机器学习模拟城市形态指标在规划决策支持系统中的应用

制作和主办：Elsevier沙特国王大学学报审查机器学习方法在规划决策支持系统中模拟城市形态指标的应用：潜力、问题和挑战Stephane Cedric Koumetio Tekouaboua，a，El Bachir Diopa，Rida Azmia，Remi Jaligotb，Jerome Chenala，ba摩洛哥本盖里尔43150，Hay Moulay Rachid，地段660，穆罕默德六世理工大学城市系统中心（CUS）b瑞士洛桑联邦理工学院城市和区域规划共同体阿提奇莱因福奥文章历史记录：收到2021年2021年7月20日修订2021年8月8日接受2021年8月20日网上发售关键词：城市形态人工智能机器学习深度学习城市模型城市数据神经网络城市大数据A B S T R A C T现代城市动态地面临着数字化、可持续性、弹性和经济发展等挑战。城市规划者和设计者必须开发出能够应对这些挑战的城市形态随着新的通信和信息技术（智能手机，GIS，无人机，物联网，传感器等）的集成，城市活动产生了大量的城市数据。收集和大数据存储能力的快速这些突破性方法的出现反过来又有助于解决现代城市在几个领域（健康，安全，移动性等）的挑战。ML算法已被提出来模拟城市形态的智能城市规划决策的指标。事实证明，它们比传统方法更好然而，ML的潜力尚未被充分挖掘，在城市规划决策支持的研究。本文对ML应用于缓解现代城市规划挑战进行了全面的综述。首先，概述了城市形态、城市数据来源、ML和DL技术以及它们在解决上述挑战方面的潜力。对于每种ML方法，我们将使用比较表突出其工作原理，优点，缺点和潜在的应用最后，我们将讨论ML方法在城市形态建模中的问题和挑战©2022由Elsevier B.V.代表沙特国王大学出版。这是一篇开放获取的文章，CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言59442.城市表格5946的ML分类2.1.城市形态要素59462.2.城市形态指标2.3.城市数据来源59462.4.Ml型号59462.5.问题、挑战和未来方向2.6.文献检索策略59473.城市规划DSS 5953*通讯作者。电子邮件地址：ctekouaboukoumetio@gmail.com（S.C. Koumetio Tekouabou）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.08.0071319-1578/©2022由Elsevier B. V.出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报59443.1.城市规划决策59533.2.城市形态的概念3.2.1.城市形态特征（要素）59533.2.2.城市形态指标......................................................................................................................................................................................................................59543.3.城市数据来源59544.城市表单应用程序的ML方法概述59554.1.无监督ML模型59554.1.1.聚类方法4.1.2.关联规则方法59564.2.经典监督ML模型59564.2.1.DT 59564.2.2.LR 59564.2.3.KNN 59564.2.4.NB 59574.2.5.SVM 59574.3.包埋方法（EM）59574.3.1.装袋算法59584.3.2.随机森林（RF）算法59584.3.3.额外树（ET）算法59594.3.4.Adaptif Boosting（Adaboost）算法59594.3.5.梯度提升（GB）算法59594.4.基于NN的模型59594.4.1.ANN 59594.4.2.美国有线电视新闻网59594.5.基于DNN的模型59604.5.1.DCNN 59604.5.2.RNN 59604.5.3.自动编码器（AE）59614.5.4.迁移学习（TL）59615.讨论：潜力、挑战和未来方向59615.1.ML应用于城市规划DSS 59615.1.1.