R-PIN:一种用于以人为核心的城市设计中高分辨率足迹绘制的区域行人图像修复网络
《COMPUTERS IN INDUSTRY》:R-PIN: A regional pedestrian inpainting network for high-resolution footprint mapping in human-centered urban design
【字体:
大
中
小
】
时间:2026年07月30日
来源:COMPUTERS IN INDUSTRY 10.0
编辑推荐:
摘要:精确的行人估算对于构建可持续、适宜居住的城市以及推动以人为核心的城市规划至关重要。然而,现有研究往往依赖粗糙的点状估算方法,这类方法缺乏捕捉细微行人活动所需的空间分辨率。本研究提出了R-PIN(区域行人修补网络),这是一种全新的深度学习模型,它将区域行人估算转化为图像修补任
摘要:精确的行人估算对于构建可持续、适宜居住的城市以及推动以人为核心的城市规划至关重要。然而,现有研究往往依赖粗糙的点状估算方法,这类方法缺乏捕捉细微行人活动所需的空间分辨率。本研究提出了R-PIN(区域行人修补网络),这是一种全新的深度学习模型,它将区域行人估算转化为图像修补任务,从而生成高分辨率且空间连续的行人分布数据。R-PIN通过双分支编码器与基于注意力机制的融合模块整合多源城市特征,既能捕捉局部细节,又能理解全局空间关联。在纽约市的实际应用中,R-PIN在多种城市环境中均表现出优异的性能,尤其是在曼哈顿和布鲁克林这些行人活动规律且稳定的区域。与常见的深度学习基准模型相比,R-PIN在平均绝对误差和平均平方误差方面分别降低了57.29%和79.96%。由于能够充分利用周边城市环境信息,R-PIN还能有效捕捉空间连续性及溢出效应,进一步将平均绝对误差和平均平方误差降低55.23%和76.97%。特征重要性分析表明,街道设计、道路网络、兴趣点以及土地用途多样性在塑造行人分布方面起着关键作用。总体而言,该框架为了解行人活动规律提供了细致的视角,也为街道级管理及以行人为导向的城市分析提供了强大的工具。
引言:城市环境是复杂的生态系统,其中人类活动在塑造城市动态、经济活动以及整体生活质量方面起着核心作用(Jiang等人,2022a)。在各种出行方式中,行人分布反映了主动交通与建筑环境之间的互动,是衡量城市活力与社会功能的重要指标(Li和Ma,2022)。因此,准确估算行人分布对于以人为核心的城市规划与政策制定极为重要(Jiang和Ma,2025)。这类信息不仅有助于设计富有活力的公共空间和便捷的行人友好型交通系统(Baek和Lim,2024;Eom等人,2024;Liu等人,2018),还能为打造宜居、宜步且具有韧性的城市提供长期战略支持(Hankey等人,2021;Li和Wu,2021)。
尽管行人分布数据非常重要,但至今仍难以以高空间分辨率获取。传统方法高度依赖固定传感器,而其高昂的部署和维护成本限制了覆盖范围(Jiang等人,2022b)。计算机视觉领域的最新进展使得可以从街景图像中提取行人信息,从而在一定程度上缓解了覆盖问题(Cai等人,2023)。不过,大多数现有研究仍采用基于点或粗略空间单元(如社区或区域)的聚合表示方法,无法捕捉对街道级管理至关重要的细微区域差异。此外,许多模型依赖简化的环境特征(如兴趣点数量、道路密度),难以体现城市形态与行人流动之间复杂且非线性的相互作用(Li和Ma,2022)。因此,在能够支持微观尺度城市规划与可持续城市发展的高分辨率、空间连续的行人分布建模方面,仍存在明显的科研空白。
为解决这些局限与研究空白,本研究开发了R-PIN(区域行人修补网络),这是一种用于高分辨率行人估算的全新深度学习框架。通过将行人预测转化为图像修补任务,R-PIN借助经过注意力增强的深度学习技术,生成空间连续的行人分布数据,为以人为核心的城市规划与可持续发展提供有力支持。本研究以纽约市为案例,验证了该模型在不同类型城市环境中的有效性。本研究的主要目标与贡献如下:
