基于多智能体模型的街道步行空间量化研究

摘要

随着城市规划理论、计算机科学、城市大数据应用实践的不断发展与完善，城市规划研究从经典理想模型逐步向科学智能化仿真模拟演化，而多智能体模型则为城市规划设计提供了全新的视角与方向。本文聚焦多智能体研究的理论模型与实践应用场景，从城市模型发展历程出发，对模型与智能体模拟进行全面细化分析，并结合现阶段城市街道一体化设计的关键难点与重点，对街道步行空间精细化研究中的智能体应用提出具体研究路径，并结合具体城市设计项目进行询证研究，为未来城市街道空间精细化研究与街道一体化设计，提供了全面、直观且科学的智能体量化分析体系。

关键词: 多智能体、街道步行空间、空间量化

1 引言

20世纪50~70年代，伴随认知科学自动机理论（John von Neumann（冯·诺依曼），1951）、语言理论生成语法（Chomsky，1956）、系统动力学（Forrester（福瑞斯特），1972）和社会学（Schelling（谢林），1971）等计算建模新理论、新方法的涌现，促使科学研究从数值、数学逻辑研究向探索复杂系统的分散、分布式方式转变。

在城市规划领域，传统城市研究人员和计算机科学家的科学合作使行人及其在公共人行道和广场上的行为进行了新的探索，为街道提供了一个计算组件，并为解释个别路人的行为提供了新的机会。然而，规划领域大多数行人模拟工具是聚焦拥挤空间的疏散场景和基础设施中步行活动而搭建（如最常见的地铁站厅人流活动与疏散模拟），而城市户外公共空间人流模拟存在一定的空白，特别是用于城市设计导向的空间精细化研究。

本文聚焦城市街道公共空间精细化设计层面，通过梳理多智能体模型理论与技术发展历程，系统总结和借鉴城市设计领域多智能体模型的理论研究与应用场景，并结合城市设计项目案例，构建适用于城市街道公共空间精细化设计的技术路线与应用方法。

2 城市模型与多智能体

2.1模型理论解读

模型是一个抽象的过程，是对复杂系统规律的模拟。建构主义理论认为，模型不是对现实的被动反映，而是主体的主动建构（Heylighen[1]等，2001），并且知识可以通过建构来获得（Resnick[2]，1999），而不是其分解为更小的部分加以理解和描述的还原论逻辑，主动建构可以帮助解读新的复杂系统产生的问题。控制论观点指出，模型是对现实世界中发展过程的表征，并可以利用过去资料对其未来状态进行预测。此外，从社会学的角度来看，模型是现实的简化，它既可以用口头来表达，又可用数学方程或计算机来对未来发展规律进行模拟的。

城市规划领域学者认为，模型是一种城市理想状态，它为城市规划建设提供了组织环境的基础原则与未来愿景蓝图。每个城市模型都对应着一个城市理论，城市模型是城市设计概念的延伸，模型为混乱的城市环境创造了秩序[3]。大卫·格雷厄姆·肖恩在其2005年发表的《重组城市》（《Recombinant Urbanism》）一书中指出，从霍华德的田园城市、克里斯塔勒的中心地理论、柯布西耶的光明城市和赖特的广亩城市等理想城市模型，到凯文·林奇在《城市形态》（《Good City Form》）一书中提出三种“城市标准理论”及其对应的城市模型（信仰城市（the City of Faith）、机器城市（the City as a Machine）和有机城市（the City as an Organism）），标志着城市规划从静态的表象向城市作为自组织系统的观点的转变[3]。

总体而言，无论是建构主义哲学、社会学还是城市规划，模型是揭示城市发展特征与演变的方向的模拟理论或研究方法，其研究的重点在于特征形成的过程，是对一段时间内物质环境与社会心理行为的动态实现。

