基于數據融合和規劃場景設定建設多源數據規劃應用平臺

徐 猛 XU Meng

0 引言

城市規劃的經濟本質之一是城市空間資源的配置機制。而主導城市規劃編制的主體將由城市發展需求導向的雅爾塔三元精英結構（政府、企業、專業人員）走向人機交互與協同，體現全體成員訴求的全民參與（每個成員的主動愿景表達甚至每次出行產生的單體數據都將以整體數據訴求的形式深刻影響城市規劃）。就此意義而言，“規劃+大數據”更有機會表達全民對于稀缺的城市空間資源配置的集體意愿。

以上海2035總體規劃編制及其落地為契機，為配合上海市城市規劃設計研究院（以下簡稱“上規院”）“規劃+大數據”戰略，上海數城網絡信息有限公司自主開發了多源數據規劃應用平臺（以下簡稱“平臺”），嘗試提供法定規劃編制中傳統“官方數據+社會大數據”的應用端接口，探索數據在規劃設計中的應用，并在楊浦濱江城市設計、長寧區慢行系統規劃和虹橋開發區整體城市更新研究等項目實踐中獲得規劃師和評審專家的肯定。

1 需求分析

1.1 業務需求調研

平臺開發的目標用戶群體是一線規劃業務工作者，故開發團隊立足規劃業務編制需求，通過走訪座談、項目合作等方式獲取大量規劃業務數據需求意向，包括使用場景、數據意義、使用數據目的、數據表現形式、模型公式、規劃結論等。

通過系統梳理眾多規劃師的數據應用訴求，將其總結為3個要求：

（1）數據存儲，對上規院多方獲取的數據資源進行更有效的展示、存儲，以規劃語義進行數據表達比單純的數據羅列更能實現規劃價值。

（2）數據管理，針對不同維度的數據進行更科學的管理和維護更新。不同維度包括空間尺度（顆粒度）和時間維度。

（3）模型算法，規劃模型方法論的標準化。多年的規劃實踐和項目積累可以為模型方法進行沉淀和總結，并在規劃編制中普適推廣和演替更新。形成規劃編制項目質量可控、橫向可比、標準可依。

規劃項目中的數據支撐服務如果通過產品的形式提供，則該數據產品應具有普適性、開放性、系統性的特征，才能基本涵蓋廣泛的規劃應用場景和推廣價值。

1.2 類比產品研究

重慶市規劃院下轄重慶城市大數據實驗室，基于手機信令數據建立了重慶人口特征數據庫和“時空人”觀測平臺[1]，為該院的規劃業務編制提供了新穎的數據研究窗口和量化手段，獲得良好的業務反饋。基于此，該數據實驗室從基礎數據倉庫建立、專項應用研究、規劃體系應用到科普教育，形成了完整的業務體系鏈條。

北京市規劃院與其他企事業單位合作成立的北京城市實驗室（BCL）[2-4]是國內較早進行大數據規劃行業應用研究的專門機構，其專業成果豐富，社會影響廣泛。

日本GSI公司專業從事商業地理選址咨詢服務[5]。基于其強大的Market Analyzer產品，可以為商業客戶提供完整的選址建議報告服務。其分析模型的精細定量化、數據更新高效是產品的核心競爭力之一。

通過業務需求調研和類比產品研究，結合自身的資源條件，確立了產品開發的基本方向和實現目的。

2 總體設計

2.1 平臺目標

為法定規劃編制提供量化解決方案。依據規劃編制對大數據的客觀需求，對多源數據進行規劃語義的整合、重塑、可視化和交互操作設計，實現數據分析的產品化、標準化，構建規劃師可以高效便捷使用的規劃設計應用平臺。

