面向城市开放空间的 AI 驱动框架：快速局部优化
机器学习
2025-01-15 v1 人工智能
计算机与社会
摘要
随着城市化进程的加快，开放空间日益被认识到在提升可持续性和福祉方面发挥着重要作用，但与建筑空间相比仍未得到充分探索。本研究引入了一个 AI 驱动框架，集成机器学习模型和可解释 AI 技术，用于优化天际视因子(Sky View Factor, SVF)和可视性，这两个关键空间指标影响城市空间的热舒适感和感知安全性。不同于全局优化方法需要大量计算且不适用于局部调整，本框架支持低计算成本和更高灵活性的增量式设计改进。该框架采用 SHapley 自适应解释(SHAP)分析特征重要性，采用反事实解释(Counterfactual Explanations, CFXs)提出最小化设计变更。测试了五种机器学习模型，识别出 XGBoost 为最准确的模型，建筑宽度、公园面积和周围建筑高度是影响 SVF 的关键因素，而南侧建筑的距离是影响可视性的关键因素。与需要约 15/30 分钟才能在 3/4 代中收敛的遗传算法相比，所测试的 CFX 方法在 1 分钟内即可获得优化结果，仅需 5% 的均方根误差(RMSE)，显示出显著更快的性能，适用于可扩展的复合策略。该可解释且计算高效的框架推进了城市绩效优化，为在多样化的城市环境中提高可用性和环境质量提供数据驱动的见解和实用复合解决方案。
引用
@article{arxiv.2501.08019,
title = {An AI-driven framework for rapid and localized optimizations of urban open spaces},
author = {Pegah Eshraghi and Arman Nikkhah Dehnavi and Maedeh Mirdamadi and Riccardo Talami and Zahra-Sadat Zomorodian},
journal= {arXiv preprint arXiv:2501.08019},
year = {2025}
}
备注
36 pages