蔣金亮 高湛 徐云翼 陳軍

隨著城市居民對(duì)日常休閑健身活動(dòng)和空間的需求提升，承載生態(tài)、休閑、文化功能的城市綠道日益成為健康導(dǎo)向下城市建設(shè)的現(xiàn)實(shí)需求。綠道作為線性的景觀廊道，能夠?yàn)槿藗兲峁┬蓍e、游憩空間，保護(hù)景觀連續(xù)性，提供動(dòng)植物棲息場(chǎng)所，兼具游憩、教育、歷史資源及生態(tài)保護(hù)等功能[1-2]。作為城市化地區(qū)生態(tài)修復(fù)的嘗試，綠道建設(shè)需兼顧生態(tài)保護(hù)與綠地可實(shí)用性，可以滿足市民日益增長(zhǎng)的優(yōu)美生態(tài)環(huán)境需要，有效助推城市高質(zhì)量發(fā)展[3]。國(guó)外綠道建設(shè)除考慮人為使用外，更多凸顯生態(tài)功能，而綠道在國(guó)內(nèi)以提供交通、游憩功能為主，服務(wù)于具體使用者[4]。因此，通過科學(xué)的綠道選線規(guī)劃進(jìn)而建設(shè)高質(zhì)量的城市綠道系統(tǒng)，對(duì)于提升城市生態(tài)環(huán)境效益，滿足人民群眾游憩、健康等需求，具有重要現(xiàn)實(shí)意義。隨著綠道建設(shè)的探索與實(shí)踐，區(qū)域尺度的綠道系統(tǒng)規(guī)劃方法相對(duì)成熟和完善，而中心城區(qū)綠道系統(tǒng)研究則處于探索階段[5-6]。相較于區(qū)域綠道建設(shè)，中心城區(qū)人口相對(duì)聚集，建設(shè)用地制約明顯，矛盾也相對(duì)突出，其綠道建設(shè)更要能滿足居民日常使用需求，以提高城市活力和環(huán)境質(zhì)量。

結(jié)合當(dāng)前中心城區(qū)綠道選線和規(guī)劃現(xiàn)狀，本研究梳理當(dāng)前綠道選線研究方法，以經(jīng)典設(shè)計(jì)理論作為支撐，收集多源城市大數(shù)據(jù)，借助機(jī)器學(xué)習(xí)、人工智能算法，提出綠道選線分析框架。以宿遷市中心城區(qū)作為綠道選線案例地，本研究整合基礎(chǔ)地理、POI（Point of Interest）、手機(jī)信令、街景、土地利用等多源數(shù)據(jù)，分析居民真實(shí)出行特征，多因子綜合分析居民運(yùn)動(dòng)軌跡的真實(shí)傾向，進(jìn)而模擬居民出行行為，提出中心城區(qū)綠道選線方法，提取潛在綠道網(wǎng)絡(luò)，形成綠道選線規(guī)劃方案。

1 綠道選線相關(guān)研究進(jìn)展

1.1 研究進(jìn)展

奧姆斯特德（F.L.Olmsted）在波士頓城市公園規(guī)劃中提出的“parkway”成為美國(guó)綠道萌芽，“翡翠項(xiàng)鏈”式公園系統(tǒng)成為國(guó)際公認(rèn)第一條綠道[1]。20世紀(jì)90年代Little[7]指出，綠道是沿著自然廊道、交通線路或其他線路的線性開放空間，是為慢行系統(tǒng)設(shè)立的自然或景觀道，連接公園、自然保護(hù)區(qū)、文化景觀或歷史遺跡之間及其聚落的開放空間，包括其局部的公園道或綠帶。目前綠道按功能主要分為3個(gè)類別： 1）具有重要生態(tài)意義的走廊和自然系統(tǒng)的綠道； 2）靠近水和風(fēng)景的休閑綠道； 3）具有歷史遺產(chǎn)和文化的綠道[8]。21世紀(jì)初，綠道理念被引入中國(guó)，并在浙江、廣東、北京等地開展了相關(guān)規(guī)劃研究和建設(shè)實(shí)踐[9-11]。

根據(jù)空間分布類型，綠道主要分為區(qū)域、城市和社區(qū)綠道3類，在實(shí)踐中也可在城市和社區(qū)綠道間增加城區(qū)綠道[6]。本研究的中心城區(qū)綠道屬于城區(qū)綠道，主要考慮城市環(huán)境內(nèi)部，在供給端連接高級(jí)別的城市資源點(diǎn)（如區(qū)域性公園等），在需求端優(yōu)先連接大型居住區(qū)等設(shè)施，空間載體為城市道路、河道水系及沿線線性綠地[6]。與區(qū)域綠道相比，中心城區(qū)綠道通常是慢行系統(tǒng)的重要載體[12]，居民日常使用頻率更高，對(duì)其需求也更高，可作為公共空間來激活片區(qū)，且中心城區(qū)綠道布局與空間環(huán)境緊密關(guān)聯(lián)，受到空間制約，需要考慮的因素更多。