2.2 指導準則

（1）鏈接功能，多源數據規劃應用平臺旨在鏈接規劃師和大數據。

（2）人機共生共進，平臺“替代”規劃師完成可數據化、標準化的重復性工作，釋放主創人員的生產力（時間），推動規劃師轉型升級編制更具創意的方案。

（3）應用界面友好，打破專業壁壘，降低數據應用的技術準入門檻，使得每位規劃師只需上傳項目規劃范圍，即可開始“規劃+大數據”應用體驗。

2.3 功能定位

（1）智能平臺：多源大數據的融合、展示和知識挖掘。

（2）解決方案：規劃決策模型開發、呈現、交互使用。

（3）功能模塊：科研課題研究方法沉淀、總結和持續更新、使用。

2.4 工作路徑

第一階段：平臺為人服務。

目前已完成平臺1.0版本垂直創新，由零到一實現職住模塊功能；正在啟動平臺2.0版本水平創新，由一生二以致多模塊。

圖1 職住關系數據融合技術體系結構圖資料來源：作者自繪。

模板設計：覆蓋宏觀、中觀、微觀各類專項的應用場景，提供可供選擇、參數化的單元畫像功能群。平臺依靠模塊數量的積累，單向為規劃業務人員提供數據服務，并成為上規院科研轉化為規劃生產力的平臺。

第二階段: 人在平臺的互聯網化、數據化。

由規劃師和數據工程師共同主導進行更多模塊構建、更多模型完善、更多數據融合、更多功能延伸，使平臺不斷更新迭代，實現功能模塊與業務應用的良性互動、提升和演進。

這一階段規劃師已經自動黏連平臺，通過平臺不斷獲得整個規劃行業內新思維、新技術、新方法來解決規劃問題，同時，他（她）的創新案例被數據化、模塊化地反饋到平臺，實現單體設計師的IP化。

第三階段：人機合一，協同進化。

平臺的最終愿景是使具備專業訓練背景的規劃師能熟練駕馭人工智能輔助設計平臺，包括數據抓取、清洗分類、模型運算、評估判斷，并生成具有設計師個體價值偏好的方案，如影隨形，人機合一。與此同時，平臺借由互聯網化的個體設計師的創新集合，演進為呈現多元價值觀的AlphaGo智慧子系統。

3 數據融合技術體系

從職住關系命題到多源數據的融合需要經歷“命題解讀”、“量化維度分解”、“詳細指標體系建立”、“基礎數據支撐”4大過程。這一體系既不是絕對的自上而下理論拆解，也不是簡單的自下而上數據拼裝，而需要各個過程不斷地融合貫通，最終才形成完整的數據融合技術體系。

3.1 職住關系命題與量化維度分解

職住關系是城市規劃的經典命題，誕生于1933年的《城市規劃大綱》（后來被稱作《雅典憲章》）指出，城市規劃的目的是解決居住、工作、游憩與交通4大功能活動的正常進行。該大綱針對就業存在的問題建議有計劃地確定工業與居住的關系。

關于職住關系的研究，以“職住平衡”為切入點開展得最為豐富，特別是在過去二三十年里，以數據科學為背景，經歷了從“交通出行調查”到“大數據”的過程，職住平衡的量化分析得以體現。而隨著大數據的不斷出現，關于職住關系的量化指標也越來越多，不單單局限于“職住平衡”指數。典型研究如張天然[6]在研究上海市域職住空間時，利用了手機信令數據和交通調查數據、人口抽樣調查數據相結合的方法，分析居民通勤距離和就業崗位通勤距離。作者通過文獻檢索發現，國內包括王德[7]、鈕心毅[8]、高碩[9]等都基于大數據開展了職住關系的量化分析研究，其核心定量化指標包括居住地、就業地、居住的就業地、崗位的居住地、通勤圈、最大通勤、最小通勤等。

另一方面，職住關系分析在城市規劃中的支撐作用又日益迫切。結合作者所在單位業務，發現各類型項目在開展前期現狀分析與評估時，往往需要研究與職住相關的內容，卻又不局限于上述研究學者所列舉的核心指標[10-11]，往往還包括居住人口規模、年齡、教育特征，就業與崗位的教育特征，職住空間的用地結構，通勤交通的作用，公共服務設施的服務水平等。