2.2城市模型

在城市模型研究领域，Forrester被认为是最早尝试使用动力学模型来证明现代计算机系统可用于模拟城市的研究者（迈克尔·巴蒂[4]等，2005）。从那时起，土地利用模式、城市增长、城市经济和交通规划等，大量使用计算模拟来研究城市动态现象的模型开始涌现（迈克尔·巴蒂[5]，2008）。对于城市模型研究一般可以分为静态模型和动态模型两种类型。其中，静态模型是城市发展特征和规律基础之上的统计模型；而动态模型则模拟和仿真城市系统随时间推移演变的预判模型。静态模型通常被认为是对对象的描述，动态模型则是关于对象行为和对象之间的相互关系的模拟[6]。

从社会学家和地理学家的角度来看，城市静态模型可以分为，用于规划和观察城市发展的数学模型、自然和环境地理模型，以及源自尼克拉斯·卢曼社会系统论的社会模型。动态模型则包括交通网络与土地使用的优化模型、操作控制模型（models for operational control）、空间演化模型（spatial evolution models），以及多智能体模型（agent-based model，ABM）的和元胞自动机模型（cellular automata，CA）。然而，这些模型大多是从社会科学家或地理学家的角度来审视城市，很少从设计师的角度来研究城市[6]。

2.3多智能体模型

多智能体模型（ABM）是基于个体的代理模型，秉持“自下向上”聚合的逻辑，是人工智能领域非常重要的概念，是模拟复杂系统的分布式计算技术。该模型用于表征有简单智慧且能感知周围环境，并在一定程度上拥有“自我意识”的智能体。一般而言，智能体具备自我管理能力，应激反应能力，适应环境能力和空间交互能力，呈现明显的自治性、反应性、主动性和社会性。

目前，多智能体模型的应用领域主要包括空间空间流（交通流、人流等）、疏散管理、股票市场模拟、运营风险和组织设计等方面。在城市模型领域，基于代理的智能体模型是一种流行方法，因为它是解释城市系统中局部运动多样性的唯一方法，智能体模型在宏观层面推演城市发展态势，以及微观模拟仿真交通流（如人流、车流、货物流）、空间使用（如轨道站厅人流集散等）提供了不可替代的研究理论与方法。其中，交通规划与管理是多智能体模型应用的典型领域，这一方面是因为个体车辆的行为可以很容易地被自动代理模拟；另一方面是由于城市机动化交通的空间限定相对较为简单和直接。

在城市规划与设计宏观领域，哥本哈根Nordhavnen城市设计竞赛中，Nordhavnen模型研究团队在坚持“交通网络布局合理，区域空间便捷可达”的原则基础上，基于NetLogo智能化平台，利用Stream Simulator和扩散模型算法，开发出Nordhavnen道路网络计算模型。而在城市商业街人流活动分布特征的模拟微观领域，代理人模型通过收集区域商业点位与商业价值空间分布，对商业街空间中人群访问频率和购物网点的使用情况进行量化仿真模拟，对商业街功能定位、商业网点定价、空间提质等进行了详细的指导^[7]。

3 多智能体模型与行人模拟

3.1 行人智能体模型理论基础

对于步行交通而言，基于多智能体建模的本质是为更好的预测行人在空间中的流动，是直观表征行人空间可达性和移动性的仿真方法，而移动智能体是在建成环境中代表行人个体移动的理想代理。与模拟机动车交通相比，行人在空间中的出行活动存在明显的不确定性，即步行不受街道空间路权边界的限制。因此，相较于机动车交通模拟的一维道路网络，步行交通模拟必须考虑行人在二维空间中的移动（即平面和立体），以及随意性穿梭的可能^[8]。而常用的可达性分析和可步行性分析是一种聚类集合的图示化表达方式，依赖于参数输入，本质上是静态化的模拟过程。

步行者智能体模型是自组织的系统现象^[9]。步行者行为模拟与仿真不仅仅要考虑出行者偏好、意图与欲望等，更需要注重步行者所在空间环境品质和基础设施网络的可达性。前者重点是出行者本身，后者则更反映出空间环境的排斥性与吸引力，这种空间环境的异质性导致了行人模拟的不确定性和随机性。

