今日arXiv最熱大模型論文：清華把大模型用于城市規劃，回龍觀和大紅門地區成研究對象
引言：參與式城市規劃的新篇章
隨著城市化的不斷推進，傳統的城市規劃方法面臨著越來越多的挑戰。這些方法往往需要大量的時間和人力，且嚴重依賴于經驗豐富的城市規劃師。為了應對這些挑戰，參與式城市規劃應運而生，它強調不同利益相關者，包括官員、專業人士、開發商、當地居民和公眾的積極參與。這種包容性的方法旨在通過精心設計的程序、討論、小組會議或研討會，將多樣化的視角納入規劃和決策過程中。然而，參與式規劃的傳統范式仍然存在許多實踐中的挑戰，如成本高昂、缺乏熟練的協調者、效率低下以及參與興趣低落。
幸運的是，隨著信息技術的飛速發展，尤其是大語言模型（LLMs）的出現，我們有了新的解決方案。在本研究中，我們引入了一個基于LLM的多代理協作框架，模擬規劃師和數千名具有不同特征和背景的居民,用于參與式城市規劃，可以生成考慮居民多樣化需求的城市區域土地利用規劃。此外，為了提高討論的效率，我們采用了魚缸討論機制，其中部分居民討論，其余的居民在每一輪中充當聽眾。最后，我們讓規劃師根據居民的反饋修改規劃。
我們在北京的兩個區域部署了我們的方法。實驗表明，我們的方法在居民滿意度和包容性指標上達到了最先進的性能，并且在服務可達性和生態指標方面也超過了人類專家。
論文標題:
Large Language Model for Participatory Urban Planning
論文鏈接:
??https://arxiv.org/pdf/2402.17161.pdf??
大語言模型（LLM）在城市規劃中的創新應用
1. 傳統城市規劃的局限性
傳統的城市規劃方法依賴于經驗豐富的規劃專家，涉及多方利益的考量，并且通常需要對獨特的社區問題進行個案審查。這種方法要求大量的時間和人力資源，并且嚴重依賴于經驗豐富的城市規劃師。隨著城市的持續增長和城市更新需求的穩步上升，傳統城市規劃方法的局限性變得越來越明顯，迫切需要探索能夠提高其效率和有效性的創新方法。
2. LLM作為模擬人類代理的潛力
近年來，大語言模型（LLM）展現出了模擬人類代理的顯著能力，這為輕松模擬參與式過程提供了可能。在城市規劃領域，LLM可以用來生成考慮居民多樣化需求的土地利用規劃。
如下圖所示，可以構建LLM代理來模擬規劃師和成千上萬具有不同特征和背景的居民。首先，讓規劃師進行初始土地利用規劃。為了處理居民不同的設施需求，可以在每個社區中啟動居民之間的討論，居民根據他們的特征提供反饋。此外，為了提高討論的效率，采用魚缸討論機制，部分居民參與討論，其他人在每輪中充當聽眾。最后，規劃師根據居民的反饋修改規劃。
在北京的兩個區域進行的實驗表明，該方法在居民滿意度和包容性指標上實現了最先進的性能，并且在服務可達性和生態指標方面也超過了人類專家。
多代理協作框架的構建
1. 角色設計：規劃師與居民代理
如下圖，在構建多代理協作框架時，首先需要設計不同的角色來模擬城市規劃中的真實參與者。規劃師代理負責整體規劃考量，需要理解區域的空間分布，并根據人類專家設計的規劃指南提出初始規劃。居民代理則是參與式城市規劃中不可或缺的一部分，因此設計LLM代理來模擬該區域的居民。每個居民代理都有詳細的個人資料，包括性別、年齡、教育水平和家庭規模。為了確保公平和包容性，一些居民代理被賦予了特殊背景，如有孩子的家庭、有病人的家庭和獨居老人。每個居民代理都被隨機分配一個家庭地址，并且只能觀察到他們家附近15分鐘步行或騎行范圍內的區域。
2. 規劃工作流程：初始規劃與居民反饋