如何通過綠道系統(tǒng)的優(yōu)化構(gòu)建和慢行空間的提升打造，融合城市空間與生態(tài)空間，成為綠道系統(tǒng)規(guī)劃面臨的重要課題，因此國(guó)內(nèi)外學(xué)者進(jìn)行了大量實(shí)踐探索。早期綠道研究主要集中在區(qū)域尺度的綠道系統(tǒng)，學(xué)者利用GIS路徑分析方法，采用引力模型、成本距離模型等方法進(jìn)行綠道選線。如羅坤[1]結(jié)合徐匯區(qū)實(shí)際情況，借助成本距離模型評(píng)估區(qū)域內(nèi)任意點(diǎn)到公共綠地、歷史文化等設(shè)施的成本距離，判斷綠道選線的可達(dá)性，進(jìn)行綠道選線綜合適宜性評(píng)估；周盼等[13]運(yùn)用最小累積阻力模型和多因子疊加法，對(duì)綠道遺產(chǎn)保護(hù)、游憩可達(dá)性和生態(tài)保護(hù)進(jìn)行適宜性分析，確定綠道選線；徐希等[14]從生態(tài)安全格局、資源分布和設(shè)施支撐對(duì)綠道選線進(jìn)行綜合評(píng)價(jià)，人工修正后確定綠道選線。不同于區(qū)域尺度綠道選線，在城區(qū)尺度，學(xué)者以承載綠道的線性空間作為評(píng)價(jià)對(duì)象，分析道路的綠道建設(shè)適宜性，從而進(jìn)行綠道綜合選線。如李敏稚等[2]提出適宜性指標(biāo)體系框架，運(yùn)用成本連通性和成本距離工具進(jìn)行分析和修正，構(gòu)建廣州歷史城區(qū)綠道規(guī)劃網(wǎng)絡(luò)。王春曉等[15]考慮綠道適宜性影響因子，建立多源數(shù)據(jù)融合的綠道適宜性評(píng)價(jià)模型，提出城鎮(zhèn)型綠道評(píng)價(jià)方法。

隨著信息技術(shù)的更迭，大數(shù)據(jù)和機(jī)器學(xué)習(xí)等新技術(shù)為綠道研究提供了新的數(shù)據(jù)來源和分析方法。由于居民慢行活動(dòng)數(shù)據(jù)能精準(zhǔn)量化人對(duì)空間的實(shí)際使用，被廣泛納入綠道研究，時(shí)空行為分析、深度學(xué)習(xí)等方法被逐漸用在線路規(guī)劃中。如徐欣等[16]借助GPS軌跡及圖片數(shù)據(jù)，利用數(shù)據(jù)空間網(wǎng)格化、近鄰分析等方法研究游客時(shí)空行為特征，為景區(qū)線路規(guī)劃提供建議；葉宇等[17]、Tang等[18]采用層次分析法計(jì)算道路各因素權(quán)重，對(duì)綠道適宜性進(jìn)行總體評(píng)分，提出綠道選線方案，并采用機(jī)器學(xué)習(xí)方法評(píng)價(jià)街道空間品質(zhì)，提高綠道選線科學(xué)性；陳希希等[5]結(jié)合共享單車大數(shù)據(jù)，分析自行車高頻使用空間，結(jié)合綠地價(jià)值和潛力分析，探索城市型自行車綠道選線方法，將高頻使用的騎行空間和綠地空間納入綠道體系。

1.2 研究述評(píng)

目前，國(guó)內(nèi)外對(duì)于綠道選線規(guī)劃的相關(guān)理論和實(shí)踐研究較為豐富，先進(jìn)理論和方法被引入綠道規(guī)劃中。但當(dāng)前綠道系統(tǒng)規(guī)劃更多采用自上而下的分析視角，借助物理空間靜態(tài)指標(biāo)進(jìn)行綜合評(píng)估，聚焦于空間路徑模型或綠道載體評(píng)價(jià)，在分析中較少考慮自下而上的人本視角和時(shí)空間行為分析方法，缺乏對(duì)居民在綠道中的行為方式研究，在方法上對(duì)于機(jī)器學(xué)習(xí)的應(yīng)用仍然處于探索階段。因此，在多學(xué)科、多技術(shù)融合的背景下，本研究擬采集居民活動(dòng)數(shù)據(jù)，通過時(shí)空間行為分析、機(jī)器學(xué)習(xí)等方法綜合分析居民的真實(shí)出行傾向，剖析居民真實(shí)軌跡的相關(guān)指標(biāo)變化規(guī)律，進(jìn)而模擬居民出行行為并提出綠道選線方案，嘗試提出一種中心城區(qū)綠道智能選線方法，推動(dòng)綠道選線規(guī)劃方法更新。

