城區(qū)為例[J].國際城市規(guī)劃，2019，34（05）：33-42.

[3] 上海市規(guī)劃和國土資源管理局，上海市交通委員會，上海市城市規(guī)劃設(shè)計研究院主編.上海市街道設(shè)計導(dǎo)則[M].上海：同濟(jì)大學(xué)出版社，2016.