在規劃師和居民代理的角色確定后，提出了一個通過多代理協作的規劃流程。規劃師首先基于要求和專家知識提出初始規劃，然后關鍵的參與式規劃理念是征詢居民對該規劃的意見并據此進行修訂。然而，不同居民可能對土地利用有不同的需求，這可能導致鄰近居民之間的利益沖突。為了更好地平衡他們的需求，提出讓居民通過討論來相互溝通。由于居民只關心他們家附近的區域，因此討論不必包括所有居民，而只需要在鄰近居民之間進行。因此，將整個區域劃分為基于現實世界社區和道路網絡的四個不同社區。對于每個社區，邀請居住在那里或附近的居民進行幾輪討論，在討論中分享對土地利用規劃的意見。根據居民在討論中的意見，規劃師相應地修訂該社區的規劃。
為了應對大量居民參與討論的挑戰，提出采用魚缸討論機制來提高討論的效率。在每輪中，居民被分為內圈和外圈。內圈的居民積極參與討論，而外圈的居民則認真傾聽。每輪討論后，內外圈的成員會隨機交換，并且討論歷史被總結以避免過長的上下文。通過這樣的設計，規劃師和居民代理能夠高效有效地協作生成考慮不同居民需求的土地利用規劃。
魚缸討論機制：提升效率的關鍵
在參與式城市規劃中，傳統的參與范式往往需要經驗豐富的規劃專家，且常常耗時且成本高昂。為了提高討論效率，我們采用了魚缸討論機制。在這種機制中，部分居民參與討論，其余的居民則作為聽眾。每輪討論結束后，內外圈的成員會隨機交換，討論歷史也會被總結，以避免過長的對話文本。通過這種設計，規劃師和居民代理能夠高效、有效地共同制定出考慮到不同居民需求的土地利用規劃。
實驗設置與基準比較
1. 實驗數據集介紹：北京的兩個區域案例
我們的方法部署在北京的兩個真實世界區域（下圖）：回龍觀（HLG）和大紅門（DHM）。HLG位于北京市中心以北33公里處，原本是一個衛星城鎮，現已融入北京大都市區。由于居民需遠距離通勤，HLG成為了一個典型的通勤城鎮。DHM位于北京南部，有著悠久的居住歷史，城市布局雜亂無章，混合了住宅、商業、倉儲、物流和租賃復合體。兩個區域的選擇考慮到了它們在社會經濟概況、人口組成和城市規劃復雜性上的多樣性。
2. 實施細節與評價指標
我們根據道路和現有土地利用條件將HLG和DHM區域劃分為若干區域。我們保留了居住區和主要綠地，將其他區域視為待規劃的空地。HLG和DHM各有42個空地區域需要規劃（下表）。為了確保規劃結果現實可行，我們為兩個社區設定了基礎設施覆蓋的最低要求。
在實驗中，我們使用了gpt-3.5-turbo-1106作為居民代理，使用gpt-4-vision-preview作為規劃師代理，因為它需要輸入區域地圖。在每個社區的規劃過程中，我們讓居民進行了3輪討論，每輪選出50名居民參與討論。為了確保結果的穩健性，我們將LLM的溫度設置為0，并報告了使用不同隨機種子的五次運行的平均結果。
為了評估我們的框架，我們選擇了六種方法作為比較基準：隨機方法（Random）、集中方法（Centralized）、分散方法（Decentralized）、幾何集合覆蓋算法（GSCA）、深度強化學習（DRL）以及人類設計師（Human Expert）的結果。
而評價指標，我們采用了兩類：不考慮需求的（need-agnostic）和考慮需求的（need-aware）。不考慮需求的指標是聚合指標，提供了整個社區的概覽，專注于服務（Service）和生態（Ecology），而不考慮個體的定制化需求。考慮需求的指標包括滿意度（Satisfaction）和包容性（Inclusion），這些指標衡量了規劃過程是否充分考慮了邊緣群體的需求，從而促進了更公平和包容的城市發展策略。我們將不考慮需求的和考慮需求的服務和生態滿意度以及包容性結合起來，以衡量意向草案的性能，旨在符合參與式規劃的核心愿景，并照顧到所有利益相關者的滿意度。