(1) 本研究是首批生成高分辨率行人分布数据的成果之一,突破了传统在离散位置进行点状估算的限制。通过综合考虑局部及周边城市环境,R-PIN能够捕捉空间连续性及溢出效应,从而为可持续城市发展提供更真实的行人活动模式。
(2) 不同于传统的单分支深度学习模型,R-PIN采用了能够同时捕捉细微局部细节与全局空间模式的架构。基于注意力的融合模块还能自适应地调整空间特征与通道特征的重要性,进一步提升模型在复杂、多尺度城市环境中捕捉行人活动动态的能力。
(3) 本研究采用了相对值归一化策略,将行人数量与当地中位数水平进行对比。通过将学习重点从绝对数值转向相对空间模式,该方法提升了模型的稳健性与泛化能力,使其能更广泛地应用于以行人为核心的研究及数据驱动的城市规划领域。
文献综述:本研究从三个方面梳理了相关研究:行人数据收集、行人估算方法,以及图像修补技术在城市环境中的应用。
问题定义:本研究将行人估算重新定义为类似图像修补的任务,突破了传统的点状估算方法,实现了高分辨率的区域行人估算(图1)。从形式上来看,该任务可表示为Y=fX,其中Y代表区域行人分布,X则是一组描述建筑环境的城市特征层,如建筑容积率、道路网络以及设施密度等。这些城市特征会被编码为多通道数据。
数据来源:为评估所提出的R-PIN模型在区域行人估算方面的性能,本研究在纽约市进行了实验。纽约市复杂的城市形态以及五个行政区中多样的行人活动模式,使其成为测试行人建模方法的理想且具有代表性的场景。本研究整合了多种数据来源,以全面反映该城市的各类城市特征(表1)。谷歌街景图像(主要来自2022年)是主要的 数据来源。
周边环境的作用:本研究的一个关键创新在于将区域行人估算视为类似图像修补的任务,从而使模型能够利用周边城市环境来提升预测精度。为了验证这一设计,研究人员使用相同的1024×1024平方英尺的目标区域,将R-PIN与一种非图像修补类的基准模型进行了比较。该基准模型仅依赖目标区域内的特征(属于传统的图像到图像预测方式),而R-PIN则处理更大的2048×2048平方英尺的输入区域,从而能够纳入更广泛的信息。
结论:本研究提出了R-PIN,这是一种用于高分辨率行人估算的全新深度学习模型。通过将该项任务转化为图像修补问题,R-PIN能够利用周边城市环境信息,生成精细且空间连续的行人分布数据,为以人为核心的城市规划提供有力支持。以纽约市为案例研究,主要结论如下:•R-PIN突破了传统的点状估算方法,能够生成空间分辨率更高的行人分布数据。
作者贡献说明:费丰江:写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件使用、资源协调、项目管理、方法设计、研究实施、资金筹集、正式分析、数据整理、概念构思。马军:写作——审稿与编辑、监督指导、资源协调、项目管理、资金筹集、正式分析、概念构思。王伟:写作——审稿与编辑、正式分析、概念构思。邱卫山:写作——审稿与编辑。
关于写作过程中生成式人工智能及人工智能辅助技术的声明:在准备本论文期间,作者们使用了ChatGPT 5.1来提升文本的清晰度。在使用该工具/服务后,作者们对内容进行了必要的审阅和修改,并对最终发表的文章内容负全责。
利益冲突声明:作者们声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
致谢:本研究得到了香港研究资助委员会的一般研究基金(编号17613425、17200422)与早期职业计划(编号22606526),以及中国国家自然科学基金的青年科学基金(编号42201092)的共同支持。
费丰江 | 马军 | 王伟 | 邱卫山
中国香港香港浸会大学地理系
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号