- 1. 大模型
+ 2024 Zhu, H., Zhang, W., Huang, N., Li, B., Niu, L., Fan, Z., Lun, T., Tao, Y., Su, J., Gong, Z., ...2024. PlanGPT: Enhancing Urban Planning with Tailored Language Model and Efficient Retrieval. arXiv preprint arXiv:2402.19273. (Download)
大型语言模型(LLMs)凭借其强大的推理、记忆和理解能力，在金融、医学、法律、交通等领域已经取得了显著进展(FinGPT, HuaTuo, ChatLaw等)。这些针对特定垂直领域的大语言模型，通过特定领域数据的微调，有效地解决了通用大型模型因训练数据分布不均导致的幻觉问题。然而在城市规划与设计领域，却一直缺乏一个专用大语言模型，帮助从业人员从大量的规划文本中快速检索有用信息、提供准确响应、实时访问数据以进行决策分析，从而提高工作效率。
城市规划领域的文本呈现出几个明显特征：同构性、异质性和政府官方文风格。同构性指的是规划文本通常使用一些固定的短语结构或句子结构，比如“完善区域的城市功能、梳理支撑体系”,“科学合理、高标准”,“宏观背景、产业发展、空间格局”等，极大地增加了信息检索等难度。异质性表现为不同的规划文本在文章内容、写作结构、行文风格上存在差异，不利于模型的训练和数据微调。城市规划领域旨在为政府机关和社会建设提供服务，因此规划文本通常会具备政府文件的风格。然而，通用大型模型在训练过程中往往较少接触到这种特定的语言风格，这导致输出文本往往无法满足城市规划者的需求。
为了解决这些问题，BSAI团队提出了大语言模型PlanGPT。PlanGPT具备一个可自定义的向量数据库检索系统，能够在同构或异质的规划文本中精确提取有用的知识。同时它还能充分利用网络搜索工具获取外界实时信息，缓解了模型因离线训练造成的信息滞后问题。此外，通过收集网络上公开的城市规划材料和来自规划论坛的大量语料数据, 我们制作了 “城市规划公开数据集” (Urban Planning Open Dataset)，并对模型进行了微调，将领域特定的知识和语言风格融入到大语言模型中。
PlanGPT具有多源数据的检索与处理能力，能够为各种城市规划的相关任务提供全面支持。PlanGPT包括四个核心组成部分：Vector-LLM、Local-LLM、Web-LLM以及Integrate-LLM，整体框架如下图所示。Vector-LLM 是PlanGPT的精确检索引擎，专为同构或异质的规划文本设计。它通过自定义的向量数据库系统，能够迅速且准确地搜索和提取有价值的信息。Local-LLM 利用城市规划公开数据集进行微调，为PlanGPT提供了该领域特定的知识基础。这一组件让模型能够更好地理解和回答城市规划领域的问题，提高了模型的实用性和适应性。Web-LLM利用网络搜索功能，让PlanGPT能够获取实时数据进行决策分析，赋予了模型与外界信息保持同步的能力。Integrate-LLM 使用打分（Score）或总结（Summary）技术，将前述各部分组合在一起，使PlanGPT能够采用更准确、高效的方式应对城市规划领域的各种挑战。当前版本的PlanGPT不仅拥有丰富的地理和规划知识，还具备了三大核心能力：知识检索、文本生成、信息融合。知识检索：PlanGPT拥有调用工具精确检索的能力。作为城市规划领域的智能助手，它可以在在线(网络)或离线(数据库)地从海量的城市规划材料中检索信息，帮助从业者便捷地了解领域内的重要背景，加强了规划决策的可信度。文本生成：PlanGPT在较长文本生成上表现优异。经过大量公开的规划文本微调后，已经能够生成具有政府文件与规划领域风格的语言，可用于创建、扩写与城市规划相关的文档和报告，减轻从业人员的写作负担。信息融合：PlanGPT 具备出色的信息整合能力。打分模式(Score)会自主选择合适的工具去应对不同的任务场景, 总结模式(Summary) 能在多模态的数据中取长补短，为从业人员尽力提供最优质答案。
