孙 澄，丛欣宇，韩昀松

(1.哈尔滨工业大学 建筑学院，哈尔滨 150001； 2.寒地城乡人居环境科学与技术工业和信息化部重点实验室哈尔滨工业大学)，哈尔滨 150001)

随着城市化进程的加快与经济发展水平的提高，城市用地规模不断扩大，土地资源稀缺问题日益凸显，土地资源集约利用成为必然的趋势.居住区强排方案是指在满足地块的规划指标和相关规范的前提下，以经济利益最大化进行设计的住宅小区规划方案，是项目可行性测算的基础.既有居住区强排方案设计需经过土地分析、单体选型、日照间距确定、容积率测算、产品分布分析等步骤[1].在高密度居住区中，建筑日照阴影相互遮挡严重，根据日照模拟分析结果进行人工试错调整的强排设计方法使得居住区强排方案设计效率低下，且限于建筑设计周期，亟需更加智能、高效的居住区强排设计方法.国内外学者围绕居住区强排方案设计展开了广泛研究，深度学习技术的突破性发展为其提供了新的思路.深度学习是一种能够模拟出人脑的神经结构的机器学习方法.它可以自行抽取特征中有价值的信息进行自身调优与训练，并通过训练去拟合输入从而得到一个合理的模型结构，在生成设计方面有较大潜力.居住区强排方案中建筑排布的规则主要受制于间距、日照等规范的限制，其排布过程更像是对规范所要求的限制条件进行不断验算试错的过程，因此可使用深度学习方法挖掘其设计规律，自动生成居住区强排设计方案.研究旨在提出基于CGAN的居住区强排方案生成设计方法，提升方案设计阶段的强排设计效率，提出训练数据集制作流程，为同类研究提供参考.

1 国内外研究现状

居住区规划设计方法的发展主要经历了以下时期.早期的居住区规划设计采用传统的人工设计方法，设计者遵循“方案初步设计—建筑性能模拟—方案优化设计”的过程进行设计，这种被动调整的循环工作模式延长了设计周期，降低了工作效率.

在居住区规划设计的智能化发展时期，设计者将方案设计转化为数学逻辑问题，通过改变算法生成不同的建筑形态[2].既有研究基于遗传算法、多目标优化算法、多智能体系统、细胞自动机、语法规则展开了居住区规划和城市形态空间生成设计方法，包括自组织生成与自适应优化[3].应用遗传算法探索了高层居住区自动布局[4]，最大容积率排布方案生成[5]，概念设计方案生成[6]等.应用多目标优化算法，权衡建筑面积、遮挡率性能目标，展开城市规划方案设计[7]，以及综合考虑城市密度与开放空间面积的街区空间形态方案生成设计等[8].应用多智能体系统，综合考虑容积率与遮挡率的居住区布局方案生成[9]，结构性策略与进程性策略结合的低层高密度住区设计[10]等探索.应用细胞自动机，进行了高密度城市三维规划模型构建[11]，高密度住宅方案设计[12]等探索.遗传算法适用于设计优化，允许对设计空间进行无方向的探索；形状语法适用于基于特定形式与样式的生成设计；细胞自动机与多智能体系统体现了从整体无序到局部有序的自组织设计，适用于行为驱动的设计过程[13].既有居住区规划方案生成设计方法多为遗传算法，常用于解决多目标优化问题，但其优化设计时间过长[14]，因此相关研究多停留在理论层面，难以应用其提升设计效率.

