用大数据城市规划可以变得更好

瑾瑜黎昕

原文： http://www.nordregio.se/en/Metameny/Nordregio-News/2014/Planning-Tools-for-Urban-Sustainability/Reflection/

原作者：By Joan Serras, Melanie Bosredon, Ricardo Herranz & Michael Batty

Intetix Foundation(英明泰思基金会)由从事数据科学、非营利组织和公共政策研究的中国学者发起成立，致力于通过数据科学改善人类社会和自然环境。通过联络、动员中美最顶尖的数据科学家和社会科学家，以及分布在全球的志愿者，我们创造性地践行着我们的使命：为美好生活洞见数据价值。全球城市迅速发展，这种快速增长带来了诸多涉及不同城市层面的挑战。在人口统计学方面，我们正面临着许多跟人口迁徙和老龄有关的问题。在土地利用方面，我们面临着一个巨大的挑战：如何在高密度人口和肆意扩张的城市解决拥挤问题，以及我们如何解决隔离，从而能够减少不平等和剥削。资源的有效性方面的是我们如何高效且持续地使用能源。交通运输部门在所有出行方式的基础设施中、污染、噪音和事故的增长水平中，面临着巨大考验。加上刚刚提到的挑战的复杂度，他们也跨越了不同时空尺度。城市规划者需要通过各种工具，以某种方式处理这些问题。这些工具之一就是所谓的土地使用传输交互(LUTi)模型。这是一个真正的系列模式，旨在评估城市通过相互作用的三个主要因素：人口、土地使用和运输服务，如何在长期的基础上(通常是30-50年的阶段)发展。在LUTi模型所处理的许多过程中，最主要的是土地利用系统对交通系统信息的反馈和相互作用，反之亦然。这一方面反映了土地利用方式对移动模式和运输基础设施演变的影响，另一方面揭示了交通系统是如何影响城市形式的发展和人们如何从事各种土地利用活动。典型的评估和规划使用这个系列的模型;其中包括周围交通基础设施改变带来影响的评估，比如，两个地区之间的一条新铁路;或在该区域建立一个新的开发，比如，一个新的工业园。这将包括通常由工业分支的经济影响(区域和/或国家)，以及家庭、人口(按类型)和额外的工作对每个建模领域数量上形形色色的数据预测。为了更好地了解城市的模型在不久的将来可能走向何方，我们将首先看一看它们从何而来以及他们如何经过多年的演变(韦格纳，2010)。

历史背景  LUTi模型的第一次浪涌出现在20世纪60年代的美国，一直持续到20世纪70年代中期。伴随着第一系列城市模型的主要困难是由李先生1973年在他的《安魂曲》中的文章《大规模模型》中提出的。他列出这个时期模式的“七宗罪”：高综合性、粗劣、荒漠、固执、复杂性、机械性和高价。这是那个时代的修辞，由于数据和计算机资源的限制，本质上这些模型与知识分子和有效预测的政策需要不匹配，并且难以实施。难怪这类城市模型或多或少在20世纪70年代和20世纪80年代期间被遗弃。然而，20世纪90年代，计算的发展、地理信息系统(GIS)的出现和更优质的数据，激起第二轮城市模型的涌动。通过进一步分类分区组成部分和人口以及就业群体使用社会经济的属性，新模型得以发展。新的建模技术探讨了例如离散选择理论和基于代理的建模。另一个重要因素是可视化，它可以使结果被更广泛的观众理解，也因此更加清晰。特别地，规划支持系统(PSS)对于规划工作者而言提供更好的可用性。在美国和欧盟，通过倡导这些改进的具体措施获得进一步支持，这意味着许多模型最终会被应用于越来越多的城市。近几年也许是最重要的进展是已采用新的建模方法——其中基于活动的建模和微观交通模型尤其令人兴奋。同时我们围绕模型发展而不断发展的知识，继续挑战着模型计算的极限，这意味着在并行处理运行模型上，我们也找到了一个上升的趋势。简而言之，将这种模型中的纯粹计算量，与子模型到其他子模型的不断反馈循环相结合，多模型以新的方式集成在一起。

