[論文レビュー] DeepStreet: A deep learning powered urban street network generation module

Zhou Fang, Tianren Yang+1 more|arXiv (Cornell University)|Oct 9, 2020

Automated Road and Building Extraction参考文献 14被引用数 23

ひとこと要約

DeepStreetは、畳み込みニューラルネットワーク（CNN）を用いた深層学習フレームワークを提案し、局所的な空間的パターンと構造的一致性を保持する都市ストリートネットワークを自動生成する。OpenStreetMapデータで学習させたモデルは、事前に定義された領域における将来のストリート拡張を、局所的特徴を学習することで予測する。バルセロナの都市形態を高精度に再現し、グリッド型と不規則なストリートパターンの両方を効果的にモデル化した。

ABSTRACT

In countries experiencing unprecedented waves of urbanization, there is a need for rapid and high quality urban street design. Our study presents a novel deep learning powered approach, DeepStreet (DS), for automatic street network generation that can be applied to the urban street design with local characteristics. DS is driven by a Convolutional Neural Network (CNN) that enables the interpolation of streets based on the areas of immediate vicinity. Specifically, the CNN is firstly trained to detect, recognize and capture the local features as well as the patterns of the existing street network sourced from the OpenStreetMap. With the trained CNN, DS is able to predict street networks' future expansion patterns within the predefined region conditioned on its surrounding street networks. To test the performance of DS, we apply it to an area in and around the Eixample area in the City of Barcelona, a well known example in the fields of urban and transport planning with iconic grid like street networks in the centre and irregular road alignments farther afield. The results show that DS can (1) detect and self cluster different types of complex street patterns in Barcelona; (2) predict both gridiron and irregular street and road networks. DS proves to have a great potential as a novel tool for designers to efficiently design the urban street network that well maintains the consistency across the existing and newly generated urban street network. Furthermore, the generated networks can serve as a benchmark to guide the local plan-making especially in rapidly developing cities.

研究の動機と目的

• 急激に都市化が進む地域における迅速かつ高品質な都市ストリートネットワーク設計の増大するニーズに対応すること。
• 拡張過程において、局所的なストリートネットワーク特性を保持する自動化された手法を開発すること。
• 既存の都市形態と整合する一貫性があり現実的なストリートネットワークを生成すること。
• 都市計画者や地方自治体が将来の開発をガイドするためのスケーラブルなツールを提供すること。
• 急激な変化を遂げる都市における都市計画のベンチマークとしての役割を果たすこと。

提案手法

• 畳み込みニューラルネットワーク（CNN）を、OpenStreetMapデータ上で学習させ、局所的なストリートパターンの検出と認識を実施する。
• CNNは、周囲のストリートネットワークに応じて、新たなストリートセグメントを補間する能力を学習する。
• モデルは、事前に定義された領域内の既存のストリートレイアウトに基づいて、将来のストリートネットワーク予測を条件づける。
• フレームワークは、周辺のストリートからの空間的文脈を活用し、妥当な拡張パターンを推定する。
• 学習済みモデルは、観察された都市形態と一致する連続的かつ整合性のあるストリートネットワークを生成する。
• この手法は、グリッドと不規則なストリートパターンが混在するバルセロナのEixample地区で評価された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、都市環境における複雑なストリートパターンを正確に検出し、分類できるか？
• RQ2 モデルは、既存の都市形態と整合性を保ったリアルな将来のストリートネットワーク拡張を予測できるか？
• RQ3 モデルは、規則的なグリッド型と不規則なストリートネットワークの両方に対して汎用的に機能するか？
• RQ4 ストリートネットワーク生成過程で、局所的な空間的特性をどの程度保持できるか？
• RQ5 生成されたネットワークは、都市計画のベンチマークとしてどの程度有効に機能するか？

主な発見

• DeepStreetは、バルセロナのEixample地区において、グリッド型と不規則なアライメントを含む多様なストリートパターンを、正確に検出し、自己クラスタリングすることが可能だった。
• モデルは、既存の都市構造と整合性を保った一貫性のあるストリートネットワークを生成した。
• 生成されたネットワークは、実世界のパターンと高い類似性を示し、さまざまな都市形態に対して高い頑健性を示した。
• このフレームワークは、規則的から不規則なストリートレイアウトへの移行を含む、複雑な都市形態のモデル化に効果的であることが示された。
• 結果から、DeepStreetは急成長する都市における都市計画者にとって価値あるツールである可能性を示唆している。
• 本アプローチは、手作業によるストリートネットワーク設計の代替手段として、スケーラブルかつデータ駆動型の選択肢を提供する。