近年来，深度学习技术的发展为居住区规划设计提出了新的思路.设计者应用深度学习技术，通过海量案例训练机器学习并模拟建筑师设计过程.条件生成对抗网络(conditional generative adversarial network,CGAN)是深度学习模型的一种，指在生成对抗网络的基础上，引入条件变量作为对模型的附加约束条件，从而指导整个生成过程.基于深度学习预测居住区强排方案总平面图的方法本质上是图像学习，而CGAN模型在图像学习领域应用较为广泛，如完成图像合成[15-16]、图像处理[17-18]、图像修复[19]等任务.目前，基于CGAN模型的生成设计方法已被应用于城市空间形态规划和建筑设计领域，如生成城市规划方案[20]，生成密集城市内快速增长的建筑形态[21].Stouffs等[22]构建CGAN模型，预测城市平面形态；Zheng等[23-24]构建CGAN模型，依据边界和功能训练，生成卫星图像、手绘建筑草图及建筑平面功能分区图.Isola等[25]应用CGAN，提出了图像对图像翻译问题的通用解决方案—pix2pix模型，为研究方法的提出提供技术支撑.CGAN模型在生成设计方面有较大潜力，可用于完成城市路网规划、城市肌理生成、街区规划方案设计、建筑手绘草图生成、建筑平面功能分区等设计任务.既有研究有利用CGAN辅助设计决策的探索，但多集中在城市与多个街区尺度，未将其应用于居住区规划方案生成设计方面，且多停留在图像学习层面，训练数据集未经分类与处理，难以应用其进行后续方案深入设计.

2 基于CGAN的居住区强排方案生成设计流程

研究提出了包括训练数据集制作、居住区CGAN模型构建、居住区强排方案生成设计及验证评价在内的居住区强排方案生成设计方法，见图1.首先，确定训练数据集格式，为相互对应的居住区轮廓图像与强排方案总平面图；制作不同模式训练数据集并进行比选；综合应用地理信息工具、图像处理工具，生成高层、多层、低层居住区训练数据集.其次，应用pix2pix算法，基于开源编程平台构建居住区CGAN模型，构建居住区生成器、判别器网络，设计居住区损失函数；应用高层、多层、低层居住区训练数据集，对网络进行交替式训练，得到高层、多层、低层居住区CGAN模型.最后，以实际居住区地块为例，以其轮廓图像作为模型输入，生成强排设计方案；在参数化建模工具中，根据所生成强排设计方案中像素灰度数值与层数的对应关系，构建居住区建筑几何模型；对居住区建筑几何模型进行日照模拟分析，对生成方案进行验证评价.本文构建的居住区CGAN模型可根据任意居住区轮廓预测出对应的强排设计方案，提高了居住区强排设计精度与效率，有助于充分利用土地资源，达成集约化建设.

图1 基于CGAN的居住区强排方案生成设计方法流程图[26]

2.1 训练数据集制作

研究制作了3种不同模式的训练数据集进行比选，分别为模式a数据集：居住区轮廓图像(色块图)与强排方案总平面图(图底关系图);模式b数据集：居住区轮廓图像(轮廓线)与强排方案总平面图(图底关系图);模式c数据集：居住区轮廓图像(色块图)与强排方案总平面图(卫星图像).每种模式的数据集样本都表示了居住区轮廓与总平面图的相互对应关系.模式a和b数据集来源于CSDN网站，由研究者使用Q GIS工具进行筛选，再通过图像处理工具进行后期处理而得到；模式c数据集来源于百度地图卫星地图模式，由研究者在网页上对居住区进行筛选，再通过图像处理工具进行后期处理而得到.

图2 不同模式训练数据集[26]

应用不同模式的数据集训练网络模型，训练结束后在测试集中选取图像进行测试.通过对生成图像的清晰度、真实度、可行度进行综合评价，选取生成图像结果较好的模式进行后期训练数据集制作.生成图像的真实度评价方面，应用图像结构相似性算法(structural similarity index,SSIM)，计算真实图像与网络模型生成图像的相似度.SSIM是一种全参考的图像质量评价指标，分别从亮度、对比度、结构3个方面度量图像相似性[27].SSIM取值范围为[0，1]，其值越接近于1，表明对比的两幅图像相似度越高.

居住区建筑日照间距与前排房屋的高度和基地地理位置有关，因此制作训练数据集时应考虑到不同地域对日照间距系数的影响.GB 50180—2018《城市居住区规划设计标准》中列举了中国主要城市的日照间距系数，部分城市如图3所示.随着城市纬度降低，其对应的日照间距系数整体呈下降趋势，因此可认为纬度是影响日照间距系数的重要因素，纬度相近城市的日照间距系数较接近.研究将全国主要城市分为3类，选取中纬度地区(纬度范围30° N～38° N)的主要城市居住区作为训练数据集样本，共11座城市.数据集内选取的居住区样本面积范围为15 300～154 100 m2，建筑多呈行列式布局，部分为行列式与周边式相结合布局.GB 50352—2019《民用建筑设计通则》中将住宅建筑按照层数分类：住宅建筑中，1层至3层为低层住宅，4层至9层为多层住宅，10层及以上为高层住宅.依据该分类原则，研究将居住区训练数据集样本分为低层居住区训练数据集(1～3层)、多层居住区训练数据集(4～9层)、高层居住区训练数据集(层数≥10)3类.