BSAI实验室最近在打造一系列适配生活圈规划的大模型应用及场景适配生活圈规划的大模型应用及场景,目前已推出由团队成员研发的AI辅助社区日常生活的产品——“方元问问”，旨在帮助居民打破社区边界、自动融入社区，在日常生活中智能获取附近信息、通过社会网络与空间邻近关系来理解社区生活圈。我们希望跨越时空，当我们漫步于开放街区里，附近的“楼栋群”、“小区群”、“商家服务群”、“公园群”、“班级群”的相关信息将“扑面而来”，最终增加城市居民的附近认知和社区认同。
- 2. 时空行为
+ 2024 Zhang, W., Wu, Y., Deng, G., 2024. Social and spatial disparities in individuals’ mobility response time to COVID-19: A big data analysis incorporating changepoint detection and accelerated failure time models. Transportation Research Part A: Policy and Practice .184, 104089. (Download)
+ 2024 Zhang, W. and Li, B., 2024. Enhancing Pedestrian Route Choice Models Through Maximum-Entropy Deep Inverse Reinforcement Learning With Individual Covariates (MEDIRL-IC). IEEE Transactions on Intelligent Transportation Systems. (Download)
+ 2024 Liu, C., Zhang, W..， 2023. Social and spatial heterogeneities in COVID-19 impacts on individual's metro use: A big-data driven causality inference. Applied Geography .155, 102947. (Download)
“时空行为”或“时空间行为”研究旨在探讨特定时空棱柱下人类个体的日常行为特征、个体行为汇总所形成的群体时空结构与格局，以及人类行为与社会经济环境、建成环境和自然环境之间的互动关系、交互过程与作用机理。城市时空行为规划研究则是时空行为与城市规划两个研究领域的结合，一方面强调时空行为理论与分析在城市规划与管理领域中的应用，另一方面关注城市规划理论与实践对时空行为理论的丰富与完善。
回溯历史，虽然时空行为的理论与分析研究往往被认为是起源于 20世纪 60 年代地理学计量革命以后的行为主义转向和时间地理学的出现，其在城市研究与城市规划领域中的应用探索则可以追溯到更早以前。19世纪末，自现代城市规划出现以来，“好”的城市形态、空间结构与社区邻里环境一直是城市规划领域所追求的目标，而“好”的定义也一直在修正与完善。其中，群体与个体的日常行为结果一直是衡量“好”城市空间的重要抓手与评估指标。以美国为例，20世纪初的城市美化运动把好的社区等同于美丽的城市设计和整洁的街道，以解决大城市拥挤所带来的日常生活秩序混乱和公共卫生问题。到了 20世纪 40年代，随着汽车工业的发展，低密度和功能单一的空间布局成为城市扩张的主要模式，而大片的居住社区出现在郊区，远离城市中心，逐渐形成社会构成单一的街区、汽车依赖的行为方式和无序蔓延的土地利用模式。
这些在当时被认为“好”的城市空间模板在 20 世纪 60 年代以后受到了越来越多的批判。简·雅各布斯在其经典名著《美国大城市的死与生》中就提及，城市美化运动所追求的单一用地模式毁掉了城市的活力，她提倡混合土地利用和构筑适于步行的环境。而到了20 世纪 80 年代，新城市主义的兴起更是把职住均衡、混合土地利用以及对步行和公交友好的街区等重新定义为“好”的社区模板，并逐渐成为社区设计的主流理念。20 世纪 90年代以来，随着后现代主义、可持续发展和全球化等讨论的兴起，对“好”社区与城市空间的定义也开始变得多元化与个性化，更多开始考虑环境影响、社会公平、社区身份认同、公众参与和生活质量。而随着个体行为数据的丰富，城市空间与个体时空行为联系的研究也逐渐丰富，如何通过城市规划导则来调整建成环境规划，进而鼓励可持续的个体行为，成为城市规划学科内多个领域研究的热点。由此可见，时空行为分析在西方城市规划研究与实践中已经得到了广泛应用。
