數據驅動的街道量化指標建設

發佈於「大城小室」公眾號，城室科技團隊出品，轉載請註明。

數據驅動的街道量化指標建設

本文圍繞城市街道設計導則中所涉及到的一些指標，通過多元數據融合與人工智慧影像識別來綜合測度，或者近似評價的原則來尋找合適的研究對象。

街道尺寸度量

通過18萬撞北京市市區的建築模型進行空間分析，疊合北京市14萬條高德地圖的路網數據，大規模清理後，綜合分析得到全市街道高寬比數據。過程主要如下：

1. 道路網數據深度清理。
2. 路網多重校核。
3. 全國樓宇3D模型資料庫更新與清理。
4. 通過道路中心線計算街道高、寬。
5. 超20萬分析採樣點+40萬計算數據集。
6. 計算數據的二次清理與分析。
7. 綜合分析與結論。

基於超過18萬的城市街道空間取樣點的分析數據，我們大體繪製了全北京城的主要街道高寬比分析圖。

依據原先的城市街道的高寬比數據，將城市街道中所有與之相關的城市街道影像資料作為標定數據的分割進行訓練綜合建立全新的城市高寬比人工智慧分析模型。

通過建立深度學習模型，將可以通過數據的方式體察街道的整體空間感知。

街道物體檢測

壹| 圖像類別分析

行人分析

城市街道物體要素識別，通過對於城市街景的分析，我們在102萬北京市街道影像的照片中識別出了215萬的行人，對北京中心城區街道的行人數據量可視化，柱狀圖的高度代表行人數量。

以下為對部分地區街道的街景進行圖像識別後的行人數量可視化圖示。

東單

三里屯

中關村

機動車分析

城市街道物體要素識別，通過對於城市街景的分析，我們在102萬北京市街道影像的照片中識別出了780多萬的車輛，以及34萬的大型貨車，對北京中心城區街道的機動車的數量進行可視化，柱狀圖的高度代表機動車的數量。

以下為對部分地區街道的街景進行圖像識別後的機動車數量可視化圖示。

望京

中關村

自行車分析

城市街道物體要素識別，通過對於城市街景的分析，我們在102萬北京市街道影像的照片中識別出了29萬的自行車。對北京中心城區街道的自行車的數量進行可視化，柱狀圖的高度代表自行車的數量。

以下為對部分地區街道的街景進行圖像識別後的自行車數量可視化圖示。

中關村

西單

同樣，我們也對街道座椅，交通信號燈等設施進行了圖像識別和可視化處理，由於內容過多，此處不再詳述。

城市街道物體要素識別是近年來較為先進的城市街道研發方案。儘管拍攝時間相對靜態，但城市市區的街道影像基本的時間更新尺度一致，所以單個城市內部的要素可比性高。北京市的街道行人、車輛、自行車的分布具有空間規律，比如中關村的非機動車比例較高，而東單、朝陽大悅城地區的行人較多，街道活力更好。

貳 | 城市色彩分析

對每一張圖片的顏色進行解析，將360度色環平均劃分為12等分，並將每一類色系的顏色依據其所佔比例進行計算。將同一地區的不同街景照片進行綜合，即得到該地區的「城市色彩圖譜」，分析各地的城市色彩圖譜，將有助於評估既有地區、路段的色彩狀況。還可根據人眼顏色感知進行權重調節。

針對每一張圖片的顏色進行解析，將360度色環平均劃分為12等分，並將每一類色系的顏色依據其所佔比例進行計算。

將同一地區的不同街景照片進行綜合，即得到該地區的「城市色彩圖譜」，分析各地的城市色彩圖譜，將有助於評估既有地區、路段的色彩狀況。還可根據人眼顏色感知進行權重調節。

街道活力指數

根據九類不同的功能業態劃分，我們將社區、文化、餐飲、娛樂、健身、酒店、休閑、購物、工作等作為城市功能活力的主要考量對象。並為其在街道空間上的分布進行了計算與分析。

通過核密度計算，進行活力點分析

綜合以上九類業態，疊加後，評價北京地區的綜合活力點。

街道連續度分析

根據城市風貌類別意向，通過機器學習的方式將北京市的總體街道風貌聚類為5種類型。

總體分布上，這些聚類呈現出同心圓的結構，而在中心城區內呈現一定的交錯分布，可能與北京的衚衕等街道特點具有一定的關聯，這一風貌可以在城市數量增多的時候通過比較得出不同城市的風貌特色。

城室科技團隊，致力於大數據和人工智慧，期待與你的合作。

公司網址：