图3 各城市地理位置、日照间距系数及特征要素[26]

训练数据集原始数据来自CSDN网站的城市shapefile格式文件，应用开源地理信息工具Q GIS读取城市shapefile格式文件，根据建筑位置属性与层数信息的对应关系，对居住区进行分类，并依据容积率对各类居住区样本进行筛选[26].容积率是反映土地三维空间开发强度大小的重要指标.有学者对低层、多层、高层高密度住宅进行了容积率限定，雷磊[28]将容积率>0.5的低层住宅定义为低层高密度住宅，容积率在1.2～1.6之间的多层住宅定义为多层高密度住宅；赵青[29]将容积率>3.0的高层住宅定义为高层高密度住宅.因此，为保证低层、多层、高层高密度居住区样本的数量足够，且占总体样本的比例适宜，研究选择低层居住区容积率>0.5、多层居住区容积率>1.5、高层居住区容积率>2.5的高密度居住区样本制作训练数据集.其次，改变图层显示模式，居住区内不同层高的建筑以不同灰度数值表示，层数越高灰度数值越小.最后，将各居住区样本图像按照相同比例导出，并应用图像处理工具进行批量化处理，将其处理为网络模型可读取的图像格式.

图4 训练数据集制作流程[26]

2.2 居住区CGAN模型构建

居住区CGAN模型由居住区生成器网络与居住区判别器网络组成，两个网络相互对抗博弈.居住区生成器网络的输入为居住区轮廓图像，输出为居住区强排方案总平面图.居住区生成器网络采用U-Net编码器—解码器网络架构，同时包含使输入与输出共享底层信息的跳跃连接结构.居住区生成器网络以卷积层作为编码器，反卷积层作为解码器，编码器对输入的居住轮廓图像进行特征向量提取，进行下采样操作，解码器对特征向量进行上采样操作，并使用卷积操作丰富输出的居住区强排方案总平面图的特征信息.居住区生成器网络的随机噪声以dropout层形式输入.居住区判别器网络的输入为相互对应的居住区轮廓图像与强排方案总平面图，其中强排方案总平面图分为真实图像与居住区生成器网络生成的图像.居住区判别器网络采用卷积网络结构提取图像特征信息，并引入PatchGAN，将居住区强排方案总平面图等分计算输出后再取预测概率平均值.居住区生成器与判别器网络的损失函数，在CGAN损失函数的基础上采用L1损失函数，提升生成居住区强排方案总平面图的精度与真实度.

CGAN的损失函数为

LCGAN(G,D)=Ex,y[logD(x,y)]+

Ex,z[log(1-D(x,G(x,z)))].

(1)

L1损失函数能够提升生成居住区强排方案总平面图的精度与真实度,可表示为

LL1(G)=Ex,y,z[‖y-G(x,z)‖1].

(2)

最终的居住区CGAN损失函数为

(3)

式中：G为居住区生成器网络;D为居住区判别器网络;x为居住区轮廓图像;y为真实的居住区强排方案总平面图;G(x,z)为居住区生成器网络的生成图像;z为输入的随机噪声，采用dropout代替;λ为设置的权重值.

居住区CGAN模型的学习原理为：1)居住区生成器网络根据轮廓图像与随机噪声生成强排方案总平面图，其目标是产生居住区判别器网络无法区分的类“真实”图像.2)居住区判别器网络接收生成图像，并试图区分生成的“虚假”图像与“真实”图像.生成图像中包括建筑平面布局信息与建筑层数信息，其中建筑层数以不同数值的灰度颜色表示，建筑层数越高，其对应的颜色灰度数值越小.模型训练过程中，判别器网络读取生成器网络生成的“虚假”图像与训练数据集中的“真实”图像，对其颜色信息进行特征提取，从而获得建筑层数信息，计算图像的预测概率值与分类误差，并据此调整生成器与判别器网络的权重，从而进行建筑层数的学习与调整，达到模型训练与调优的目的.