解决城市可持续性问题的ML59625.1.2.ML解决数字和智慧城市问题59625.1.3.ML用于解决社会经济问题59625.1.4.ML解决城市土地利用优化问题59635.2.ML在城市应用中的挑战59635.2.1.ML实现和计算复杂性59635.2.2.ML对城市数据的挑战。...................................................................................................................................................................................................59635.3.未来研究方向59646.结论5964竞争利益声明参考文献59641. 介绍数字化在日常生活的几乎所有领域都在增加机器的存储存储器和计算能力的快速增长有利于新算法的出现，从而允许有效地处理大量收集的数据并使其在各种应用中有用（Jordan和Mitchell，2015;Al-Garadi等人，2020年）。这些机器丰富了最新的自动学习方法，以满足各种应用对人工智能的需求（Champion和Kim，2019）。机器学习（ML）是计算机科学和统计学的交叉点，也是智能和数据科学 的 核 心 ， 其 应 用 领 域 正 在 日 益 扩 大 （ Jordan 和 Mitchell ，2015）。因此，ML方法正在进入科学，技术和商业领域，导致许多领域中更多基于证据的决策，包括医疗保健，制造，教育，金融建模，执法和营销（Al-Garadi et al.， 2020年）。最近，城市越来越多地被包括在这些应用中，特别是为了满足可持续性、智能、经济和金融弹性等方面的要求（Li等人，2020年; Chelsea和Kim，2019年;Liu等人，2017年）。因此，提出了几种方法来模拟城市驾驶员的动态作为不同的ele的函数城市形态的要素（特征）。最新的研究结果表明，ML方法已经显著超越了城市形态指标的预测或规定性建模的传统技术，成为城市规划决策支持的重要工具（Ma等人，2020; Hecht等人，2013年）的报告。事实上，为了应对当前新兴城市大数据复杂性的挑战，城市指标的建模越来越多地利用使用ML算法的所谓智能自动方法，这些方法比效率较低的传统方法更受欢迎。因此，ML模型的实际出现能够自动提高其性能与最近的工作中获得的经验（Al-Garadi等人， 2020年）。总的来说，以前的研究已经证明，ML方法在解决现代和智能城市形态建模问题方面仍然具有巨大的潜力（Chelsea和Kim，2019年; Ma等人，2020年）。这个问题主要由时空分析组成（Gómez等人，2020;Faghmous和Kumar，2014）。因此，一些新兴的方法（诸如卷积神经网络（CNN））已经被证明在从空间数据中提取特征方面是有效的，而其他方法（诸如递归神经网络（RNN））处理时间数据（Geng等人，2019; Gómez 等 人 ， 2020 年 ） 。 基 于 集 成 的 方 法 ， 如 随 机 森 林（RF），Bagging和boosting方法已被证明是非常有用的，S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报5945对智能城市形态的各种研究（Jochem等人，2018年; Ma等人，2020年;Geikh 等 人 ， 2020;Novack 等 人 ， 2011;Hecht 等 人 ，2013;Shafizadeh-Moghadam等人，2017年）。被认为是简单监督或无监督方法的其他类别的ML方法也已被广泛用于各种城市形式应用（Abrantes等人，2019; He等人，2018年; Li等人，2020; Gao等人，2020年）。ML方法在十字路口的巨大潜力城市形态模型的复杂性开辟了一个非常有前途的领域在未来几年的研究中（Li等人，2020年）。这个问题是现代城市规划挑战的核心，旨在实现更智能，数字化，可持续，发达，有弹性和包容性的城市形式。为了克服数字时代的这些挑战，城市研究现在正试图整合不断增加的复杂性，旨在限定城市环境中交叉的过程，并构成其动态。它努力不在一个绝对的框架内进行推理，而是根据经常对比的情景进行思考，以便将更广泛的可能结果汇集在一起。这种方法的实施，基于在城市规划和工程中，相对较新的前瞻性要求使用适当的工具来考虑、管理和分析城市动态的复杂性和交织性，然后再将其预测到未来。在这些工具中，建模为城市规划决策支持提供了重要的视角。因此，本文的目的是提供一个批判性的审查文献ML方法的城市形态建模问题，相关的挑战，机遇和未来的研究方向的最新应用本次审查将包括城市形态，城市数据源的概述，以及所使用的ML方法的描述，强调其操作原理，优点，缺点和潜在的应用。因此，我们总结了这篇综述论文的主要贡献如下：提供了一个全面的审查城市形态及其各种数据源的ML应用程序。