2 研究設(shè)計(jì)

本研究以5D理論作為依托，以時(shí)空行為分析方法作為支撐，采用LSTM（long short term memory）神經(jīng)網(wǎng)絡(luò)方法對(duì)居民運(yùn)動(dòng)軌跡的指標(biāo)變化規(guī)律進(jìn)行模擬學(xué)習(xí)，預(yù)測(cè)居民在綠道中的行進(jìn)規(guī)律。

2.1 5D設(shè)計(jì)理論及指標(biāo)選取

隨著空間品質(zhì)成為城市設(shè)計(jì)重要目標(biāo)，研究者嘗試引入量化分析方法對(duì)其進(jìn)行測(cè)度[19]。Ewing[20]在1997年提出3D模型，包括密度（density）、用地多樣性（diversity）和設(shè)計(jì)（design），用以分析城市環(huán)境品質(zhì)對(duì)交通行為影響。Cervero等[21]進(jìn)一步增加目的地可達(dá)性（destination accessibility）與交通距離（distance to transit）兩個(gè)變量，提出5D理論，用以量化城市環(huán)境品質(zhì)。5D理論被廣泛應(yīng)用于城市建成環(huán)境品質(zhì)測(cè)度，為高密度建成環(huán)境綠道規(guī)劃和研究提供分析理論：一方面，已有研究借助5D理論測(cè)度綠道可建設(shè)性指標(biāo)，開展綠道選線潛力評(píng)估[17-18]；另一方面，研究者以5D理論作為評(píng)判綠道建成環(huán)境特征指標(biāo)的理論基礎(chǔ)，分析綠道建成環(huán)境對(duì)綠道中活動(dòng)及活動(dòng)多樣性的影響[22-23]。

通過對(duì)國(guó)內(nèi)外相關(guān)研究進(jìn)行檢索和綜述，綜合考慮既有研究的綠道選線評(píng)價(jià)指標(biāo)體系（表1），本研究構(gòu)建基于5D理論的綠道分析的指標(biāo)體系，共包含人口密度、POI設(shè)施密度、POI設(shè)施混合度等共10個(gè)綠道體系測(cè)度指標(biāo)，可歸納為密度、多樣性、設(shè)計(jì)、目的地可達(dá)性、交通距離5類綠道體系測(cè)度類型。

表1 綠道選線評(píng)價(jià)指標(biāo)體系[1,2,14,17,22,24]Tab.1 Evaluation index system of greenway route selection indicators[1,2,14,17,22,24]

2.2 技術(shù)路線

本研究依據(jù)研究問題和理論確定了綠道智能選線技術(shù)路線（圖1）。首先，收集手機(jī)信令、運(yùn)動(dòng)軌跡、街景、道路網(wǎng)絡(luò)等數(shù)據(jù)構(gòu)建現(xiàn)狀數(shù)據(jù)庫；其次，結(jié)合GIS、時(shí)空間行為分析、機(jī)器學(xué)習(xí)等方法，提取所有道路5個(gè)維度共計(jì)10個(gè)指標(biāo)；再次，提取運(yùn)動(dòng)軌跡所經(jīng)過的道路及次序信息，將相應(yīng)的各道路互通關(guān)系轉(zhuǎn)換為人工智能框架能夠識(shí)別的Networkx庫格式，采用LSTM神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得到運(yùn)動(dòng)軌跡不同指標(biāo)變化規(guī)律，將真實(shí)軌跡起點(diǎn)和終點(diǎn)輸入人工智能體框架，采用類A*算法模擬得到運(yùn)動(dòng)軌跡并與真實(shí)運(yùn)動(dòng)軌跡進(jìn)行驗(yàn)證對(duì)比；最后，提取綠道選線的起始點(diǎn)和終點(diǎn)，將其輸入到訓(xùn)練的人工智能框架，得到模擬的居民出行線路，識(shí)別出高頻次出行線路作為綠道選線規(guī)劃的依據(jù)，最終形成綠道規(guī)劃方案。