- 3. 建成环境
研究问题：社区建成环境（或土地利用）怎样影响个人日常行为？
规划应用出口： 从个人行为（或者生活质量）角度评估怎样的社区与土地利用规划以及城市设计会更加可持续？
+2017 Zhang, W. and Zhang, M., Incorporating land use and pricing policies for reducing car dependence: Analytical framework and empirical evidence. Urban Studies, p.0042098017720150. (Download)
+ 2016 Zhang, W. Does Compact Land Use Trigger a Rise in Crime and Thus a Fall in Ridership? A Role for Crime in the Land Use-Travel Connection. Urban Studies. 53(14): 3007–3026. (Download)
+ 2015 Zhang, W. and Zhang, M. The Short- and Long-Term Effects of Land Use on Reducing Personal Vehicle Miles of Travel: A Longitudinal Multilevel Analysis. Transportation Research Record: Journal of the Transportation Research Board, No. 2500: 102–109. (Download)
研究历程与方向：我的研究集中在探讨社区的社会构成与建成环境是怎样促进可持续的交通出行行为，以及如何影响公共安全与生活质量。好的社区邻里一直以来都是规划研究所追求的目标。这很大程度上取决于如何定义“好”。以美国为例，上世纪初的城市美化运动把好的社区简单地等同于美丽的建筑设计和整洁的街道，以解决大城市拥挤所带来的社会秩序混乱和公共卫生问题。到了上世纪四五十年代，随着汽车工业的发展，低密度和功能单一的空间布局成为城市扩张的主要模式，而大片的居住社区出现在郊区，远离城市中心，逐渐形成社会构成单一的街区、汽车依赖的生活方式和无序蔓延的土地利用模式。这些在当时被认为好的社区模板在六十年代以来受到了越来越多的批判。著名的城市研究学者Jane Jacobs的经典名著《美国大城市的生与死》就认为城市美化运动为过度的建筑设计崇拜和单一的用地模式毁掉了城市的活力，从而提倡混合土地利用和构筑适于步行的环境。而八十年代以来新城市主义的兴起更是把职住均衡、混合土地利用和对步行和公交友好的街区重新定义为好的社区模板，并逐渐成为社区设计的主流理念。
九十年代以来，随着后现代主义、可持续发展、和全球化等讨论的兴起，对好社区的定义也开始变得更加多元化，更多开始考虑环境影响、社会公平、社区身份认同、公众参与和生活质量。而近年来的发展则侧重在如何更好地把这些多元的社区规划理念与城市设计、社区场所营造（Place Making）、或实体规划（Physical Planning）等实践有机地联系起来。譬如，美国规划学会在过去的十年里每年都会评出十大好社区（Great Neighborhood）而这些社区大多都是遵循着新城市主义(New Urbanism) 的设计理念。然而，社区规划研究学者Emily Talen去年初在在权威的美国规划学会年刊上发表了一篇文章，批判性地看待了这些评选出来的好社区。他们认为这些所谓的好社区确实具有很好的设计元素，但是并没有达到想要的社会经济效果，例如这些社区的居住费用很高、社会经济构成单一、和社区隔离现象依然严重。这实际上反映了规划理念与现实之间的差异，而这篇文章在美国的规划学术界掀起了十分热烈的讨论。在过去的一年里，美国规划学会学刊持续刊登了多篇对于这篇文章的评论，探讨如何更好地结合城市设计与社区发展。