深入回顾了ML算法及其在城市形态中的应用。Fig. 1. 城市形态应用的ML主题分类法。表1比较不同类型的机器学习。监督学习输入数据使用已知且已标记的输入数据已知但未标记计算复杂度非常复杂不太复杂实时使用离线分析使用实时分析过程分类与回归聚类与关联规则精确度准确结果中等结果类的数量类的数量已知类的数量是未知的●●S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报5946在清晰易用的表格中，我们总结了ML方法的类别，根据其算法原理，优点，缺点和智能城市规划应用的潜力。讨论机器学习应用的潜力、问题、挑战和未来研究方向，以应对下一代城市规划的挑战。本文的其余部分组织如下。第1节大致描述了我们在本文中讨论的综述内容的分类，而第3节概述了ML应用程序的城市数据源。第4节提供了一个深入的审查ML和ML算法应用于城市形态建模的最新进展。最后，第5节讨论了ML在城市形态中应用的潜力、机遇、挑战和未来方向，最后第6节总结了我们的评论。2. 城市形态近年来，ML算法在城市形态建模中的应用已经发展到足以应对城市规划挑战。图1表示涉及多个领域的ML应用程序的分类。我们将这些领域分为四个主要类别：与所选研究区域（城市）相关的城市形态元素，可靠的数据源和用于目标任务的数据类型，潜在的ML模型，有针对性的指标。此外，我们还增加了问题、范围、挑战和未来方向。我们将在下面的不同章节中更详细地简要介绍每个主题。2.1. 城市形态要素在城市形态的ML应用程序的设计和建模中，我们将城市形态的元素定义为将驱动所选模型的输入地理物理特征（Dempsey等人，2010年）。这些元素的选择非常重要，因为它可以实现最佳校准，从而实现模型的最佳效率。在这个专业领域，我们包括所有与城市的几何和物理形状直接相关的参数。城市指标领域在很大程度上与城市在地理和逻辑意义上的形状有关。第3节给出了关于这些不同概念的更多细节2.2. 城市形态指标ML应用于城市形状的目标是提供模型来模拟来自描述城市形状的输入元素的指标。为了提高效率，必须掌握相关指标。根据图1的分类，对这些指标的研究因此，它是为城市形态设计和建模ML应用程序的专业领域。第3.2.2节详细介绍了这些不同的概念。2.3. 城市数据来源城市数据收集和结构化是一个高需求领域没有数据，ML模型既不能训练也 不能校准（Al-Garadi et al. ， 2020; Jordanand Mitchell，2015）。城市数据的特点是其来源，规模，研究区域，性质（派生或原始，. . 在第3.3节中，我们基于文献工作对ML应用程序的城市数据表2城市形态建模的无监督ML方法的比较。EMA =期望最大化算法，CAR =类关联规则; DBSCAN =基于密度的噪声应用空间聚类。类型聚类工作原理聚类方法划分数据集X = {x∈1}，. ..，x<$m}分成k个非重叠聚类C1，. ..，Ck.每个数据点xi被精确地分配一个簇，其索引我们用y{1，. ..，k}（Williams，1971）。关联规则AlgoK-means（Krishna和Murty，1999; Li等人， 2020），EM（月亮，1996;韩例如，2021）、高斯混合模型（Han等人，2021; Reynolds，2009）、图聚类（Schaeffer，2007）、DBSCAN（Khan等人，2014），深集群（Caron等人， 2018年）Apriori（Wei等人，2009; He等人，2018），CAR（Nguyen et al.，2013;缺点优势在城市建模用于根据能源等常见特征将城市数据组织到同质集群中（Han例如，2021），城市职业类型（Abrantes等人，2019），城市织物（李等人，2020）、LST（Gao等人，2020）等。用于确定UBD特征之间的隐藏关系，例如步行的成年人（Jack和McCormack，2014），城市活力（He等人，2018），旅行行为（Lu et al.，（2008年）● 易于理解和实现● 类的数量必须固定在● 概念简单、速度快开始● 适用于任何类型和大小的数据● 结果取决于最初的抽签阶级中心● 与非现有技术相关的集群-帐篷对象● 易于理解，效率和关联规则● 频繁项集A/4>B是一组交易，是巨大的。简单● 无监督的一般形式主义项集A的某个值决定了项集B在● 一些的重要协会● 可能性的发现有用规则，最的这是不有趣满足最小支持度和置信度的条件（Toivonen● 使用的算法有太多隐藏在数据库参数例如，1996年）。●●S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报59472.4. Ml模型学习算法由于其独特的解决问题的性质而在许多现实世界的应用中被广泛采用（Al-Garadi等人， 2020年）。