圖1 綠道智能選線技術(shù)路線圖Technology roadmap of intelligent greenway route selection

3 研究方法與數(shù)據(jù)

3.1 研究方法

3.1.1 研究對(duì)象

宿遷位于江蘇省北部，是全省最年輕的城市，近年來創(chuàng)建國(guó)家生態(tài)園林城市，堅(jiān)持生態(tài)立市發(fā)展戰(zhàn)略，全面推進(jìn)國(guó)家森林城市建設(shè)。考慮到宿遷生態(tài)本底良好，地勢(shì)平坦，且中心城區(qū)尺度大小合適、綠道建設(shè)條件較好，因此本研究選擇宿遷中心城區(qū)為研究對(duì)象。宿遷中心城區(qū)總面積約359.32 km2，是宿遷城市的核心載體，也是全市的政治、經(jīng)濟(jì)、文化、交通、金融中心。

3.1.2 時(shí)空間行為分析方法

20世紀(jì)60年代中后期，強(qiáng)調(diào)個(gè)體和微觀時(shí)空過程的時(shí)間地理學(xué)、行為主義開始發(fā)展，奠定了時(shí)空間行為研究的理論基礎(chǔ)[25]。時(shí)間地理學(xué)將時(shí)間和空間在微觀個(gè)體層面相結(jié)合，通過時(shí)空棱柱、時(shí)空路徑等概念及符號(hào)系統(tǒng)構(gòu)建理論框架[26]，其核心思想是滿足個(gè)人需求的活動(dòng)和事件具有時(shí)間維和空間維[27]。目前，居民的時(shí)空間行為研究正在逐漸從傳統(tǒng)問卷調(diào)查或訪談方法轉(zhuǎn)變?yōu)槔肎PS、移動(dòng)互聯(lián)網(wǎng)等新技術(shù)手段獲取研究數(shù)據(jù)，呈現(xiàn)出研究方法科學(xué)化、研究對(duì)象個(gè)體化、研究主題應(yīng)用化等趨勢(shì)[28]。

3.1.3 LSTM神經(jīng)網(wǎng)絡(luò)模擬方法

本研究擬采用機(jī)器學(xué)習(xí)中深度學(xué)習(xí)的方式，根據(jù)居民的運(yùn)動(dòng)軌跡尋找出道路各指標(biāo)的變化規(guī)律。常用方法模型是深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，這是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(diǎn)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)[29]。但循環(huán)神經(jīng)網(wǎng)絡(luò)僅能夠記憶軌跡中短期的指標(biāo)變化規(guī)律，并不適用長(zhǎng)期記憶，因運(yùn)動(dòng)軌跡較為密集，需要長(zhǎng)時(shí)記憶，故本研究使用LSTM神經(jīng)網(wǎng)絡(luò)，以解決長(zhǎng)時(shí)依賴問題[29]。LSTM神經(jīng)網(wǎng)絡(luò)通過對(duì)規(guī)律的長(zhǎng)期記憶，最終輸出變化規(guī)律。

LSTM神經(jīng)網(wǎng)絡(luò)每一個(gè)循環(huán)單元有一個(gè)額外的記憶狀態(tài)ct和若干控制信息流的門，包括輸入門、記憶門、遺忘門和輸出門，可以對(duì)長(zhǎng)時(shí)間跨度的信息進(jìn)行閾值篩選并選擇性記憶。LSTM神經(jīng)網(wǎng)絡(luò)計(jì)算式如下[30]：

式中：htt為隱含狀態(tài)，xt為 時(shí)刻的輸入，ftft、it、ot、ct分別為 時(shí)刻的遺忘門、輸入門、輸出門和記憶狀態(tài)向量。c??tt為記憶更新向量；σ（·）表示Sigmoid函數(shù)， t anh（·）為雙曲余弦函數(shù)；W、U表示權(quán)重矩陣；b表示偏置向量；⊙表示向量標(biāo)量積，yt為t時(shí)刻的輸出。

