作者│李栋

近日，由北京市规划和自然资源委员会主办的2019智慧城市与大数据应用系列讲座第二期在京召开，众多街道品质街景大数据研究领域专家齐聚一堂，就“基于街景和大数据的街道品质研究”与200多位与会人员进行了深入交流。

清华同衡规划设计研究院技术创新中心副主任李栋做了“街景数据在规划设计与城市管理中的应用”的主旨演讲。

非常高兴今天有机会和大家一起交流街景数据的研究和应用。整体来看，目前街景数据（图片、视频）的采集方式，主要是通过数据采集车、无人机等；处理方│面，包括应用机器学习、图像解译，把图像里的内容标签化，标注道路、车辆、天空、建筑等要素。基于采集和处理开展各类应用。

街景数据应用的主要场景可分为个人、企业和政府三大类。在C端，主要是老百姓对街景地图服务的使用，通过搜索，查看街道的状况；在B端，是企业或机构对街景信息的提取，包括街景图片、地名、地址、特殊名称、POI等，通过采集这些信息做信息化服务；在G端，其实目前还没有真正地把街景数据用起来。我今天的报告主要是和大家讨论在政府G端层面，尤其是我们国土空间规划管理部门该如何把街景数据用好。

▲清华同衡规划设计研究院技术创新中心副主任李栋（图片来源：北京规划自然资源）

关于街景图片政务层面的应用，我也尝试首次提出街景大数据的应用框架，即街景大数据的政务应用的“4+1+1”，“4”步实践、“1”个框架、“1”个平台。四步实践是指：关联、预测、归因、设计。下面我简单通过几个案例说明：

案例一：城市跑步指数评估与分析：我们获取到互联网上跑步爱好者分享的跑步的动机，制作了一张北京跑步指数的鸟瞰图。图中标示的红色地域，是北京跑步行为发生密集的区域。这样我们就知道了人们都在哪里跑步。

我们又想知道跑步行为跟跑步环境，主要是道路情况的关系。这样我们就开始研究对跑步行为的空间识别。所以我们在这里采用了一种叫“基于地理探测器的因子探测”的方法。通过对地理环境要素的解释行为发生的概率和可能性。这样我们就知道哪些要素是重要的，哪些要素是次要的。识别的过程就是，把空间图像当中的要素打上标签，分析指标。再把这些指标和跑步行为的量做关联、排序。比如距离绿地的距离，就和跑步行为有很大关联。

另外我们发现，有些指标的和跑步行为不是正相关的，不是说数值越大，跑步行为越频繁，有些指标和跑步行为的关系是U型。做这个分析的目的是为各项指标找到一个最合适的值，比如天空开敞，到底开敞多少程度是最受跑步爱好者喜欢的；街道宽，到底有多宽是最合适的。因为我们发现，道路过分开阔整齐，对促进跑步行为是有负面影响的。这个例子主要是阐述，我们把街景图像识别出来，最重要是和指标关联起来，分析出来各项指标作用于我们的强度。

案例二：沈阳骑行指数评估与预测。和上一个跑步指数案例类似的是，我们分析了骑行量和街道物理环境的关联，在此之上我们多做了一步：预测。我们将街景数据作为整个城市研究的数据来源之一，和其他类型的城市数据，比如道路事故、天气数据、骑行轨迹数据、出租车数据、道路两边的功能区数据等，通过模型把这些数据联系在一起。在指数构建当中，我们用街景图像做的主要是道路适宜指数，这里主要包括危险指数、道路旁设施、拥堵指数、骑行热度、多样性等。这样我们就把骑行热度在城市空间上表示出来。

预测方面，也是将骑行量及相关因素比如天气相互联系，建立模型。如果想鼓励骑行，我们就能够通过这套模型指导道路和建筑立面的设计工作。在这方面我们也做了一些具体的验证。

案例三：在街区尺度城市管理和规划设计中的街景数据应用。这项研究我们是和城管部门合作完成的。我们收集和分析了城市管理各类事件发生的时间、空间相关属性，考虑的街景核心要素包括通道、绿化率、机动化水平等。比如对 “乱停车”的问题，我们分析有哪些要素和这项问题发生关系，比如流动商贩、车道占用、废弃家具摆放等，并综合为一项“人居需求空间指数”。针对需求的高低来规划和布局改善性设施。

这项研究还可以做政策评估，对政策实施做一些简单的验证。针对性的政策实施后，在解决问题上有没有统计学的印证，通过街景数据分析也可以贡献相应的检验成果。

除此之外我们对街景数据的挖掘远超过图像本身的属性。这里有两个方面的探索，将人的感受和人的行为与街景数据相关联，通过街景之外的多源数据，对街景训练的结果建立视觉标签、情感标签、行为标签、社会经济标签等等复合标签体系，这样对街景数据的分析就可以转化为对人的预测。

我们也做了一个平台，街景数据采集分析后，对数据进行训练，直接提供评价结果，为政策制定和评估提供依据。目前我们还在做更进一步的探索，通过对世界各地城市街景数据的分析和机器学习，通过风格学习和迁移，自动生成出我们想要的街景效果，为市容市貌改造提供更清晰直观的建议。

以上是清华同衡在街景大数据应用方面的一些探索，期待接下来有机会与各位领导、同业伙伴进行更深入的交流！