中心城区绿道智能选线规划研究——以宿迁为例

蒋金亮 高湛 徐云翼 陈军

随着城市居民对日常休闲健身活动和空间的需求提升，承载生态、休闲、文化功能的城市绿道日益成为健康导向下城市建设的现实需求。绿道作为线性的景观廊道，能够为人们提供休闲、游憩空间，保护景观连续性，提供动植物栖息场所，兼具游憩、教育、历史资源及生态保护等功能[1-2]。作为城市化地区生态修复的尝试，绿道建设需兼顾生态保护与绿地可实用性，可以满足市民日益增长的优美生态环境需要，有效助推城市高质量发展[3]。国外绿道建设除考虑人为使用外，更多凸显生态功能，而绿道在国内以提供交通、游憩功能为主，服务于具体使用者[4]。因此，通过科学的绿道选线规划进而建设高质量的城市绿道系统，对于提升城市生态环境效益，满足人民群众游憩、健康等需求，具有重要现实意义。随着绿道建设的探索与实践，区域尺度的绿道系统规划方法相对成熟和完善，而中心城区绿道系统研究则处于探索阶段[5-6]。相较于区域绿道建设，中心城区人口相对聚集，建设用地制约明显，矛盾也相对突出，其绿道建设更要能满足居民日常使用需求，以提高城市活力和环境质量。

结合当前中心城区绿道选线和规划现状，本研究梳理当前绿道选线研究方法，以经典设计理论作为支撑，收集多源城市大数据，借助机器学习、人工智能算法，提出绿道选线分析框架。以宿迁市中心城区作为绿道选线案例地，本研究整合基础地理、POI（Point of Interest）、手机信令、街景、土地利用等多源数据，分析居民真实出行特征，多因子综合分析居民运动轨迹的真实倾向，进而模拟居民出行行为，提出中心城区绿道选线方法，提取潜在绿道网络，形成绿道选线规划方案。

1 绿道选线相关研究进展

1.1 研究进展

奥姆斯特德（F.L.Olmsted）在波士顿城市公园规划中提出的“parkway”成为美国绿道萌芽，“翡翠项链”式公园系统成为国际公认第一条绿道[1]。20世纪90年代Little[7]指出，绿道是沿着自然廊道、交通线路或其他线路的线性开放空间，是为慢行系统设立的自然或景观道，连接公园、自然保护区、文化景观或历史遗迹之间及其聚落的开放空间，包括其局部的公园道或绿带。目前绿道按功能主要分为3个类别： 1）具有重要生态意义的走廊和自然系统的绿道； 2）靠近水和风景的休闲绿道； 3）具有历史遗产和文化的绿道[8]。21世纪初，绿道理念被引入中国，并在浙江、广东、北京等地开展了相关规划研究和建设实践[9-11]。

根据空间分布类型，绿道主要分为区域、城市和社区绿道3类，在实践中也可在城市和社区绿道间增加城区绿道[6]。本研究的中心城区绿道属于城区绿道，主要考虑城市环境内部，在供给端连接高级别的城市资源点（如区域性公园等），在需求端优先连接大型居住区等设施，空间载体为城市道路、河道水系及沿线线性绿地[6]。与区域绿道相比，中心城区绿道通常是慢行系统的重要载体[12]，居民日常使用频率更高，对其需求也更高，可作为公共空间来激活片区，且中心城区绿道布局与空间环境紧密关联，受到空间制约，需要考虑的因素更多。

如何通过绿道系统的优化构建和慢行空间的提升打造，融合城市空间与生态空间，成为绿道系统规划面临的重要课题，因此国内外学者进行了大量实践探索。早期绿道研究主要集中在区域尺度的绿道系统，学者利用GIS路径分析方法，采用引力模型、成本距离模型等方法进行绿道选线。如罗坤[1]结合徐汇区实际情况，借助成本距离模型评估区域内任意点到公共绿地、历史文化等设施的成本距离，判断绿道选线的可达性，进行绿道选线综合适宜性评估；周盼等[13]运用最小累积阻力模型和多因子叠加法，对绿道遗产保护、游憩可达性和生态保护进行适宜性分析，确定绿道选线；徐希等[14]从生态安全格局、资源分布和设施支撑对绿道选线进行综合评价，人工修正后确定绿道选线。不同于区域尺度绿道选线，在城区尺度，学者以承载绿道的线性空间作为评价对象，分析道路的绿道建设适宜性，从而进行绿道综合选线。如李敏稚等[2]提出适宜性指标体系框架，运用成本连通性和成本距离工具进行分析和修正，构建广州历史城区绿道规划网络。王春晓等[15]考虑绿道适宜性影响因子，建立多源数据融合的绿道适宜性评价模型，提出城镇型绿道评价方法。