本研究在LSTM神經(jīng)網(wǎng)絡(luò)中輸入不同滯時(shí)的序列（即不同道路指標(biāo)值序列），通過輸入門、遺忘門和輸出門調(diào)整循環(huán)單元的記憶狀態(tài)向量與隱含狀態(tài)向量，進(jìn)而實(shí)現(xiàn)長(zhǎng)短期記憶及序列預(yù)測(cè)。為使LSTM神經(jīng)網(wǎng)絡(luò)發(fā)揮有效學(xué)習(xí)能力，可通過循環(huán)單元中的記憶狀態(tài)向量ct，借助閾值設(shè)置與前序列單元的傳遞，將前序輸入信息有選擇性地長(zhǎng)期保留，而遺忘門則控制前一時(shí)刻的記憶狀態(tài)向量ct-1中哪些元素會(huì)被遺忘。LSTM神經(jīng)網(wǎng)絡(luò)中記憶狀態(tài)向量和隱含狀態(tài)向量的長(zhǎng)度可以指定，且多個(gè)LSTM網(wǎng)絡(luò)層可以相互疊置，需按照輸出的格式在最后時(shí)刻添加相應(yīng)的密集層（也稱全連接層，圖2）。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖[30]Structural schematic diagram of LSTM neural network[30]

LSTM神經(jīng)網(wǎng)絡(luò)的具體設(shè)置參數(shù)必須在預(yù)先設(shè)計(jì)好之后，通過一定次數(shù)的測(cè)試和訓(xùn)練才能夠得到最適合的值。

3.1.4 類A*算法路徑模擬

本研究的人工智能框架指的是能夠?qū)⑿枨笫褂迷谝鸭虞d了智能體及相關(guān)算法的結(jié)構(gòu)中，只需輸入起終點(diǎn)即可自動(dòng)運(yùn)行相關(guān)算法進(jìn)行最優(yōu)化路徑選擇。A*算法是啟發(fā)式搜索算法之一，被廣泛應(yīng)用于路徑優(yōu)化領(lǐng)域，通常用于計(jì)算最短路徑，是路徑疊加計(jì)算的最小值。它的獨(dú)特之處是在檢查最短路徑中每個(gè)可能的節(jié)點(diǎn)時(shí)可引入全局信息，對(duì)當(dāng)前節(jié)點(diǎn)距終點(diǎn)的距離做出估計(jì)，并作為評(píng)價(jià)該節(jié)點(diǎn)處于最短路線上的可能性的量度。本研究采用改進(jìn)的類A*算法，計(jì)算利用變化規(guī)律預(yù)測(cè)出的值與實(shí)際值之間的Pearson相關(guān)系數(shù)，并利用相關(guān)系數(shù)反算出離散系數(shù)，加權(quán)求和的最小值即為與預(yù)測(cè)最佳值相差最小的最優(yōu)路徑。

3.2 數(shù)據(jù)收集與處理

本研究數(shù)據(jù)主要來源于土地利用數(shù)據(jù)、運(yùn)營(yíng)商數(shù)據(jù)、網(wǎng)絡(luò)公開數(shù)據(jù)等渠道，包含用地、道路、設(shè)施、街景圖片、手機(jī)信令等數(shù)據(jù)類型。其中用戶運(yùn)動(dòng)數(shù)據(jù)來源于六只腳運(yùn)動(dòng)軌跡網(wǎng)站（www.foooooot.com），提取研究范圍內(nèi)慢行活動(dòng)的GPS出行軌跡，按照時(shí)間順序生成軌跡；道路數(shù)據(jù)、POI數(shù)據(jù)來源網(wǎng)絡(luò)地圖API（Application programming interface），利用GIS軟件形成矢量數(shù)據(jù)，并基于分類字段及城區(qū)公共服務(wù)設(shè)施名錄對(duì)獲取到的POI數(shù)據(jù)進(jìn)行篩選，按照商業(yè)設(shè)施、公共服務(wù)設(shè)施、風(fēng)景名勝等進(jìn)行重分類；手機(jī)信令數(shù)據(jù)來源于通信運(yùn)營(yíng)商，將手機(jī)信令數(shù)據(jù)聚合到網(wǎng)格中；街景圖片數(shù)據(jù)來源于網(wǎng)絡(luò)地圖API，以矢量路網(wǎng)為底圖，每隔50 m設(shè)置一個(gè)街景采集點(diǎn)，采集沿路方向和垂直道路方向共4張街景圖片；用地?cái)?shù)據(jù)來源于第三次全國(guó)土地調(diào)查的結(jié)果，包含耕地、種植園用地、林地、草地等多種地類分布情況；自然生態(tài)、休閑游憩、歷史文化等資源名錄來源于調(diào)查數(shù)據(jù)，通過地址解析進(jìn)行空間落位。

數(shù)據(jù)收集、清洗、存儲(chǔ)后，通過指標(biāo)計(jì)算形成綠道體系測(cè)度指標(biāo)（表2），再將其與道路進(jìn)行空間鏈接，得到各指標(biāo)空間分布圖。