為此，我們結合已有學術研究及規劃設計需求提出，職住關系應包含8個維度的數據內容，分別為：人口、就業、崗位、用地、公服、交通、通勤和休閑（圖1）。

表1 基礎數據庫及詳細內容介紹[12]

3.2 基礎數據支撐

為破解8大維度的量化難題，本次研究所使用的數據來源廣泛，不僅包括上海城鄉發展戰略數據平臺（SDD）所涉及的規劃傳統數據，還包括市層面主流空間大數據。這些數據來源廣泛，空間尺度不一、數據時效性各不相同，為了研究的嚴謹性，我們盡可能將數據落于微觀精細尺度，數據采集年份盡可能新，年份差距縮到最小。相關數據內容介紹如表1所示。

3.3 詳細指標體系建立

圖2 職住關系指標體系圖資料來源：作者自繪。

圖3 分布式計算對GIS性能提升（疊加分析）[14]資料來源：超圖集團，當GIS擁抱大數據。

圖4 分布式計算對GIS性能提升（屬性更新）[14]資料來源：超圖集團，當GIS擁抱大數據。

針對職住關系所涉8大維度以及數據基礎，我們設立了81項指標。根據指標對職住關系支撐的重要程度，我們將指標區分為核心指標和一般指標。其中的核心指標包括：常住人口數量、人口密度、就業數量、就業密度、崗位數量、崗位密度、軌道交通站點進出站流量、軌道交通站點通勤OD及時間、居民的工作地分布、崗位的居住地分布、職住比、居民的通勤距離和時間、崗位的通勤距離和時間等；其余指標為一般指標（圖2）。

4 大數據解決方案

IBM[13]對大數據進行系統研究后，總結有4個典型特征（4V）。第一，體量大（Volume）。信息技術的高速發展，數據爆發性增長，存儲單位從過去的GB到TB，直至PB、EB。迫切需要智能的算法、強大的數據處理平臺和新的數據處理技術來統計、分析、預測和實時處理大規模的數據。第二，種類多（Variety）。廣泛的數據來源，決定了大數據形式的多樣性。大數據大體可分為3類，一是結構化數據，如財務系統數據、信息管理系統數據、醫療系統數據等，其特點是數據間因果關系強；二是非結構化的數據，如視頻、圖片、音頻等，其特點是數據間沒有因果關系；三是半結構化數據，如HTML文檔、郵件、網頁等，其特點是數據間的因果關系弱。第三，價值密度低（Value）。有價值的數據所占比例很小。相比于傳統的小數據，大數據最大的價值在于通過從大量不相關的各種類型的數據中，挖掘出對未來趨勢與模式預測分析有價值的數據，通過機器學習方法、人工智能方法或數據挖掘方法深度分析，發現新規律和新知識，并運用于農業、金融、醫療等各個領域，從而達到改善社會治理、提高生產效率、推進科學研究的效果。第四，變化快（Velocity）。大數據的交換和傳播是通過互聯網、云計算等方式實現的，遠比傳統媒介的信息交換和傳播速度快捷。大數據與海量數據的重要區別，除了大數據的數據規模更大以外，大數據對處理數據的響應速度有更嚴格的要求。實時分析而非批量分析，數據輸入、處理與丟棄立刻見效，幾乎無延遲。數據的增長速度和處理速度是大數據高速性的重要體現。

多源平臺是一個在線、實時操作、實時展現結果的信息化產品，涉及的數據種類繁多、交互操作豐富、空間計算海量，導致傳統的關系數據庫難以有效存儲、管理平臺數據資源（圖3-圖4）。基于此，對經典空間數據能力的改造在于3個方面：海量空間數據分布式存儲、空間數據處理分布式計算改造、空間分析分布式計算改造。