因此，行人出行建模与模拟方向倾向于两种假设。一是行人出行是有目的的行为；二是出行者对于出行环境的选择偏好。有目的出行假设的重点在于出行的起讫点和出行吸引力模型，而居民出行选择偏好的假设导致了选择和分配模型。在该假设情景下，代理人的路线选择要么是预先确定的，要么是可以动态分配以达到某种出行成本目标的（如出行时间和出行距离最短等）^[9]。

目前，行人动力学建模通常基于物理模型进行搭建，可分为宏、中、微观三类^[10]。其中，宏观模型如流体动力学和气体动力学，用于模拟人群的抽象行为，类似于物理学中的流体和气体动力学运动。中观模型重点放在行人的内在行为上，通过预设规则情景，来预测社区和个人行为的出行活动。微观模型关注个体行人的详细行为，使用基于规则预设或力学模型的方法，模拟人群在微观空间中的出行特征。

整体而言，行人智能体模型是社会力模型，是影响出行活动各力学相互作用的结果，是起点位置、目的需求、步行网络斥力和社会吸引力以及社会斥力的综合。其中，目的需求是与位置偏好相关的行为变量，而步行网络排斥是阻止步行者选择出行的力学总和，即步行出行阻抗。社会斥力和吸引力与步行者所在社区内与步行出行相关的其他代理的所有交互效果的总和^[11]。

3.2 行人模拟应用实践

基于代理的行人智能体模拟，是建立在步行空间网络可步行性与人群出行可达性分析的基础之上进行的细化研究^[12]。在早期的行人智能体模型中，Ped-Catch是较为重要的行人扩散可视化分析程序，该程序在3ds Max软件平台中运行，使用了Autodesk的MaxScript和Particle Flow粒子流插件脚本。虽然，Ped-Catch已被证明能够有效指导设计决策，但由于其操作要求极高，且必须使用专业的动画软件平台，并对每个点位的代理人模型需要进行分类建模，导致其应用场景相对较为单一。

为更好的模拟城市空间环境中行人活动规律和特征，简化研究分析流程，提升仿真模拟结果的可读性和指导性。城市研究者开始基于NetLogo仿真平台，利用海龟（turtles）、块（patches）和观察员（observer）等智能体模型，对行人活动进行全智能化拟合。其中观察员可以观察和控制仿真世界的运行；海龟是可移动的对象，用于表征步行者；块代表海龟所生存的环境，即步行者的出行空间环境。

除使用NetLogo仿真平台进行全智能化预测模拟之外，在城市规划自身领域，以比尔希列尔（Bill Hiller）为代表的空间量化研究者，通过空间句法理论（space syntax）开发个体决策行为模型——VGA（visibility graph analysis，可视图分析），来探索城市规划领域专业化行人模拟仿真代理人模型。该分析模型的基本逻辑认定是步行者的出行特征与其所在的建筑物和城市环境有着密切的相性关。VGA（可视图分析）代理人模型根据点在空间中的通视性来表征空间环境的集聚度、吸引力和被选择程度。但该测度模型是均质化的“纯粹”配置，不考虑空间环境的引力点，也不对起点和终点或路径规划做任何假设。

图1 空间句法VGA分析模型（资料来源于：参考文献^[13]）

4 多智能体与街道步行空间精细化设计

本研究的行人智能体模型是建立在步行网络空间可达性和可步行性基础之上，对街道步行空间网络中的代理人进行细化拟合的分析模型。模型基于Rhino软件的Grasshopper可视化编程平台进行开发，通过利用Grasshopper平台的参数化分析模块，对街道步行空间网络的可达性和可步行性特征进行基础模型搭建。在此基础上，利用PedSIM智能体模型，对行人出行特征和步行空间进行设定与标定。其中，行人特征包括出行偏好、出行者群体类别、步行速度等，步行空间环境主要包括步行空间边界、引力点、网络阻抗等。