表2 綠道體系測(cè)度指標(biāo)Tab.2 Measurement indicators of greenway system

4 綠道選線分析結(jié)果

4.1 居民綠道活動(dòng)特征

將采集到的居民運(yùn)動(dòng)軌跡進(jìn)行空間可視化表達(dá)（圖3），可看出慢行軌跡基本覆蓋到中心城區(qū)全部路網(wǎng)。軌跡熱度較高的道路主要集中在宿豫區(qū)和宿城區(qū)中心區(qū)域，外圍郊區(qū)和鄉(xiāng)鎮(zhèn)的道路軌跡熱度相對(duì)較低。中心城區(qū)大型公園附近慢行軌跡熱度尤為集中，如古黃河濕地公園周邊的八一路、駱馬湖路。中心城區(qū)北側(cè)的湖濱公園、三臺(tái)山森林公園周邊道路也呈現(xiàn)較高的慢行熱度，是居民運(yùn)動(dòng)較多的線路。

從慢行軌跡起點(diǎn)及終點(diǎn)核密度來看，起點(diǎn)核密度主要集中在宿城區(qū)古城，特別是人民廣場(chǎng)、市政府、古黃河兩岸等地，這些區(qū)域人口分布較為密集，以居住人口集聚為主。慢行軌跡終點(diǎn)核密度則更為集中，主要沿著古黃河濕地公園南側(cè)分布，表明古黃河濕地公園人流集聚量較大，成為熱門慢行目的地（圖4）。

圖4 慢行軌跡起點(diǎn)（左）和終點(diǎn)（右）核密度Nucleus density at the starting point (left) and ending point (right) of slow motion trajectory

4.2 綠道選線模型訓(xùn)練及路徑模擬

4.2.1 機(jī)器學(xué)習(xí)模擬及驗(yàn)證

按照拓?fù)鋵W(xué)原理，將所有道路抽象為節(jié)點(diǎn)，節(jié)點(diǎn)與節(jié)點(diǎn)之間的關(guān)系抽象為聯(lián)系，道路指標(biāo)與路網(wǎng)對(duì)應(yīng)形成附指標(biāo)的路網(wǎng)，并將其簡(jiǎn)化為拓?fù)渎肪W(wǎng)（圖5）。將道路抽象成拓?fù)潼c(diǎn)，按照行列排布形成拓?fù)渚W(wǎng)絡(luò)，用S作為代號(hào)，在代號(hào)之后加上行列的后綴作為拓?fù)潼c(diǎn)代號(hào)，如“S_08_09”表示第八列第九行道路拓?fù)潼c(diǎn)。

圖5 拓?fù)渎肪W(wǎng)局部示意圖Partial schematic diagram of topological road network

經(jīng)過數(shù)次測(cè)試之后，本研究設(shè)置LSTM神經(jīng)網(wǎng)絡(luò)時(shí)間步長(zhǎng)記錄為3，隱藏層為4，迭代輪次為5，其計(jì)算效果最佳。將已根據(jù)運(yùn)動(dòng)軌跡道路順序生成的指標(biāo)變化表數(shù)據(jù)輸入設(shè)置好的LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將變化規(guī)律結(jié)果導(dǎo)出，作為后續(xù)人工智能的智能體運(yùn)行規(guī)則?？紤]到道路不同維度變量的多重影響，本研究的LSTM神經(jīng)網(wǎng)絡(luò)模型采用單變量輸入，避免多變量輸入對(duì)模型精度的影響。LSTM神經(jīng)網(wǎng)絡(luò)模型在輸入門即道路的相關(guān)指標(biāo)向量中，與記憶狀態(tài)向量相連，在序列輸入中通過記憶狀態(tài)向量與隱含狀態(tài)向量在遺忘門中決定是否對(duì)該條軌跡進(jìn)行記憶，最終通過輸出門輸出各變量的記憶模型。隨機(jī)選擇運(yùn)動(dòng)軌跡的70%作為訓(xùn)練集，30%作為測(cè)試集，測(cè)試結(jié)果中綠色是測(cè)試部分，紅色為利用已生成模型對(duì)規(guī)律進(jìn)行驗(yàn)證（圖6）。

各個(gè)指標(biāo)在整體范圍內(nèi)的均方根誤差均較小，擬合度基本都高于80%，平均損失也很小，可認(rèn)為輸出的各模型相對(duì)精準(zhǔn)，可輸入人工智能模型進(jìn)行下一步運(yùn)算。其中，因?yàn)椴煌悇ePOI設(shè)施在不同片區(qū)空間分布差異太大，POI設(shè)施混合度指標(biāo)誤差較大，在分析中予以剔除。