平臺建設中，采用國內領先的SuperMap大數據解決方案（圖5），通過Spark+hadoop的分布式存儲、計算環境，能快速、高效地管理數據、海量計算和圖形渲染展示。

5 功能實現

基于前期詳細的需求分析和數據整理工作，在多源平臺一期，成功實現以下主要功能。

5.1 平臺環境構建

多源平臺的功能是基于模塊化封裝的各個規劃應用子系統實現的。構建開放的平臺環境為后期的擴展、更新提供了穩定的運行環境（圖6）。

通過OA系統統一的用戶管理接口，可以直接使用多源平臺。同時，在后臺為用戶設置不同的權限等級，既實現數據功能的共享，也對敏感數據進行安全管理。日志收集管理可以分析用戶常用的指標功能，為平臺功能優化和結構調整提供依據。5.2 職住關系模塊

圖5 大數據解決方案資料來源：作者自繪。

圖6 多源數據規劃應用平臺主頁資料來源：作者自繪。

圖7 職住關系模塊數據圖表界面資料來源：作者自繪。

圖8 職住關系模塊公服設施數據界面資料來源：作者自繪。

圖9 職住關系模塊通勤關系展示界面資料來源：作者自繪。

圖10 單元畫像資料來源：作者自繪。

圖11 用戶手冊和案例庫資料來源：作者自繪。

由平臺主頁進入職住關系模塊，基于用戶的傳統認知習慣布局其操作界面，左側為8個維度81項指標的數據目錄樹，界面主體是數據展示的可視化窗口（地圖窗口），右側為圖表展示活動按鍵。地圖窗口上方為常用工具按鈕和數據篩選框。基本地圖要素包括圖例、比例尺、鷹眼等可以收放。界面右上角為單元畫像功能，上傳規劃邊界可以一鍵生成職住關系數據報告。各項功能展示見圖7-圖10。

5.3 用戶手冊和案例庫

用戶手冊封裝成電子書，與指標使用過的項目庫鏈接在一起，既提供數據的詳細說明和算法公式，又將應用過的項目場景以示范案例的形式進行直觀展示。同時，把案例中的原數據以地圖服務的形式發布，供參考學習者直接查詢、研究（圖11）。

6 展望和思考

6.1 平臺催生規劃服務系統解決方案成果新樣式

未來政府委辦局招標采購的可能是集成設計、管理與基于互聯網溝通反饋的專業系統解決方案。如上規院的街道設計系統解決方案，除了提供上海市街道設計導則、標準規范，規劃方案，還有方案實施評估和監測管理軟件，公眾參與數據反饋接口等一攬子解決方案集合包，并以數據化模塊軟件樣式作為成果交付。

6.2 平臺賦能規劃師成為跨界復合型人才

在重復性的腦力勞動、數據收集與清洗處理等日漸被平臺替代后，規劃師與機器之間良好的溝通互動能力將如同CAD、PS一樣成為新一代規劃師的技能標配。更重要的是，規劃師需要聚焦那些無法被平臺模型算法所替代的部分，例如規劃項目策劃與運營管理能力、與各方利益代表有效的溝通能力（特別是公眾溝通表達能力）、設計的創新創意能力等，這些差異化方面技能將會成為規劃師安身立命的新核心競爭力，抑或直接成為能夠駕馭人工智能的規劃數據工程師。我們預測未來設計行業的數據工程師人員比例將會大幅上升，甚至可能出現設計師與工程師比例倒掛的極端個案。到那時，這些具備人機合一的跨界規劃師最有機會成為新生代規劃行業的領軍人才。

6.3 平臺接入上海智慧城市總系統, 成為其重要的子系統運營

智慧城市建設方興未艾，其中重要的特征之一即信息的互聯互通，城市規劃設計和管理的信息系統內容主體是實體空間的功能安排，也是承載智慧城市其他功能的基礎。

上海智慧城市總系統涵蓋城市功能的方方面面，由于管理和使用權屬界定明晰，必然是弱整合性的開放平臺。各子系統在穩定運行自身功能的同時，通過數據接口等形式實現信息共享、知識分發和管理協同。

多源平臺與生俱來的數據屬性、互聯網屬性讓它和建筑行業的BIM平臺一樣更容易融入未來整個城市的“智慧系統”，而上海的空間資源配置的重要性決定了平臺作為一個子系統角色的重要性。

參考文獻 References

[1]重慶城市大數據實驗室（CUDL）. 數讀重慶[R].2017.Chongqing Urban Big Data Laboratory. Digitizing Chongqing[R]. 2017.