随着信息技术的更迭，大数据和机器学习等新技术为绿道研究提供了新的数据来源和分析方法。由于居民慢行活动数据能精准量化人对空间的实际使用，被广泛纳入绿道研究，时空行为分析、深度学习等方法被逐渐用在线路规划中。如徐欣等[16]借助GPS轨迹及图片数据，利用数据空间网格化、近邻分析等方法研究游客时空行为特征，为景区线路规划提供建议；叶宇等[17]、Tang等[18]采用层次分析法计算道路各因素权重，对绿道适宜性进行总体评分，提出绿道选线方案，并采用机器学习方法评价街道空间品质，提高绿道选线科学性；陈希希等[5]结合共享单车大数据，分析自行车高频使用空间，结合绿地价值和潜力分析，探索城市型自行车绿道选线方法，将高频使用的骑行空间和绿地空间纳入绿道体系。

1.2 研究述评

目前，国内外对于绿道选线规划的相关理论和实践研究较为丰富，先进理论和方法被引入绿道规划中。但当前绿道系统规划更多采用自上而下的分析视角，借助物理空间静态指标进行综合评估，聚焦于空间路径模型或绿道载体评价，在分析中较少考虑自下而上的人本视角和时空间行为分析方法，缺乏对居民在绿道中的行为方式研究，在方法上对于机器学习的应用仍然处于探索阶段。因此，在多学科、多技术融合的背景下，本研究拟采集居民活动数据，通过时空间行为分析、机器学习等方法综合分析居民的真实出行倾向，剖析居民真实轨迹的相关指标变化规律，进而模拟居民出行行为并提出绿道选线方案，尝试提出一种中心城区绿道智能选线方法，推动绿道选线规划方法更新。

2 研究设计

本研究以5D理论作为依托，以时空行为分析方法作为支撑，采用LSTM（long short term memory）神经网络方法对居民运动轨迹的指标变化规律进行模拟学习，预测居民在绿道中的行进规律。

2.1 5D设计理论及指标选取

随着空间品质成为城市设计重要目标，研究者尝试引入量化分析方法对其进行测度[19]。Ewing[20]在1997年提出3D模型，包括密度（density）、用地多样性（diversity）和设计（design），用以分析城市环境品质对交通行为影响。Cervero等[21]进一步增加目的地可达性（destination accessibility）与交通距离（distance to transit）两个变量，提出5D理论，用以量化城市环境品质。5D理论被广泛应用于城市建成环境品质测度，为高密度建成环境绿道规划和研究提供分析理论：一方面，已有研究借助5D理论测度绿道可建设性指标，开展绿道选线潜力评估[17-18]；另一方面，研究者以5D理论作为评判绿道建成环境特征指标的理论基础，分析绿道建成环境对绿道中活动及活动多样性的影响[22-23]。

通过对国内外相关研究进行检索和综述，综合考虑既有研究的绿道选线评价指标体系（表1），本研究构建基于5D理论的绿道分析的指标体系，共包含人口密度、POI设施密度、POI设施混合度等共10个绿道体系测度指标，可归纳为密度、多样性、设计、目的地可达性、交通距离5类绿道体系测度类型。

表1 绿道选线评价指标体系[1,2,14,17,22,24]Tab.1 Evaluation index system of greenway route selection indicators[1,2,14,17,22,24]

2.2 技术路线

本研究依据研究问题和理论确定了绿道智能选线技术路线（图1）。首先，收集手机信令、运动轨迹、街景、道路网络等数据构建现状数据库；其次，结合GIS、时空间行为分析、机器学习等方法，提取所有道路5个维度共计10个指标；再次，提取运动轨迹所经过的道路及次序信息，将相应的各道路互通关系转换为人工智能框架能够识别的Networkx库格式，采用LSTM神经网络算法训练得到运动轨迹不同指标变化规律，将真实轨迹起点和终点输入人工智能体框架，采用类A*算法模拟得到运动轨迹并与真实运动轨迹进行验证对比；最后，提取绿道选线的起始点和终点，将其输入到训练的人工智能框架，得到模拟的居民出行线路，识别出高频次出行线路作为绿道选线规划的依据，最终形成绿道规划方案。

图1 绿道智能选线技术路线图Technology roadmap of intelligent greenway route selection

3 研究方法与数据

3.1 研究方法

3.1.1 研究对象

宿迁位于江苏省北部，是全省最年轻的城市，近年来创建国家生态园林城市，坚持生态立市发展战略，全面推进国家森林城市建设。考虑到宿迁生态本底良好，地势平坦，且中心城区尺度大小合适、绿道建设条件较好，因此本研究选择宿迁中心城区为研究对象。宿迁中心城区总面积约359.32 km2，是宿迁城市的核心载体，也是全市的政治、经济、文化、交通、金融中心。