研究基于开源编程平台Anaconda，应用深度学习框架TensorFlow，在交互式编辑工具Jupyter Notebook上对高层、多层、低层居住区CGAN模型进行构建.模型的输入为居住区轮廓图像，输出为居住区强排方案总平面图.模型训练参数分为优化器超参数与模型超参数，其中模型超参数采用pix2pix算法中默认的参数设置.Isola等[25]构建CGAN模型，迭代次数设置为200次，其模型预测结果表明:经过200次迭代，可以生成与真实图像相似度较高的预测图像.研究对不同初始学习率的模型生成效果进行测试，如图5所示，结果表明初始学习率为0.000 2对应的测试效果最好.初始学习率为0.000 1、0.000 2、0.000 3的模型训练耗时分别为2 d 3 h 11 min 18 s、2 d 2 h 36 min 55 s、2 d 2 h 36 min 59 s.因此，综合考虑生成图像质量与训练时间成本，优化器超参数中的迭代次数设置为500次，初始学习率设置为0.000 2.模型训练参数设置见表1，每次训练结束在测试集中随机选取图像进行测试.

图5 不同初始学习率的模型测试结果

表1 居住区CGAN模型训练参数设置

2.3 居住区强排方案生成设计及验证评价

以南京市金陵世纪花园、苏州市东湖林语、南京市殷巷新寓东2区为例(见图6)，以其轮廓图像作为模型输入，生成强排设计方案[26].

图6 实际居住区地块卫星图像

研究构建的居住区CGAN模型可生成带有高度信息的居住区强排方案总平面图，其高度信息以建筑的不同灰度数值表示.依据低层、多层、高层居住区CGAN模型生成方案中不同灰度数值与建筑高度的对应关系，可在参数化建模工具中构建居住区建筑几何模型.居住区强排方案生成设计流程见图7.首先，将各居住区轮廓向内偏移一定尺寸得到建筑控制线轮廓，高层居住区偏移尺寸为10 m，多层与低层为6 m，并将其按照相同比例导出，制作成网络模型可读取的格式；然后，将其输入至训练好的低层、多层、高层居住区CGAN模型，并得到相应的低层、多层、高层强排设计方案总平面图；最后，在Rhinoceros参数化建模工具中绘制出各建筑单体轮廓，对图像进行像素网格划分，并计算各建筑靠区域中心部分各点像素平均值，依据像素灰度数值与建筑层数的对应关系，确定建筑层数，从而构建居住区建筑几何模型.

图7 居住区建筑几何模型构建流程

为了验证生成强排设计方案的可行性，设计了生成方案的验证评价环节，即对其进行日照模拟分析，验证其是否符合规范要求.研究的日照模拟分析是基于Rhinoceros参数化设计工具及其插件Grasshopper、Ladybug来实现的.日照模拟分析流程为：在气象数据网站上获取当地气象数据文件(epw格式文件)，读取气象数据文件中的位置信息，从而获取太阳轨迹信息，导入居住区建筑几何模型与测试平面，设置边界条件与模拟参数，得到居住区建筑日照时数.边界条件设置如下：地理位置分别为南京、苏州市，计算日期为大寒日(1月20日)，计算时段为8:00～16:00，计算面为距地面0.9 m高度的外墙位置，即首层窗台平面.模拟参数设置如下：网格尺寸为1 m，偏移距离为0.1 m.根据生成方案日照模拟分析结果，以各建筑南立面首层窗台平面为测试平面，以水平方向4 m的间距在测试平面上选取测试点，统计满足日照要求的测试点占总体的比例.

3 结果与讨论

3.1 不同模式训练数据集测试结果

每种模式的训练数据集包括220张图片，其中20张用于测试.图8所示为迭代200次后3种模式训练数据集各自的测试结果.模式a与b训练数据集可生成行列布置的清晰建筑边界，模式c生成的建筑边界不清晰.模式a与c测试生成的建筑面宽均合理，但模式b生成的部分建筑面宽过长.模式c训练数据集的SSIM指标较低，但模式a训练数据集对应的SSIM指标多高于模式b.本文采用数据集a模式生成训练数据集.不同模式训练数据集计算结果见表2.

