[论文解读] 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 23

一句话总结

DeepStreet 提出了一种深度学习框架，采用卷积神经网络（CNN）自动生成城市街道网络，以保留局部空间模式和结构一致性。该框架在 OpenStreetMap 数据上进行训练，通过学习局部特征，预测预定义区域内未来的街道扩展，成功以高保真度建模了巴塞罗那的网格状与非规则街道模式。

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.

研究动机与目标

• 为快速城市化地区日益增长的快速、高质量城市街道网络设计需求提供解决方案。
• 开发一种自动化方法，在扩展过程中保留局部街道网络特征。
• 生成与现有城市形态一致的连贯、逼真的街道网络。
• 为城市规划者和地方当局提供一种可扩展的工具，以指导未来发展。
• 为经历快速转型的城市的城市规划提供基准参考。

提出的方法

• 使用 OpenStreetMap 数据训练卷积神经网络（CNN），以检测和识别局部街道模式。
• CNN 学习基于周围街道网络的即时上下文，插值生成新的街道段。
• 该模型以预定义区域内现有街道布局为条件，预测未来的街道网络。
• 该框架利用邻近街道的空间上下文，推断合理的扩展模式。
• 训练后的模型生成连续、连贯的街道网络，与实际观察到的城市形态一致。
• 该方法在巴塞罗那的格拉西亚区（Eixample）进行评估，该地区以混合的网格与非规则街道模式著称。

实验结果

研究问题

• RQ1 深度学习模型能否准确检测并分类城市环境中的复杂街道模式？
• RQ2 该模型能否预测与现有城市形态保持一致的、逼真的未来街道网络扩展？
• RQ3 该模型能否在规则网格状与非规则街道网络之间实现泛化？
• RQ4 该模型在街道网络生成过程中，对局部空间特征的保留程度如何？
• RQ5 生成的网络在多大程度上可作为城市规划的基准？

主要发现

• DeepStreet 在巴塞罗那的格拉西亚区成功检测并自动聚类了多样的街道模式，包括网格状与非规则排列。
• 该模型生成的街道网络与现有城市结构保持一致，具有良好的结构性连贯性。
• 生成的网络与真实世界模式高度一致，展现出在不同城市形态下的鲁棒性。
• 该框架在建模复杂城市形态方面表现有效，包括从规则到非规则街道布局的过渡。
• 结果表明，DeepStreet 可作为快速发展的城市中城市规划者的重要工具。
• 该方法为手动街道网络设计提供了一种可扩展、数据驱动的替代方案。