3.1.2 时空间行为分析方法

20世纪60年代中后期，强调个体和微观时空过程的时间地理学、行为主义开始发展，奠定了时空间行为研究的理论基础[25]。时间地理学将时间和空间在微观个体层面相结合，通过时空棱柱、时空路径等概念及符号系统构建理论框架[26]，其核心思想是满足个人需求的活动和事件具有时间维和空间维[27]。目前，居民的时空间行为研究正在逐渐从传统问卷调查或访谈方法转变为利用GPS、移动互联网等新技术手段获取研究数据，呈现出研究方法科学化、研究对象个体化、研究主题应用化等趋势[28]。

3.1.3 LSTM神经网络模拟方法

本研究拟采用机器学习中深度学习的方式，根据居民的运动轨迹寻找出道路各指标的变化规律。常用方法模型是深度学习中的循环神经网络模型，这是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络[29]。但循环神经网络仅能够记忆轨迹中短期的指标变化规律，并不适用长期记忆，因运动轨迹较为密集，需要长时记忆，故本研究使用LSTM神经网络，以解决长时依赖问题[29]。LSTM神经网络通过对规律的长期记忆，最终输出变化规律。

LSTM神经网络每一个循环单元有一个额外的记忆状态ct和若干控制信息流的门，包括输入门、记忆门、遗忘门和输出门，可以对长时间跨度的信息进行阈值筛选并选择性记忆。LSTM神经网络计算式如下[30]：

式中：htt为隐含状态，xt为 时刻的输入，ftft、it、ot、ct分别为 时刻的遗忘门、输入门、输出门和记忆状态向量。c˜˜tt为记忆更新向量；σ（·）表示Sigmoid函数， t anh（·）为双曲余弦函数；W、U表示权重矩阵；b表示偏置向量；⊙表示向量标量积，yt为t时刻的输出。

本研究在LSTM神经网络中输入不同滞时的序列（即不同道路指标值序列），通过输入门、遗忘门和输出门调整循环单元的记忆状态向量与隐含状态向量，进而实现长短期记忆及序列预测。为使LSTM神经网络发挥有效学习能力，可通过循环单元中的记忆状态向量ct，借助阈值设置与前序列单元的传递，将前序输入信息有选择性地长期保留，而遗忘门则控制前一时刻的记忆状态向量ct-1中哪些元素会被遗忘。LSTM神经网络中记忆状态向量和隐含状态向量的长度可以指定，且多个LSTM网络层可以相互叠置，需按照输出的格式在最后时刻添加相应的密集层（也称全连接层，图2）。

图2 LSTM神经网络结构示意图[30]Structural schematic diagram of LSTM neural network[30]

LSTM神经网络的具体设置参数必须在预先设计好之后，通过一定次数的测试和训练才能够得到最适合的值。

3.1.4 类A*算法路径模拟

本研究的人工智能框架指的是能够将需求使用在已加载了智能体及相关算法的结构中，只需输入起终点即可自动运行相关算法进行最优化路径选择。A*算法是启发式搜索算法之一，被广泛应用于路径优化领域，通常用于计算最短路径，是路径叠加计算的最小值。它的独特之处是在检查最短路径中每个可能的节点时可引入全局信息，对当前节点距终点的距离做出估计，并作为评价该节点处于最短路线上的可能性的量度。本研究采用改进的类A*算法，计算利用变化规律预测出的值与实际值之间的Pearson相关系数，并利用相关系数反算出离散系数，加权求和的最小值即为与预测最佳值相差最小的最优路径。

3.2 数据收集与处理

本研究数据主要来源于土地利用数据、运营商数据、网络公开数据等渠道，包含用地、道路、设施、街景图片、手机信令等数据类型。其中用户运动数据来源于六只脚运动轨迹网站（www.foooooot.com），提取研究范围内慢行活动的GPS出行轨迹，按照时间顺序生成轨迹；道路数据、POI数据来源网络地图API（Application programming interface），利用GIS软件形成矢量数据，并基于分类字段及城区公共服务设施名录对获取到的POI数据进行筛选，按照商业设施、公共服务设施、风景名胜等进行重分类；手机信令数据来源于通信运营商，将手机信令数据聚合到网格中；街景图片数据来源于网络地图API，以矢量路网为底图，每隔50 m设置一个街景采集点，采集沿路方向和垂直道路方向共4张街景图片；用地数据来源于第三次全国土地调查的结果，包含耕地、种植园用地、林地、草地等多种地类分布情况；自然生态、休闲游憩、历史文化等资源名录来源于调查数据，通过地址解析进行空间落位。