图8 不同模式训练数据集测试结果[26]

表2 不同模式训练数据集SSIM计算结果[26]

3.2 模型训练过程与测试结果

训练数据集共1 050张，其中高层居住区训练数据集350张，多层训练数据集450张，低层训练数据集250张.由于高层、多层、低层居住区CGAN模型训练过程较为类似，以低层居住区CGAN模型为例进行说明，图9所示为迭代1次、100次、200次、300次、400次后的测试结果.训练过程中，随着迭代次数增加，生成的建筑边缘越发清晰，且形状较规则的居住区所需的迭代计算次数较少[26].

图10为模型训练500次迭代后的测试结果，其模型输出较接近真实图像，建筑进深，南北向楼间距与东西向楼间距均为合理尺寸，建筑多呈南北向行列式布局，高层居住区CGAN模型输出的部分图像的轮廓边缘出现灰色、面宽较大的建筑，可用于商服、教育等其他辅助功能用房，而且高层、多层、低层居住区CGAN模型的测试结果中建筑日照间距有较明显的区别[26].

居住区CGAN模型测试结果与真实图像存在一定差异，以图11为例，由于居住区设计需考虑景观需求，无法最大限度地利用土地排布建筑，使得居住区内留有空地，而模型是以最大限度利用土地资源的方式排布建筑单体，建筑多呈行列式紧密排布[26].

图9 低层居住区CGAN模型各迭代次数下的测试结果[26]

图10 低层、多层、高层居住区CGAN模型测试结果[26]

图11 代表性样本案例分析[26]

3.3 居住区强排方案生成设计及验证评价结果

图12显示了高层、多层、低层居住区CGAN模型生成的强排设计方案，包括模型输出方案及使用参数化建模工具构建的居住区建筑几何模型.对于同一个居住区，构建的3个网络模型可生成相应的低层、多层、高层强排设计方案，且生成结果有明显区别，建筑间距随建筑高度增加而相应增大.部分高层与多层生成方案中边缘区域生成了低层围合式建筑，可用于商服等辅助功能用房.容积率计算结果表明，生成的居住区强排设计方案容积率较高，低层容积率在0.5以上，多层容积率在1.5以上，高层容积率在3.0以上，均属于相应类型居住建筑下的高密度设计方案，有效利用了城市土地资源，可基本满足强排设计要求.

图12 低层、多层、高层居住区CGAN模型生成的强排设计方案[26]

日照模拟结果表明：低层居住区方案内的测点可满足大寒日2 h日照要求，多层居住区1、3方案全部测试点可满足大寒日2 h日照要求，居住区2方案96%的测试点可满足日照要求，而高层居住区1内93%的测试点可满足大寒日2 h日照要求，高层居住区2方案全部测试点可满足日照要求，高层居住区3方案84%的测试点可满足日照要求.

表3 低层、多层、高层CGAN模型生成方案满足日照要求的测试点比例[26]

图13 低层、多层、高层CGAN模型生成方案日照模拟分析结果[26]

4 结 论

研究将深度学习技术应用于居住区强排设计方案的自动生成，提出基于CGAN的居住区强排方案生成设计方法.针对不同地区日照间距系数的差异性，选取中纬度城市居住区作为训练数据集样本，通过学习强排方案总平面图中的建筑排布规律，预测其他轮廓居住区对应的强排设计方案.为了验证生成方案的可行性，提出了基于日照模拟分析的验证评价环节.主要结论如下：

1)结果表明基于所提方法生成的低层建筑设计方案可满足日照要求，多层和高层建筑方案中的大部分空间可满足日照要求，说明所提出的基于CGAN的居住区强排方案生成设计方法可为居住区强排设计提供有力支撑.

2)研究提高了居住区强排设计效率，训练成功的居住区CGAN模型可在3 s内生成居住区强排设计方案，提高了居住区方案设计效率.

3)由于训练数据集中规则形状的居住区样本较多，该模型对规则居住区的预测能力较好，可通过扩充数据集来改善该问题.