请注意，这些算法的价值在于它们能够构建自动校准和通过经验进步的机器（Jordan和Mitchell，2015）。随着处理器容量的爆炸式增长和数据采集量的不断增加，学习算法在包括城市规划在内的多个领域得到了广泛的应用新算法的开发以及能够适应和校准新数据集的低计算成本算法的出现，使得ML模型及其潜力的研究成为智能城市形态应用设计在第四节中，我们详细研究了ML模型及其在城市形态中的应用2.5. 问题、挑战和未来方向在这一类别中，我们探讨了一系列问题、范围、挑战和未来方向，以应用ML方法来解决城市形态中当前和未来的挑战表3和表6根据数据（来源、研究）总结了将ML应用于城市形态的面积，规模，.. . ）、学习类型（抑制（分类、回归）、非抑制（聚类、关联））、出版年份和使用的ML方法。我们讨论了一个可持续的，弹性和包容性的城市形式，包括环境，社会经济因素和指标，除了经典的地球物理元素。我们还专注于ML应用或ML与其他技术集成的挑战，ML用于城市形式，提供相互依赖，弹性，智能，互联和社会经济可持续的城市环境。最后，我们讨论了ML领域与贸易相关的复杂性-在城市形态应用中。2.6. 文献检索策略在我们的研究中，我们首先在SCOPUS数据库中进行了文献检索，执行的搜索查询将两类关键概念分组在一起：与城市相关联的概念1包括诸如“城市规划”、“城市形态”、“城市形态”和“城市规划”的术语在搜索查询中，布尔“AND“用于组合两个表3城市形态建模的ML方法概述。根据第3.3节确定数据源参考年份ML模型数据来源研究领域目标问题-有监督的Unsup。PT-单一方法方法-DTKNNSVMNBLRBRF ABGB集群Asso（Ma等人， 2020年）UUUU UR纽约市土地价值（Hecht等人，（2013年）UUUUUC传感器德国Urb Struc类型（Chelsea和Kim，2019）2019UC传感器韩国PM10（Hecht等人，（2015年）C混合德国建筑物坡脚（Wang等人， 2020年）URSensors Texas水质（Arribas-Bel等人，（2019年）2019年UC混合跨度城市地区（Abrantes等人，（2019年）2019年UCL混合型葡萄牙类型Urb occup（Kleine Deters等人，（2017年）UUC基多（厄瓜多尔）污染（PM2： 5）（Chan等人，（2001年）UUC混合香港环境（Liu等人，（2017年）UC传感器北京环境质量（Chen等人，（2013年）UR杂交广东能源消耗（Jochem等人，（2018年）2018年UUC传感器阿富汗土地使用面积（Jack & McCormack，2014）U作为加拿大调查行走的成年人（Duerr等人，（2018年）2018年UUUR佛罗里达调查局需水量（Kontokosta等人，（2018年）2018年UR纽约调查固体废物管理（李，2019）2019UR混合动力美国空气质量（Li等人， 2020年）UCL传感器武汉城市结构（Liu等人，（2019年）2019年UUR调查南京交通流（Milojevic-Dupont等人， 2020年）UUUR混合欧洲建筑物高度（Reades等人，（2019年）2019年UR混合伦敦绅士化（Novack等人， 2011年）UUUUC传感器圣保罗城市土地覆盖（Sun等人，（2019年）2019年UUR混合中国LST（戈麦斯等人， 2020年）UC哥伦比亚传感器城市增长（Shafizadeh-Moghadam等人，（2017年）UUUUC传感器德黑兰城市增长（Tran等人，（2017年）UR传感器汉诺威LST（Hart & Sailor，2009）UR传感器波特兰UHI（Yang等人， 2020年）UCL混合武汉LST（Gao等人， 2020年）UUR混合武汉LST（Okwuashi和Ndehedehe，2020）2020年URSensors Lagos（尼日利亚）土地利用（Chen等人， 2020年）UUR传感器新加坡LST/UHI（Geiffel等人， 2020年）UR传感器德国构建高度（Kabano等人， 2021年）UR传感器乌干达UHI（Yu等人， 2020年）UR传感器新加坡UHI/LST（Han等人， 2021年）UCL传感器波士顿（美国）能源（He等人，（2018年）2018年U作为传感器中国城市活力（Lu等人，（2008年）U作为Hybrid Chicago（美国）出行行为（Xing和Meng，2020）2020UUUC传感器深圳（中国）城市功能（Kafy等人， 2021年）UC达卡（孟加拉国）土地覆盖表4城市形态建模的ML方法比较类型算法工作原理优点缺点在城市建模单ML方法DT DT是一种用于以由节点和叶子组成的树的形式构造一组学习数据的技术。