基于生成式 AI 的城市布局预测新框架
研究人员提出了一种全新的生成式人工智能框架——MMCN（记忆感知多条件生成网络），通过同时考虑建筑密度、建筑高度、交通网络以及历史发展模式，对未来城市空间布局进行预测。
该框架在扩散模型基础上，引入多条件控制、语义提示融合和空间记忆嵌入等机制，为刻画复杂的城市演变过程提供了新的技术路径。MMCN为探索可持续城市发展提供了有力工具，展示了生成式 AI 在城市设计领域的潜在变革作用。
城市快速扩张与可持续性挑战
在全球城市以前所未有的速度扩张背景下，城市化进程中的环境可持续性问题愈发突出。城市设计需要面对关于基础设施建设、建筑开发、交通网络布局和土地利用等一系列长期决策，这些因素共同决定了城市未来的空间结构与可持续发展水平。
然而，这些决策高度复杂。城市增长由建筑密度、建筑高度、道路网络以及历史发展轨迹等多种因素共同驱动，并在时间维度上持续演化。传统城市设计方法往往难以全面捕捉这些相互作用和动态过程，从而限制了对城市发展趋势的准确预测。
生成式 AI 在城市规划中的局限
在此背景下，人工智能逐渐成为建模复杂空间格局、支撑数据驱动城市规划的有前景工具。但现有许多基于生成式 AI 的模型在处理多种城市发展因素时存在不足，难以在大尺度范围内保持空间连续性，常出现预测结果碎片化、结构不连贯等问题。
MMCN 框架的提出与研究团队
为应对上述挑战，日本先进科学技术学院（JAIST）与日本早稻田大学的研究人员联合提出了记忆感知多条件生成网络（MMCN）这一新型 AI 框架。
研究由 JAIST 与早稻田大学的谢浩然副教授领衔，团队成员包括 JAIST 博士生杜旭升、中国天津大学许震教授等。相关成果已发表在期刊《可持续城市与社会》（Sustainable Cities and Society）上。
谢浩然表示，研究的初衷在于缩小当前 AI 能力与城市规划实际需求之间的差距，构建一种能够在综合多种城市发展因素及历史演变模式的前提下，对未来城市布局进行预测的模型，其设计思路借鉴了专业规划师的实际决策流程。
数据来源与模型输入
MMCN 依托多时态空间数据进行建模，主要包括：
- 建筑布局
- 建筑密度
- 建筑高度
- 交通网络
上述数据被统一处理为 512×512 像素的图块，用于模型训练。研究中选取了中国发展速度最快的城市之一——深圳的城市布局数据作为主要样本。
模型架构与关键技术
MMCN 的网络架构将扩散模型与多条件控制机制相结合，使多种城市要素能够共同引导生成过程：
- 语义提示融合模块：对不同类型输入信息进行编码，将建筑、道路等多源数据转化为可被模型理解的语义特征；
- 空间记忆嵌入组件：保留相邻区域的空间上下文信息，确保不同图块之间在结构和布局上的连续性；
- 多条件生成分支：多个条件分支与扩散模型深度集成，构成核心生成模块，使生成结果在整体上符合历史发展模式，呈现真实、连贯的城市布局。
在训练过程中，模型采用去噪损失和边缘拼接损失函数，以提升重建精度并平滑图块边界过渡。通过这一设计，MMCN 能够更好地刻画城市变量之间的复杂交互关系，生成空间一致的城市发展预测结果。
实验结果与性能评估
实验表明，MMCN 在城市布局预测任务上表现优于多种基线方法，包括 Pix2Pix、CycleGAN 和 Instruct-Pix2Pix 等。
在定量指标上：
- 结构相似性指数（SSIM）达到 0.885；
- 边界交并比（IoU）达到 0.642。
这些结果说明，MMCN 在结构保真度和空间连续性方面具有明显优势。
定性分析进一步显示，MMCN 生成的城市布局在道路网络连通性、建筑群组织结构等方面更加真实、完整，而对比模型则常出现道路中断、结构重复或空间模式破碎等问题。
多因素与空间记忆机制的重要性
研究结果凸显了在统一生成框架中引入多因素条件、空间记忆机制以及历史模式学习的必要性。通过在中国上海和天津等城市数据上的跨城市实验，研究团队验证了 MMCN 在不同空间条件下仍能生成稳定、一致的城市布局预测，体现出一定的泛化能力。
对可持续城市设计的应用价值
除了技术性能上的提升，MMCN 在实际城市设计中也具有直接应用价值。通过模拟不同的城市增长情景，该框架可帮助规划者评估多种发展策略的长期影响，从而支持更理性、更具前瞻性的可持续决策。
这一能力与可持续发展目标高度契合，尤其是在构建具有韧性、包容性和宜居性的城市方面，MMCN 可为政策制定和规划实践提供辅助支持。
未来发展方向
研究团队提出了若干后续改进方向：
- 将气候模型纳入框架，用于评估城市发展方案的环境影响；
- 融合社会经济数据，实现更全面的城市演变预测；
- 构建基于 MMCN 的交互式规划工具，促进社区与利益相关者参与城市设计，推动协同规划实践；
- 扩展数据集覆盖形态多样的城市，以进一步提升模型在全球不同城市环境中的泛化能力。
结语
总体来看，MMCN 标志着 AI 辅助城市设计迈出重要一步。通过整合多种空间要素与历史发展模式，该框架为预测城市布局演变提供了一种新的技术路径。
依托准确且空间连贯的预测能力，MMCN 有望成为引导城市走向更具韧性、宜居与可持续未来的重要工具，为应对快速城市化带来的复杂挑战提供技术支撑。