4.2.2 綠道路徑模擬及驗(yàn)證

將LSTM神經(jīng)網(wǎng)絡(luò)輸出的變化規(guī)律加載至人工智能框架中的智能體中，輸入真實(shí)運(yùn)動(dòng)軌跡的起終點(diǎn)，使智能體按照指標(biāo)變化規(guī)律模擬生成軌跡（圖7）。其中，輸出軌跡與訓(xùn)練集的起終點(diǎn)相關(guān)，在道路指標(biāo)變化規(guī)律已得到驗(yàn)證的基礎(chǔ)上，本研究進(jìn)一步對(duì)模擬軌跡的合理性進(jìn)行驗(yàn)證，確保人工智能框架的輸出結(jié)果具有魯棒性。

圖7 預(yù)測(cè)軌跡特征Predicted trajectory characteristics

本研究計(jì)算每一條軌跡真實(shí)熱度和預(yù)測(cè)熱度值，其中每一條軌跡的熱度值為每一段道路通過次數(shù)之和，并分析真實(shí)值和預(yù)測(cè)值二者相關(guān)性。通過測(cè)算，真實(shí)軌跡熱度和預(yù)測(cè)軌跡熱度相關(guān)系數(shù)為0.82，可以認(rèn)為預(yù)測(cè)軌跡與真實(shí)軌跡較為接近，整體模型具有較大可信度（圖8）。

圖8 軌跡熱度驗(yàn)證Trajectory heat verification

4.2.3 出行路徑模擬

將指標(biāo)變化規(guī)律和拓?fù)渎肪W(wǎng)輸入人工智能框架，以所有居民小區(qū)中心為起點(diǎn)，大型公園綠地入口作為終點(diǎn)。其中公園綠地包括虞姬公園、雪楓公園、古黃河風(fēng)光帶、馬陵公園等，整體上呈現(xiàn)均勻分布，平均面積為

72.67 hm2。

將人工智能框架內(nèi)預(yù)置的智能體在拓?fù)渎肪W(wǎng)中根據(jù)指標(biāo)變化規(guī)律模擬軌跡運(yùn)行，最終輸出路線模擬后的運(yùn)動(dòng)軌跡，對(duì)軌跡做熱度統(tǒng)計(jì)處理，得到基于人工智能的綠道選線基礎(chǔ)（圖9）。根據(jù)熱度分析結(jié)果，可看出湖濱大道、項(xiàng)王路、金沙江路、振興大道等路徑居民出行經(jīng)過頻次較高，適合串聯(lián)打造綠道系統(tǒng)。

圖9 模擬居民出行熱度Simulated resident travel heat

5 綠道選線規(guī)劃及指引

將上述模擬結(jié)果反饋到規(guī)劃分析中，構(gòu)建綠道體系規(guī)劃圖（圖10）。具體選線原則包括：1）以居民出行模擬分析結(jié)果為依據(jù)，提取頻次較高線路為綠道選線的基本依據(jù)；2）綠道選線應(yīng)盡可能串聯(lián)中心城區(qū)相關(guān)游憩資源，包括自然生態(tài)、休閑游憩、歷史文化等資源；3）盡可能避開阻礙綠道的空間，如高速公路、快速路等；4）考慮到中心城區(qū)水系密集的現(xiàn)狀，盡量串聯(lián)濱水空間。至此，研究完成了綠道選線從數(shù)據(jù)分析、模型訓(xùn)練、規(guī)律驗(yàn)證及路徑模擬的過程，提出綠道智能選線規(guī)劃方法，支撐中心城區(qū)綠道體系規(guī)劃研究。

圖10 綠道體系規(guī)劃圖Greenway system planning map

最終確定的綠道選線由東向西銜接了中運(yùn)河和古黃河兩條重要水系，串聯(lián)了三臺(tái)山森林公園、湖濱公園、項(xiàng)王故里、虞姬公園、雪楓公園、東關(guān)口歷史文化公園等資源點(diǎn)，同時(shí)結(jié)合了周邊公共空間、文旅空間，形成綠道與其他空間的融合（圖10）。綠道連接蔡集鎮(zhèn)、耿車鎮(zhèn)，與環(huán)湖大道、環(huán)駱馬湖、西楚大道、南京路及多條道路相連通，具備較好的游憩可達(dá)性。依據(jù)綠道智能選線方法確定的綠道選線布局，基本實(shí)現(xiàn)了智能化分析與空間布局效果的協(xié)調(diào)，達(dá)到了輔助規(guī)劃決策的預(yù)期目標(biāo)。