實驗結果：LLM在居民滿意度和包容性上的表現
實驗的具體比較數據見下表，粗體字是最佳結果，下劃線是次佳結果。
1. 居民滿意度
在實驗中，我們的LLM方法在居民滿意度（Satisfaction）上表現出色，超過了所有基線方法。例如，在HLG數據集上，我們的方法的滿意度得分為0.787，這意味著居民平均能夠在500米內訪問到78.7%的他們需要的設施，比基線方法至少提高了11.2%。這一結果表明，我們的方法能夠通過允許居民討論并根據他們的意見修改計劃，有效地考慮居民的多樣化需求。
2. 包容性
在包容性（Inclusion）方面，我們的方法同樣取得了最佳表現。在HLG數據集上，包容性得分為0.773，表明77.3%的邊緣化群體的需求得到了滿足。這一成績進一步證明了我們的方法能夠確保更加公平和包容的城市發展策略。
角色扮演與討論設計的有效性分析
1. 角色扮演的有效性
為了評估角色扮演設計的有效性，我們進行了消融實驗（下圖），其中移除了所有居民的個人資料，并將他們替換為相同的提示：“你是城市中一個地區的居民”。結果顯示，去除角色扮演后，居民滿意度和包容性指標分別下降了4.7%-8.0%，這表明居民的個人資料能夠有效反映他們的多樣化需求。
2. 討論設計的有效性
在討論設計方面，我們同樣進行了消融實驗（上圖），其中不允許居民之間進行討論。相反，參與討論的居民只是單獨報告他們對計劃的看法，然后這些意見被匯總并發送給規劃師進行計劃修訂。結果顯示，去除討論后，居民滿意度和包容性指標分別下降了4.1%-6.3%，這表明單獨詢問并匯總每個居民的意見是次優的。相比之下，討論允許居民相互交流，更好地平衡了他們的不同意見和多樣化需求。
3. 討論過程分析
通過對HLG地區的案例分析，我們觀察到在社區討論和規劃師修訂過程中，居民的意見得到了充分的交流和考慮，從而提高了整個社區的滿意度。例如，見下圖(a)，在社區1的討論中，大多數居民對計劃已經表示滿意，但仍有一些有特殊需求的居民提出在區域1、3和5增加新設施的建議。經過幾輪討論，許多其他居民接受了這些意見并表示支持，因此規劃師根據這些建議對這些區域進行了修訂。下圖(b)是各社區修訂后的指標。0表示初始規劃，4表示四個社區修改后的最終規劃。指標為5次運行的平均值。
綜上所述，我們的LLM方法不僅能夠有效地考慮居民的多樣化需求，而且在提供公共服務可達性和生態評分方面與最先進的強化學習方法相媲美。通過多代理協作設計，我們的方法在居民滿意度和包容性方面取得了顯著的成績，同時也保持了與人類專家相當的服務和生態指標。
討論過程分析：居民意見的交流與規劃師的修正
在參與式城市規劃中，居民的積極參與是規劃過程的核心。為了平衡居民的多樣化需求，本研究采用了基于LLM的多代理合作框架。在這個框架中，規劃師首先提出一個初始的土地利用計劃，然后通過居民之間的討論來修正這個計劃。這一過程的關鍵在于如何讓居民之間的交流更有效，并確保規劃師能夠根據居民的反饋進行合理的修改。
1. 居民意見的交流
在每個社區內，居民基于他們的個人檔案（包括性別、年齡、教育水平和家庭大小等信息）提出對初始規劃的反饋。例如，有孩子的家庭可能需要學校，而有病人的家庭可能更傾向于醫療服務和公園。通過讓居民在討論中表達他們的意見，可以更好地平衡他們的需求。在討論過程中，居民們不僅分享了他們對土地利用計劃的看法，還有機會了解到其他居民的需求和建議。
2. 規劃師的修正