每个节点表示对给定属性的测试，而叶子表示类（Ruggieri，2002; Bashir等人， 2014年）。LR给定一个变量来预测Y^f0; 1g和a预测变量（解释变量）X1/4x1;x2;.. . LR是基于方程的基本假设。（一）.KNN算法的原理在于通过平均k个最近邻值来分配类或回归值，对于数值实例，或者如果实例的值是分类的，则通过对k个近邻NB NBSVM SVM基于特征到高维特征空间的非线性变换，其中分类问题变为线性可分的。SVM模型基本上是二进制分类器。使用聚合技术，这些可以适用于多类问题。DT是一种简单、易于使用和透明的方法。DT是最适合于集成组合的弱学习算法。易于适应分类和回归问题，易于正则化，训练速度快，抗过拟合KNN是一种流行且有效的城市建模ML方法。它有一个简单的过程，将其使用扩展到几个层次的建模。NB简单，易于实现，训练样本要求低，对不相关特征具有鲁棒性（Jordan和Mitchell，2015;Al-Garadi等人， 2020年）。- 适用于线性和非线性可分离数据，-广泛使用的模型，-在大空间中的高精度和效率，-不易过度学习和稳定，-噪声鲁棒性和不平衡类DT由于其施工性质，需要大量存储。只有当涉及很少的DT时，理解基于DT的方法才容易对可分非线性数据和多类分类最佳k值通常因数据集而异;因此，确定k的最佳值可能是一个具有挑战性且耗时的过程。NB独立地处理特征，因此不能从特征之间的关系和交互中捕获有用的线索（Al-Garadi等人，2020年）。- 不适合大型数据集，因为训练时间很长;-对具有重叠类的噪声数据效果较差; -难以选择适合数据的正确内核; -无法提供分类数据。环境（Chan等人， 2001），城市结构类型（Hecht等人，2013），城市土地覆盖（Novack等人，2011年），城市增长（Shafizadeh-Moghadam等人，2017年）等土地价值（Ma等人，2020），空气质量（Lee，2019），LST（Gao等人，2020），城市增长（戈麦斯等人， 2020年）。土地价值（Ma等人，2020），城市结构类型（Hechtet al.，2013年），土地使用面积（Jochem等人，UHI（Hart and Sailor，2009）景观指标的城市功能（Xing和Meng，2020），LST/UHI（Chen等人，2020），水需求（Duerret al.， 2018年）城市类型结构（Hecht等人，2013），土地价值预测（马等人，2020），城市职业类型（Abrantes等人，2019），污染（PM2：5（Kleine Deters等人，2017年），PM10（Champion和Kim，2019年），景观指标的城市功能（Xing和Meng，2020年），土地利用（Okwuashi和Ndehedehe，2020年），土地覆盖（Kafy等人，2021年）等S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报5948表5城市形态建模的Entrance ML方法比较。类型算法工作原理优点缺点在城市建模合奏方法BBagging算法（Breiman，1996）包括Bootstrap样本的分割、基本弱学习器模型的应用和聚集。对于分类，弱学习器模型的结果通过投票进行汇总（见图1）。 9（a））。RF RF算法（Breiman，2001）是基于装袋原理的EM，其中随机森林中的每个弱学习器根据“装袋”原理在数据的随机子集上训练，具有根据“随机投影”原理的特征（可变数据特征）的随机子集。然后，当数据是定量的或在分类树的情况下用于定性数据的投票时，对预测进行平均（Breiman，2001; Bashir等人， 2014年）。ETET（Geurts等人，2006）是如上所述从装袋构建的一组决策树。然而，它们与其他EM的不同之处在于：1）在内部节点中发生的分离是随机的，测试的属性和阈值是随机选择的; 2）Extra-Trees使用整个学习集来构建树，而不仅仅是Bagging方法中的一部分。GBGB算法通过顺序地将预测因子添加到集合中来工作，使得每个预测因子尝试校正其前任的错误（Freund等人，1999; Freund等人，1996年）。然而，这种方法不是像AdaBoost那样在每次迭代时调整实例的权重，而是试图将新的预测器调整到前一个预测器所产生的残差（Géron，2019）。ABAB基于这样的事实，即用于校正其前任的误差的新预测器仅仅对前任适应较少的训练案例给予更多的关注（Mishra等人，2017;Chengsheng et al.， 2017年）。- 当预测变量不稳定时，Bagging减少了方差（Breiman，1996），-通过Bootstrapout of bag估计预测误差：防止过拟合RF对于过拟合是高效且稳健的。