FastFlow：面向城市风速快速预测的 AI 方法
机器学习
2022-11-23 v1 计算机与社会
流体动力学
摘要
包括深度学习在内的数据驱动方法作为许多领域的代理模型已显示出巨大前景。这些方法也延伸到可持续性相关的各个方向。数据驱动方法尚未较多应用的一个有趣方向是，在规划和设计中快速定量评估城市布局。特别是，城市设计通常涉及多个目标之间的复杂权衡，包括对城市建筑密度的限制和/或对城市热岛效应的考量。因此，若能为城市规划者提供一个快速代理模型，以预测假设布局下的城市特征（例如行人高度风速），而无需运行计算昂贵且耗时的高保真数值模拟，将大有裨益。该快速代理模型随后可潜在地集成到其他设计优化框架中，包括生成模型或其他基于梯度的方法。本文中，我们展示了使用 CNN 进行城市布局表征，而这通常通过高保真数值模拟完成。我们进一步将该模型应用于其用于数据驱动的行人高度风速预测的首次效用演示。本工作的数据集包含基于来自真实世界高度建成城市区域的随机样本、针对多样化真实城市布局的风速高保真数值模拟结果。随后我们给出训练后 CNN 的预测结果，对先前未见的城市布局展示了低于 0.1 m/s 的测试误差。我们进一步说明了这如何可用于诸如对潜在新布局的行人风速快速评估等目的。希望该数据集能进一步加速数据驱动城市 AI 的研究，同时我们的基线模型也有助于与未来方法进行定量比较。
引用
@article{arxiv.2211.12035,
title = {FastFlow: AI for Fast Urban Wind Velocity Prediction},
author = {Shi Jer Low and Venugopalan and S. G. Raghavan and Harish Gopalan and Jian Cheng Wong and Justin Yeoh and Chin Chun Ooi},
journal= {arXiv preprint arXiv:2211.12035},
year = {2022}
}