我的研究深受这些多元主义的影响，认为并没有一个统一的好的社区标准，而且许多标准也许是相互冲突的。因此，我是从多个角度出发探讨如何构建一个好的社区。首先，我在北大研究生阶段就已经开始对土地利用与交通行为的联系感兴趣，以探究社区的建成环境是怎样影响居民的活动与出行决策。在美国读博士期间，我更多关注在如何更准确地分析土地利用与交通的联系。例如一般的研究都认为在美国高密度的社区开发有利于减少小汽车的使用和促进公交与步行。我的研究加入了时间维度来看待这个问题，发现密度对出行的影响在短期内效果显著但长期效果可能会大打折扣，因为高密度往往伴随着拥挤等负外部效应。这个研究已经发表在美国交通研究协会会刊《Transportation Research Record》上。我还有一些研究主要是批判性的看待居住自选择（Residential Self-Selection）。居住自选择的研究普遍认为社区的建成环境对交通行为的影响被高估了，因为居民很有可能因为偏好于公交出行而选择居住在适于公交使用的社区里，而并非因为住在公交友好的社区而产生更多的公交出行。我对美国城市居民搬家之后的出行行为数据进行了分析，发现搬家前的出行偏好对居住地选择并没有显著影响，而且只会影响搬家后一两年内的出行决策。而长期来看，社区的土地利用对出行行为的影响还是十分显著。这些研究都落在可持续的出行行为，但本质上是在探讨如何构建一个鼓励公交与步行的社区环境与土地利用模式。
此外，我还从社会安全的角度来重新定义好的社区土地利用模式。早在《美国大城市的生与死》里，Jane Jacobs就提出了混合土地利用和适于步行的街道设计可以在商业区、街道与居民区中增加人流，对潜在的犯罪活动发生起到更多的监督作用，从而减少犯罪和增加社区的公共安全。然而，许多犯罪学文献却发现了截然相反的结论，认为高密度和混合利用的环境可能给犯罪带来更多的机会并容易形成监管的盲区。我在《Urban Studies》上发表的文章就是结合规划与犯罪学的理论，辩证地看待了土地利用、犯罪率、与公交使用之间的联系，并实证分析得到在美国的奥斯汀市，过高密度的社区开发可能会增加犯罪，增加社区不安全感，从而反而降低公交使用率。我相信这方面的研究也可以直接应用在国内的社区规划探讨上，譬如最近讨论很多的街区制。拆除某些单位大院与封闭小区的围墙可以增加城市路网的连接度，在短期可能可以缓解交通压力，但是其对社区安全的影响则值得更深入的探讨。
而且，我更希望看到的是街区制能减少社会隔阂，增加小区邻里之间的社会接触，促进社会融合、从而提升人们对居住环境的满意度以及个人的生活质量。这与我的第三方面的社区研究有密切联系。前两方面的分析大多是基于社区环境的客观影响（即交通与犯罪），而忽略了社区居民的主观感受（如幸福感）。我的第三方面的社区研究就是探讨社区的社会与建成环境是否会对个人的社会交往与主观感受有显著的影响。这也是我目前博士后研究的一个重要课题。这个研究主要的难点是如何测量个人的社会交往或者社会网络以及个人对社区的主观看法。传统的问卷调查可能可以获得个人对社区的评价，但是很难还原个人的社会网络。因此，我们借助于大数据分析技术，利用社交媒介平台（即Twitter）上收集到的大量具有地理位置的文本数据进行社会网络提取、语义分析、以及感情色彩分析，从而得到不同社区居民的社会交往活跃度与幸福感。虽然这个研究仍在进行中，我相信这将会提供了一个全新的视角去结合大数据与社区规划。近年来，如何利用大数据来辅助城市与区域规划是国内外学术圈讨论的热点。我认为现在这方面研究主要的瓶颈是分析大数据的方法往往是起源于信息科学和计算机科学，并不容易被国内外规划和地理同行所了解。这些方法包括社交媒体数据抓取（Data Crawling）、数据挖掘 (Data Mining)、机器学习(Machine Learning)、与社会网络分析(Social Network Analysis)等。这些内容将会包括在我在北大开设的课程里（数据驱动下的城市规划与设计）。相信学生掌握了相关技术后，大数据分析将会很好地帮助他们在城市规划与设计领域的相关学习和工作上。