[2]北京城市象限科技有限公司. 大數據視角下帝都魔都的愛恨情仇[R]. 2017.Beijing City Quadrant Technology Co., Ltd. A comparative study of Beijing and Shanghai from the perspective of big data[R]. 2017.

[3]龍瀛. 大數據時代的城市模型研究及其機遇[R].2017.LONG Ying. Urban model in big data era and its opportunities[R]. 2017.

[4]Beijing City Lab. Geospatial analysis to support urban planning in Beijing[EB/OL]. (2015)[ 2018-02-09]. EU:https://www.beijingcitylab.com/projects-1/5-planning-support-systems/.

[5]李長風. 國外咨詢公司商業選址類業務經驗借鑒研究[R]. 2016.LI Changfeng. Research on business location experiences of foreign consulting companies[R].2016.

[6]張天然. 基于手機信令數據的上海市域職住空間分析[J]. 城市交通，2016（1）：15-23.ZHANG Tianran. Job-housing spatial distribution analysis in Shanghai metropolitan area based on cellular signaling data[J]. City Traf fi c, 2016(1): 15-23.

[7]王德，朱查松，謝棟燦. 上海市居民就業地遷移研究——基于手機信令數據的分析[J]. 中國人口科學，2016（1）：80-89.WANG De, ZHU Chasong, XIE Dongcan. Research on intra-city employment mobility in Shanghai: based on cell phone data[J]. Chinese population science,2016(1): 80-89.

[8]丁亮，鈕心毅，宋小冬. 上海中心城區商業中心空間特征研究[J]. 城市規劃學刊，2017（1）：63-70.DING Liang, NIU Xinyi, SONG Xiaodong. A study on spatial characteristics of commercial centers in the Shanghai central city[J]. Journal of Urban Planning,2017(1): 63-70.

[9]高碩，王銘揚，魯旭，等. 基于大數據的城市居民職住錨點計算方法研究[J]. 西部人居環境學刊，2017，32（1）：31-37.GAO Shuo, WANG Mingyang, LU Xu, et al.Research on residence-and-work anchor points algorithm with big data in urban research[J]. Journal of Western Habitat Environment, 2017, 32(1): 31-37.

[10]張健，陳明敏. 基于智能出行大數據的城市空間活躍區分析及其應用[J]．規劃師，2017（1）：65-72.ZHANG Jian, CHEN Mingmin. Analysis and application of commerical active space base on inteligent outgoing big data[J]. Planners, 2017(1):65-72.

[11]鄭曉偉．基于開放數據的西安城市中心體系識別與優化[J]．規劃師，2017（1）：57-64.ZHENG Xiaowei. Identi fi cation and optimization of Xi’an urban center system based on open data[J].Planners, 2017(1): 57-64.

[12]上海市城市總體規劃（2017—2035）. 上海城鄉發展戰略數據平臺（SDD）[R]. 2017.Shanghai City Master Plan (2017-2035). Shanghai urban-rural development strategy data platform (SDD)[R]. 2017.

[13]IBM商業價值研究院，牛津大學賽德商學院. 分析：大數據在現實世界中的應用[R]. 2013.IBM Institute for Business Value, Sid College of Oxford University. Analysis: big data in the real world[R]. 2013.

[14]超圖集團. 當GIS擁抱大數據[R]. 2017.Supermap Group. When GIS embraces big data[R].2017.