此外，针对步行者出行的时间偏好（停驻时间、速度、出行时间选择等）、路径偏好（出行轨迹、停驻点位等）、人群集聚特征（吸引点访问量、空间使用量、人流量等）等因素进行智能化标定，提升智能体研究分析的可视化和可控性，进而提升研究分析目的性和精确性。

4.1 行人智能体步行网络空间建模

（1）步行最短路径分配模型（Distances & Shortest paths）

从步行出行分配的角度来看，A点到B点的距离，可以分为物理距离、认知距离和自定义距离三种。其中，物理距离为一般理论意义上的出行选择路线；认知距离为考虑角度偏差的选择线路；而自定义距离则为考虑街道美学、坡度、安全和时间等选择偏好之后的路线距离。一般研究表明，出行选择更偏向于直线，实际距离与直线距离之间的偏差值一般在20%以内，即出行选择的非直线系数一般为1-1.2之间。基于上述原因，最短路径的测度公式可以细化为：

式中，Li代表物理距离；Ai代表认知距离；Si代表自定义距离；Coef是权重系数。研究基于Grasshopper进行基础模型搭建，将街道网络划分为link路段，发送到流程几何组件中，进行路段网络的检测，判断网络中的路段可用性。

图2 路段网络检测模型

将图像对象从流程几何组件发送到构建图形组件中，定义角度、物理或自定义距离权重系数。输入起终点数据，使用Dijkstra算法计算最短距离。并利用几何组件中的线段命令对路段进行标定，实现最短路径的可视化分析。

图3 最短路径可视化分析模型

（2）街道网络可达性模型（Accessibility Modeling）

接近中心度（Closeness Centrality）可以理解为从起点到达半径为r的所有节点所需距离的倒数，因此，节点越中心，它越接近其他节点。

图4 接近中心度（Closeness Centrality）分析

中介中心性（Betweenness Centrality）则是从流量的角度出发，量化一个节点在其他两个节点之间的最短路径上被选择的次数。

图5 中介中心性（Betweenness Centrality）分析

使用Floyd-Warshal算法在Grasshopper中计算街道网络的可达性与中心性，并结合起讫点对之间所有组合的最短路径。对于需要计算权重的路段而言，需要结合交通流和路网等级对路段权重进行赋值，进而分析可达性。最终利用color gradient为每个路段F-W Get Paths组件返回值追加颜色渐变关系。

图6 Floyd-Warshal算法模型

图7 路段权重赋值

4.2 行人智能体（Agent-based pedestrian modelling）

在上述街道步行网络基础模型搭建的基础上，通过智能体模型设定、人群兴趣点标定、出行人群行为限定和步行空间规则制定等模块对街道步行空间人群出行行为进行模拟。

其中，智能体模型设定模块主要是对人群起讫点进行标定，利用PedSIM人群扩散模型，对街道步行空间中的人群集散点位进行设定（如道路交叉口、地铁出入口等）。人群兴趣点标定模块则是依据现状调研和需求分析，对区域吸引人流的购物网点、交往空间、休憩设施等目标点进行标定。出行人群行为限定模块是基于步行出行时空行为特征，按照出行距离、出行时间忍受度（400、800、1200、1600米）、出行选择停留度和出行随意性偏好等进行限定。步行空间规则制定模块是对街道步行空间边界进行限定，即表达出人群步行活动可以到达的边际区域，减少模拟过程中的边界效应。

图8 行人智能体模型基础标定

此外，为更好的对步行者的出行特征进行量化控制与观察，智能体模型中设置记录人群出行分布的轨迹记录模块，统计吸引点和空间使用的计数统计模块、分析设施使用频率和步行者停驻特征的时间统计模块，以及提升可视化表达的数据展示模块。其中，出行轨迹记录模块一方面汇总人群出行空间轨迹，另一方面则是对人群出行轨迹进行空间叠加和自动化匹配，更好的模拟人群出行随意性。