RF绕过特征选择，并且需要很少的调谐参数。RF几乎是使用最广泛的算法，这保证了它的可靠性。ET算法节省时间，因为它随机选择分裂点，并不计算最佳的RF相比（Geurts等人， 2006年）。GB是一个通用算法，以找到近似的解决方案，添加剂建模问题。GB在先前分类器的残差上构建树通过基于来自先前学习者的分类对训练样本进行重新加权，可以在不参考梯度的情况下实现AB（Chengsheng等人，（2017年）装袋稳定的预测器RF基于若干随机选择的TD的构造;因此，在所需训练数据集较大的特定实时应用中，RF可能是不切实际的（Al-Garadi等人， 2020年）。- 降低模型的可解释性-设计时间很长，-难以学习，并且对于如此大量的数据效率低下。GB是敏感的离群值，因为每个分类器有义务修复的错误，在前辈。GB几乎不可能扩展，因为每个估计器都基于以前的预测器的正确性。AB来自经验证据，对噪声数据特别敏感。太弱的弱分类器可能导致低边缘和过拟合（Chengsheng et al.，（2017年）城市结构类型（Hecht等人，2013），城市土地覆盖（Novack等人， 2011年）。土地价值（Ma等人，2020），城市结构类型（Hecht等人，2013），水质（Wang等人， 2020），土地使用面积（Jochem等人，2018），水需求（Duerr etal.，2018），中产阶级化（Reades等人，2019），城市土地覆盖（Novack等人，2011）、LST/UHI（Sun等人，2019年; Chen等人， 2020），城市增长（戈麦斯等人，2020; Shafizadeh-Moghadam等人， 2017年）、城市功能（邢和孟，2020年）等。适用于土地价值等分类和回归问题（Ma等人，2020）和建筑高度（Geibians等人， 2020年）城 市 地区的 PM2 ： 8 污 染 颗 粒 （ KleineDeters 等 人 ，2017），水需求预测（Duerr et al.， 2018），固体废物管理（Kontokosta等人，2018年），城市交通流量（刘等人，2019）和建筑高度（Milojevic-Dupont et al.， 2020年）适用于回归和分类问题，包括二进制和多类。AB已应用于土地价值（Ma等人，2020）和建筑高度（Geibians等人，2020）预测。S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报5949S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报表6城市形态建模的DL方法综述根据第3.3节确定数据源。R =回归，C =分类参考年份DL型号PT数据来源研究领域目标问题监督型号Unsup型号RL模型安MLPCNNDCNNTLRNNAELSTMRLGAN（Ma等人， 2020年）UR纽约市土地价值（Liu等人，（2017年）UC传感器北京环境质量（Chang等人，（2019年）2019年UR传感器申申能源（Nice等人， 2020年）UC混合1692城市城市类型学（Ibrahim等人，（2019年）2019年UC传感器埃及孟买贫民窟（Moosavi，2017）2017UC传感器城市结构（Chan等人，（2001年）UC混合香港环境变化（Guo等人， 2020年）UC传感器Swi Portu洪水预报（Kontokosta等人，（2018年）2018年UR纽约调查固体废物管理（Middel等人，（2018年）2018年UC传感器气候（Middel等人，（2019年）2019年UR费城传感器流动性（Mobility）（Shen等人，（2018年）2018年UR混合武汉下午2： 5（Novack等人， 2011年）UC传感器圣保罗城市土地覆盖（Shafizadeh-Moghadam等人，（2017年）UR传感器德黑兰城市增长（Verma等人，（2019年）2019年UC传感器孟买贫民窟探测（Janarthanan等人， 2021年）UR传感器钦奈空气质量（Fu等人，（2016年）UR加利福尼亚传感器交通流（Koschwitz等人，（2018年）2018年UR混合德国加热冷却（Lu等人， 2021年）UUR混合动力英国交通流（Xayasouk等人， 2020年）UUR传感器首尔空气质量（Geng等人，（2019年）2019年UUR混合中国叫车查看类型文档。