規劃師在居民討論后對計劃進行修正。這一過程中，規劃師需要綜合考慮居民的反饋，并做出相應的調整。例如，在討論過程中，如果多數居民對某個區域的規劃表示滿意，但有特殊需求的居民提出了增加新設施的建議，規劃師可能會根據這些建議對該區域進行修改。通過這種方式，即使是少數群體的觀點也能得到充分的討論和考慮，從而提高整個社區的滿意度。
超參數研究：討論輪數對結果的影響
在本研究中，討論輪數是一個重要的超參數，它直接影響到居民討論的深入程度和規劃修正的效果。為了探究討論輪數對結果的影響，我們進行了一系列實驗，討論輪數從1到4不等。
1. 討論輪數的設定
實驗中，居民討論的輪數設定為1到4輪。在每一輪討論中，居民們分享他們對土地利用計劃的看法，并對計劃提出建議。規劃師則根據這些討論的結果進行計劃的修正。
2. 討論輪數對結果的影響
實驗結果顯示（下圖），當討論輪數從1增加到3時，居民滿意度（Satisfaction）和包容性（Inclusion）指標有顯著提升。例如，在HLG數據集上，居民滿意度從0.738提升到0.787，包容性指標提升了5.9%。這表明多輪討論能夠更好地平衡居民的不同意見，并制定出更能滿足他們需求的土地利用計劃。
然而，當討論輪數增加到4時，這些指標沒有進一步提升（上圖），這可能是因為過長的討論可能導致性能的停滯甚至惡化。此外，服務（Service）指標的趨勢與居民滿意度和包容性指標相似，而生態（Ecology）指標則有所波動，這可能是由于在設施和綠地之間存在潛在的權衡。
綜上所述，討論輪數對居民討論和規劃修正的結果有直接影響。適當的討論輪數可以促進居民之間的有效溝通，幫助規劃師根據居民的反饋做出更合理的規劃調整。
結論與未來展望：LLM在城市規劃中的潛力與挑戰
1. 結論
本研究通過引入大語言模型（LLM）來模擬參與式城市規劃的全過程，展示了LLM在城市規劃中的應用潛力。我們設計了LLM代理來模擬規劃師和具有不同背景的居民，通過特定的提示設計來實現這一點。然后，我們提出了一個框架，居民可以討論規劃師制定的土地利用計劃，并且規劃師根據討論結果相應地修訂計劃。此外，為了在大量居民中進行更有效的討論，我們采用了魚缸討論機制，其中部分居民進行討論，其余的居民則傾聽。在北京的兩個真實世界場景中部署了我們的方法，結果表明我們的方法能夠有效滿足居民的多樣化需求，并且在服務可達性和生態指標方面與最先進的強化學習方法相媲美。
2. 未來展望
盡管LLM在城市規劃中展現出了巨大的潛力，但我們必須承認，在整個過程中對規劃要素的簡化可能會導致與實際規劃場景的偏差。例如，所有權、開發成本和更高層次的規劃等因素在本研究中被省略，這可能會影響到規劃的實際應用。希望這些不足可以通過新的提示設計來解決，而不會影響我們框架的有效性和可解釋性。此外，我們的框架在很大程度上依賴于手動設計的提示，尤其是對于規劃師而言。為了使規劃師代理理解規劃地圖，我們需要描述每個區域的位置和鄰近情況，這限制了我們方法的泛化能力。
未來的工作方向之一是將我們的框架與人類專家結合起來，構建人工智能協作工作流。例如，我們可以用人類替換規劃師或某些居民，以獲得更好的真實性和性能。此外，多代理協作設計也有望應用于涉及大量代理的其他任務。
3. 挑戰
LLM在城市規劃中的應用面臨著多方面的挑戰。首先是數據的準確性和代表性問題，LLM的輸出質量高度依賴于輸入數據的質量。其次，LLM在處理復雜城市規劃問題時可能需要更高級的理解和推理能力。此外，參與式規劃的核心是包容性和多樣性，LLM需要能夠處理來自不同背景和利益的居民的反饋。最后，隨著技術的發展，如何確保LLM的透明度和可解釋性，以及如何處理與現有規劃流程的集成問題，都是需要進一步探索的重要問題。
本文轉載自夕小瑤科技說，作者：Tscom