数据收集、清洗、存储后，通过指标计算形成绿道体系测度指标（表2），再将其与道路进行空间链接，得到各指标空间分布图。

表2 绿道体系测度指标Tab.2 Measurement indicators of greenway system

4 绿道选线分析结果

4.1 居民绿道活动特征

将采集到的居民运动轨迹进行空间可视化表达（图3），可看出慢行轨迹基本覆盖到中心城区全部路网。轨迹热度较高的道路主要集中在宿豫区和宿城区中心区域，外围郊区和乡镇的道路轨迹热度相对较低。中心城区大型公园附近慢行轨迹热度尤为集中，如古黄河湿地公园周边的八一路、骆马湖路。中心城区北侧的湖滨公园、三台山森林公园周边道路也呈现较高的慢行热度，是居民运动较多的线路。

从慢行轨迹起点及终点核密度来看，起点核密度主要集中在宿城区古城，特别是人民广场、市政府、古黄河两岸等地，这些区域人口分布较为密集，以居住人口集聚为主。慢行轨迹终点核密度则更为集中，主要沿着古黄河湿地公园南侧分布，表明古黄河湿地公园人流集聚量较大，成为热门慢行目的地（图4）。

图4 慢行轨迹起点（左）和终点（右）核密度Nucleus density at the starting point (left) and ending point (right) of slow motion trajectory

4.2 绿道选线模型训练及路径模拟

4.2.1 机器学习模拟及验证

按照拓扑学原理，将所有道路抽象为节点，节点与节点之间的关系抽象为联系，道路指标与路网对应形成附指标的路网，并将其简化为拓扑路网（图5）。将道路抽象成拓扑点，按照行列排布形成拓扑网络，用S作为代号，在代号之后加上行列的后缀作为拓扑点代号，如“S_08_09”表示第八列第九行道路拓扑点。

图5 拓扑路网局部示意图Partial schematic diagram of topological road network

经过数次测试之后，本研究设置LSTM神经网络时间步长记录为3，隐藏层为4，迭代轮次为5，其计算效果最佳。将已根据运动轨迹道路顺序生成的指标变化表数据输入设置好的LSTM神经网络进行训练，将变化规律结果导出，作为后续人工智能的智能体运行规则。考虑到道路不同维度变量的多重影响，本研究的LSTM神经网络模型采用单变量输入，避免多变量输入对模型精度的影响。LSTM神经网络模型在输入门即道路的相关指标向量中，与记忆状态向量相连，在序列输入中通过记忆状态向量与隐含状态向量在遗忘门中决定是否对该条轨迹进行记忆，最终通过输出门输出各变量的记忆模型。随机选择运动轨迹的70%作为训练集，30%作为测试集，测试结果中绿色是测试部分，红色为利用已生成模型对规律进行验证（图6）。

各个指标在整体范围内的均方根误差均较小，拟合度基本都高于80%，平均损失也很小，可认为输出的各模型相对精准，可输入人工智能模型进行下一步运算。其中，因为不同类别POI设施在不同片区空间分布差异太大，POI设施混合度指标误差较大，在分析中予以剔除。

4.2.2 绿道路径模拟及验证

将LSTM神经网络输出的变化规律加载至人工智能框架中的智能体中，输入真实运动轨迹的起终点，使智能体按照指标变化规律模拟生成轨迹（图7）。其中，输出轨迹与训练集的起终点相关，在道路指标变化规律已得到验证的基础上，本研究进一步对模拟轨迹的合理性进行验证，确保人工智能框架的输出结果具有鲁棒性。

图7 预测轨迹特征Predicted trajectory characteristics

本研究计算每一条轨迹真实热度和预测热度值，其中每一条轨迹的热度值为每一段道路通过次数之和，并分析真实值和预测值二者相关性。通过测算，真实轨迹热度和预测轨迹热度相关系数为0.82，可以认为预测轨迹与真实轨迹较为接近，整体模型具有较大可信度（图8）。

图8 轨迹热度验证Trajectory heat verification

4.2.3 出行路径模拟

将指标变化规律和拓扑路网输入人工智能框架，以所有居民小区中心为起点，大型公园绿地入口作为终点。其中公园绿地包括虞姬公园、雪枫公园、古黄河风光带、马陵公园等，整体上呈现均匀分布，平均面积为