图9 智能体模型记录模块示意

通过对区域地块步行者街道空间活动规律和特征智能体模拟，精准识别出未来街头开敞空间（游憩广场、街头绿地等）、商业空间（商业综合体、特色商业街等），以及交通基础设施（地铁站、机动车出入口等）等街道空间和设施的吸引力分布和使用情况，为区域空间精细化治理和提质，提供了直观、科学的基础支撑。

5 结论

街道步行空间精细化治理是街道一体化设计的重点和“人本”城市设计的关键。从目前城市大数据研究方向来看，多数城市数据是现状特征与规律的积累，对于未来城区，尤其是新规划设计的区域，缺乏一定的数据支撑。多智能体模型研究通过对现状城市特征的学习与总结的基础之上，通过代理人模型，为未来城市设计与城市规划研究提供了全新的视角与方向，提升了城市设计与规划方案的科学性与合理性，更为决策者提供了更为直观的城市愿景模型。伴随数字城市、孪生城市、CIM等一些列新技术、新方法的涌现，城市设计与规划建设领域的智能体模型研究将更加面向城市用地开发、城市交通流仿真、城市空间精细化治理、城市灾害模拟、城市大气污染预测等方向，将更体现新型城镇化时代城市治理体系的智能化与精细化，将更加彰显城市设计与规划建设的“人本位”逻辑。

参考文献

[1] Francis Heylighen,Cliff Joslyn. Cybernetics and Second-Order Cybernetics[J]. Encyclopedia Phys. Sci. Technol., 2001, 4.

[2] M. Resnick. Decentralized Modeling and Decentralized Thinking[J]. Springer New York, 1999.

[3] 戴维·格雷厄姆·肖恩,张云峰. 《重组城市——建筑、城市设计与城市理论中的概念模型》[J]. 建筑师, 2016(6): 44.

[4] Michael Batty,Paul M. Torrens. Modelling and prediction in a complex world[J]. Futures, 2004, 37(7).

[5] M. Batty. Fifty Years of Urban Modeling: Macro-Statics to Micro-Dynamics[J]. Physica-verlag Hd, 2008.

[6] Renee Puusepp. Generating Circulation Diagrams for Architecture and Urban Design Using Multi-Agent Systems[J]. University of East London, 2011.

[7] Bpm Torrens. Modelling and prediction in a complex world[J]. Futures, 2005.

[8] Vassilis Zachariadis. An agent-based approach to the simulation of pedestrian movement and factors that control it[C], 2005.

[9] Renee Puusepp. Generating Circulation Diagrams for Architecture and Urban Design Using Multi-Agent Systems[D], 2011.

[10] Kiran Ijaz,Shaleeza Sohail,Sonia Hashish. A Survey of Latest Approaches for Crowd Simulation and Modeling Using Hybrid Techniques[J]. Ieee Computer Society, 2015.

[11] Michael Batty. Agent-based pedestrian modeling[J]. Batty, Michael (2003) Agent-based Pedestrian Modelling. Working Paper. Casa Working Papers (61). Centre for Advanced Spatial Analysis (ucl), London, Uk., 1993, 28.

[12] Hannah Badland,Marcus White,Gus Macaulay, et al. Using simple agent-based modeling to inform and enhance neighborhood walkability[J]. International Journal of Health Geographics, 2013, 12.

[13] Nicholas Martino,Cynthia Girling,Edja Trigueiro. Exploring Urban Walkability Models and Pedestrian Movement Trends in a Vancouver Neighborhood[C], 2019.

扫码关注我

勤勤恳恳，善始善终

持之以恒，专心致志

扫描加入免费的「智慧城市之智慧交通」知识星球可了解更多行业资讯和资料。

欢迎加入智能交通技术群！

联系方式：微信号18515441838