大数据和城市模型-EUNOIA项目   可以理解的是，从非常规资源中获得与城市规划相关信息的大数据时代开始，城市综合模型已来到聚光灯下。基于众包的数据、遥感、在线社交网络、智能交通票务、手机使用情况和信用卡交易有一个共同点：它们都包含地理定位信息。因此，我们正从结构化的、静态的、人口和经济活动数据(例如，普查数据)转移到非结构化的、能够为城市动态提供新见解的动态数据。        虽然数据的潜力巨大，但它也伴随着许多障碍。我们有更多的数据，但通常对美国的决策和城市用户的行为解释力低。另一个与作为城市模范的我们非常相关，且与这些数据类型相关的重要问题是其在我们案例研究领域中的“代表性”。在这个意义上，我们刚刚开始学习如何应对这个巨大的模型转变。在过去，城市模型中使用的人口数据中的行为模式，由1%的人口抽样调查(或类似的值)推断而出。从这些新数据集，我们现在有更高的覆盖率，达到40%或50%的人口，但此示例的大小往往是以素质低、有噪音的或带有偏见的数据为代价。数据挖掘和混合多源数据的能力正在偏见和不一致的识别中变得越来越重要，这些不一致的可以是非常庞大的数据集，其中数以亿计的记录是家常便饭。计算科学使我们能够更快地处理数据，基于数据挖掘的新统计学因其统计分析变得至关重要。为了让事情更复杂，我们可以收集并使用所有这些数据的类似技术有一个更重要的影响：研究表明，ICT(信息和通信技术)正在改变着我们的生活方式。或者，换句话说，我们各种目的(工作、购物、休闲或教育等等)的日常活动都受到了ICT与环境交互方式的影响，不仅在我们规划它们的方式上，而且也在我们与它们进行互动和体验的形式上。城市模型在捕捉这些行为的变化中面临着一大挑战。 EUNOIA是一个欧洲科研项目，探讨如何可以整合、分析和可视化来自大数据和智能城市运动的大环境中可行的多源数据(包括来自智能卡、手机的使用痕迹、在线社交网络或信用卡，以及其他的数据)，从而理解城市中的流动和位置模式。新的数据源不仅可以用来取代或增强传统的数据收集方法，还可以了解和促进新建模方法的发展。这些反过来又可以支持研究人员和专业从业人员对于城市用户如何在城市中居住和迁移有新的洞悉。手机数据可用于获取比传统家庭旅行调查更低的成本的起始点出行分布矩阵，也可以用于配合调查，提供丰富的数据池。信用卡使用中的数据提供了非常丰富的遍及整个城市支出流动的信息，可以用来制定、校准和验证零售地点模型。在线社交网络可以用来研究社会互动在移动性中的作用。这份名单是无止境的，它的探索仍然是一个大范围的未知领域。EUNOIA项目正在考察这些事务和其他问题，并且开发以改进模型为目的并将其一体化为大规模的、最先进艺术的城市仿真工具，如基于代理的运输仿真框架材料模拟或更多聚合LUTi框架拟像。该项目还旨在开发用户友好型的视觉界面和数据展现形式，使分析推理和仿真结果的解释成为可能。在规划部门和来自三个城市(巴塞罗那、伦敦和苏黎世)参与该项目的移动利益攸关方合作中定义的若干案例研究，旨在评估新开发的工具解决有关政策问题的潜力，比如在伦敦和巴塞罗那规划和运营自行车分享系统。总结语

城市规划模型，已经成为规划师解决各地城市诸多发展问题的一个有用工具。这些模型现在都已经使用了40多年，也就是说它们经历了多次重新评估来提高其精确度。即使如此，城市模型仍然面临许多挑战。在这里我们强调其中的四点： 第一，城市模型需要更多的计算机处理能力，特别是运输模型。让各种模型在短时间内实现快速而有效的运行。第二，可视化界面表明，LUTi模型的结果仍有很多上升空间。需要更具互动性和全面的工具来理解这些要执行的结果，从而帮助医生和其他利益有关者。第三，在动态与静态模型实现概念有关的建模社区中，已经存在着一些讨论。就如Ying和Wegener讨论，这是一个极具挑战性的课题，因为它指出了模型设计的核心，那就是更好地捕捉这个平衡最有可能不断变化的世界。最后，与我们目前研究的EUNOIA项目现状也许最相关的是，我们需要找出是否有更多的代表性样本，比如来自大数据的样本，在城市建模发展中发挥潜在作用。我们相信任何领域的重要突破，将使城市规划者能从更好的立场出发，以应对城市目前正面临的许多挑战。