72.67 hm2。

将人工智能框架内预置的智能体在拓扑路网中根据指标变化规律模拟轨迹运行，最终输出路线模拟后的运动轨迹，对轨迹做热度统计处理，得到基于人工智能的绿道选线基础（图9）。根据热度分析结果，可看出湖滨大道、项王路、金沙江路、振兴大道等路径居民出行经过频次较高，适合串联打造绿道系统。

图9 模拟居民出行热度Simulated resident travel heat

5 绿道选线规划及指引

将上述模拟结果反馈到规划分析中，构建绿道体系规划图（图10）。具体选线原则包括：1）以居民出行模拟分析结果为依据，提取频次较高线路为绿道选线的基本依据；2）绿道选线应尽可能串联中心城区相关游憩资源，包括自然生态、休闲游憩、历史文化等资源；3）尽可能避开阻碍绿道的空间，如高速公路、快速路等；4）考虑到中心城区水系密集的现状，尽量串联滨水空间。至此，研究完成了绿道选线从数据分析、模型训练、规律验证及路径模拟的过程，提出绿道智能选线规划方法，支撑中心城区绿道体系规划研究。

图10 绿道体系规划图Greenway system planning map

最终确定的绿道选线由东向西衔接了中运河和古黄河两条重要水系，串联了三台山森林公园、湖滨公园、项王故里、虞姬公园、雪枫公园、东关口历史文化公园等资源点，同时结合了周边公共空间、文旅空间，形成绿道与其他空间的融合（图10）。绿道连接蔡集镇、耿车镇，与环湖大道、环骆马湖、西楚大道、南京路及多条道路相连通，具备较好的游憩可达性。依据绿道智能选线方法确定的绿道选线布局，基本实现了智能化分析与空间布局效果的协调，达到了辅助规划决策的预期目标。

后续规划通过绿道与公园绿地、公共开放空间的综合分析，采取以“拓绿纳新、慢行联通”的提升策略，构建功能更加全面的绿道体系，并进一步加强与相关规划、近期中心城区重点工程建设计划等的衔接，梳理绿道建设、公园、休闲游憩项目等内容，形成重点项目库，整体推进绿道规划和建设。

6 结语

本研究整合多源数据，分析居民真实出行的时空特征，测度绿道选线的影响要素，构建绿道选线的人工智能分析路线，提出一种中心城区绿道智能选线方法，即结合LSTM神经网络、类A*算法等构建绿道智能选线，进而确定绿道选线布局的方法。该方法有别于传统的基于指标体系综合评估的分析方法，从人本视角构建人工智能分析框架，将居民真实活动轨迹融入空间要素分析中，融合居民出行行为特征与街道环境要素，借助基于人工智能的量化评估方法，为绿道选线规划和建设提供指导。

本研究提出的绿道选线规划方法，需借助已有居民绿道活动轨迹进行规律分析，适用于中心城区特别是老城区绿道选线规划，对于新区及大区域尺度的绿道分析方法，有待于未来进一步研究。在指标代表性和数据校核方面，本研究借鉴5D理论提取绿道影响指标，其代表性有待进一步验证，且通过街景图像、POI数据分析街道特征所得到的数据需要与传统调查数据进行校核。在数据收集和整理方面，后续研究将通过对市民的意见采集，生成初步权重并与现有数据进行比对矫正，对数据与现实之间的复杂关联性做进一步的阐释。在研究方法方面，本研究LSTM神经网络模型采用的是单变量输入，后续应考虑不同变量的相互影响，进一步优化模型。除采用人工智能方法对绿道选线进行模拟，仍需考虑智能选线背后的限制因素、影响机制，后续将继续深化数据收集和处理方法，采用“大数据+小数据”整合性方法，一方面结合现场调研对居民轨迹进一步挖掘分析，另一方面对不同地区绿道智能选线进行整体研究，总结绿道智能选线规律，分析背后影响机理。本研究提出的绿道智能选线方法，除可应用于慢行系统外，可进一步推广到其他线路选线研究，包括通学路、旅游线路等路线研究，以规划更符合真实出行行为的线路，营造以人为中心的城市空间环境。未来，基于人工智能的规划方法在城市规划和建设领域可进一步推广，延伸到用地布局、公共空间配置等领域，测度不同空间的要素特征，识别其变化规律，进而构建智慧规划方法体系。

致谢(Acknowledgments)：

本研究得到了中国科学院地理科学与资源研究所副研究员孙东琪老师在论文选题、数据处理、结论分析等方面的指点和帮助，特致谢意！

图表来源(Sources of Figures and Tables)：

图2由作者根据参考文献[30]绘制；表1由作者根据参考文献[1][2][14][17][22][24]绘制；其余图表均由作者绘制。