后續(xù)規(guī)劃通過綠道與公園綠地、公共開放空間的綜合分析，采取以“拓綠納新、慢行聯(lián)通”的提升策略，構(gòu)建功能更加全面的綠道體系，并進(jìn)一步加強(qiáng)與相關(guān)規(guī)劃、近期中心城區(qū)重點(diǎn)工程建設(shè)計(jì)劃等的銜接，梳理綠道建設(shè)、公園、休閑游憩項(xiàng)目等內(nèi)容，形成重點(diǎn)項(xiàng)目庫，整體推進(jìn)綠道規(guī)劃和建設(shè)。

6 結(jié)語

本研究整合多源數(shù)據(jù)，分析居民真實(shí)出行的時(shí)空特征，測(cè)度綠道選線的影響要素，構(gòu)建綠道選線的人工智能分析路線，提出一種中心城區(qū)綠道智能選線方法，即結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)、類A*算法等構(gòu)建綠道智能選線，進(jìn)而確定綠道選線布局的方法。該方法有別于傳統(tǒng)的基于指標(biāo)體系綜合評(píng)估的分析方法，從人本視角構(gòu)建人工智能分析框架，將居民真實(shí)活動(dòng)軌跡融入空間要素分析中，融合居民出行行為特征與街道環(huán)境要素，借助基于人工智能的量化評(píng)估方法，為綠道選線規(guī)劃和建設(shè)提供指導(dǎo)。

本研究提出的綠道選線規(guī)劃方法，需借助已有居民綠道活動(dòng)軌跡進(jìn)行規(guī)律分析，適用于中心城區(qū)特別是老城區(qū)綠道選線規(guī)劃，對(duì)于新區(qū)及大區(qū)域尺度的綠道分析方法，有待于未來進(jìn)一步研究。在指標(biāo)代表性和數(shù)據(jù)校核方面，本研究借鑒5D理論提取綠道影響指標(biāo)，其代表性有待進(jìn)一步驗(yàn)證，且通過街景圖像、POI數(shù)據(jù)分析街道特征所得到的數(shù)據(jù)需要與傳統(tǒng)調(diào)查數(shù)據(jù)進(jìn)行校核。在數(shù)據(jù)收集和整理方面，后續(xù)研究將通過對(duì)市民的意見采集，生成初步權(quán)重并與現(xiàn)有數(shù)據(jù)進(jìn)行比對(duì)矯正，對(duì)數(shù)據(jù)與現(xiàn)實(shí)之間的復(fù)雜關(guān)聯(lián)性做進(jìn)一步的闡釋。在研究方法方面，本研究LSTM神經(jīng)網(wǎng)絡(luò)模型采用的是單變量輸入，后續(xù)應(yīng)考慮不同變量的相互影響，進(jìn)一步優(yōu)化模型。除采用人工智能方法對(duì)綠道選線進(jìn)行模擬，仍需考慮智能選線背后的限制因素、影響機(jī)制，后續(xù)將繼續(xù)深化數(shù)據(jù)收集和處理方法，采用“大數(shù)據(jù)+小數(shù)據(jù)”整合性方法，一方面結(jié)合現(xiàn)場(chǎng)調(diào)研對(duì)居民軌跡進(jìn)一步挖掘分析，另一方面對(duì)不同地區(qū)綠道智能選線進(jìn)行整體研究，總結(jié)綠道智能選線規(guī)律，分析背后影響機(jī)理。本研究提出的綠道智能選線方法，除可應(yīng)用于慢行系統(tǒng)外，可進(jìn)一步推廣到其他線路選線研究，包括通學(xué)路、旅游線路等路線研究，以規(guī)劃更符合真實(shí)出行行為的線路，營(yíng)造以人為中心的城市空間環(huán)境。未來，基于人工智能的規(guī)劃方法在城市規(guī)劃和建設(shè)領(lǐng)域可進(jìn)一步推廣，延伸到用地布局、公共空間配置等領(lǐng)域，測(cè)度不同空間的要素特征，識(shí)別其變化規(guī)律，進(jìn)而構(gòu)建智慧規(guī)劃方法體系。

致謝(Acknowledgments)：

本研究得到了中國(guó)科學(xué)院地理科學(xué)與資源研究所副研究員孫東琪老師在論文選題、數(shù)據(jù)處理、結(jié)論分析等方面的指點(diǎn)和幫助，特致謝意！

圖表來源(Sources of Figures and Tables)：

圖2由作者根據(jù)參考文獻(xiàn)[30]繪制；表1由作者根據(jù)參考文獻(xiàn)[1][2][14][17][22][24]繪制；其余圖表均由作者繪制。