因此，在SCOPUS中执行的查询如下：TITLE-ABS-KEY（（“城市规划“或”城市形态“或”城市形状“或”城市形态“）AND（”机器学习“或”深度学习“））AND（EXCLUDE（DOCTYPE，"re“）OREXCLUDE（DOCTYPE，”cr“）OREXCLUDE（DOCTYPE，”le“））AND（LIMIT-TO（LANGUAGE，”Eng-lish在SCOPUS数据库中结合这些关键词进行查询，检索到551篇原始文献，排除综述、会议综述和信函后检索到533篇，限制为英语后检索到521篇。通过此搜索查询在CSV文档中检索到的文章最相关的主题：“应用机器学习方法， 为了从目标文献中获得目标文档，我们使用ORANGE工具（Demšar et al.，2004; Demšar等人， 2013年）的报告。在ORANGE上的过滤查询中最终包含的搜索项列表如图所示。二、然而，那些被认为是相关的文章，以及那些在前几个阶段中没有被保留的文章，都是手动添加的，以便最终得到206篇最相关的文章用于映射图二. ORANGE上相关文章的过滤过程5950表7城市形态建模的DL方法比较。类型Algo工作原理优点缺点应用于城市造型人工神经网络的工作原理(ANN)图10中表示的算法非常示意性地受到生物神经元的功能的启发，该方法的名称来源于生物神经元的功能（Thayse等人，1988; Wang，2003）。- 高性能和计算能力，-高维问题的效率，-处理复杂特性的能力，- 并行处理能力和容错能力- 理论上很复杂，-需要仔细调整，-需要大量数据才能有效土地价值（Ma等人， 2020），城市环境的变化（Chan等人，（2001年）ANN固体废物管理（Ma等人，2020），城市类型学（尼斯等人，2020年），CNN模型CNN DCNN是基于大脑的感受野，其处理来自传感器的输入并且对某些刺激（例如视觉系统的边缘）它们有效地处理大量输入数据，因此广泛用于计算机视觉领域（Krizhevsky等人， 2012年）。- 高维度问题的效率，-需要更少的数据和计算能力，-能够处理复杂的特征，-并行处理能力和对变化的容忍度- 理论上很复杂，-需要仔细调整，-需要大量数据才能有效洪水预测（Guo等人，2020），气候（Middel等人，2018年），街头流动性（Middel等人， 2019年度）DCNN城市环境质量（刘例如，（2017年）基于RNN的模型RNN RNN允许与过去通过利用一种特殊的循环体系结构来学习知识。它们被用于许多与序列数据相关的领域，例如预测句子的下一个单词（Subasi，2020）。LSTM由一个单元、一个输入门、一个输出门和一个遗忘门组成。细胞以任意的时间间隔存储值，三个门调节进出细胞的信息流（Hochreiter和Schmidhuber，1997）。GRU GRU是一个基于RNN的编码器-解码器，由两个RNN网络组成。第一个将符号序列编码为固定长度的向量表示，另一个将表示解码为另一个符号序列然后，编码器和解码器被联合训练以最大化目标序列的条件概率（Cho等人，2014;Chung等人， 2014年度）RNN及其变体在许多序列数据应用中非常有效在某些情况下，城市特征可以是连续数据（Al-Garadi等人， 2020年）。LSTM非常适合基于时间序列数据进行分类，处理和预测，因为时间序列GRU网络非常流行，而且简单得多，需要的计算能力也更少，因此可以用来形成真正的深度网络。当RNN在比几个元素更长的序列上训练时，它们会遇到消失和爆炸的梯度问题（Al-Garadiet al.，2020;帕斯卡努例如， 2013年）的报告。LSTM需要很长时间来运行，通常需要比其他模型更多的数据来训练，因此更适合大量的数据，有很多输入参数需要调整。它们的工作原理更简单，但在遇到某些问题时，性能有时会受到限制。复杂的时间序列预测，例如交通流量的预测（Lu等人，2021），加热冷却（Koschwitz例如，2018），乘车（Geng et al.， 2019年）等。复 杂 的 时 间 序 列 预 测 ， 如 空 气 质 量（Janarthanan等人，2021;Xayasouk等人， 2020年）复 杂 的 时 间 序 列 预 测 ， 如 空 气 质 量（Janarthanan等人，2021;Xayasouk等人， 2020年）S.C. Koumetio Tekouabou，E.B.迪奥普河Azmi等人沙特国王大学学报5951表8城市形态建模的DL方法的比较（Suite）。类型Algo工作原理优势缺点在城市建模AEAE允许将输入编码为不同的表示，并从学习的表示中重建它。因此，他们被一旦模型得到良好的训练，编码器部分就可以用于从数据中提取特征（Makhzani有效的特征提取，学习表示学习来学习特征，而不是传统ML中的手动特征，并在没有任何先验数据知识的情况下降低维度AE是数据特定的，因此非常局限于与训练数据相似的测试数据。AE的可扩展性降低。AES用于图像去噪和压缩;降维和信息检索，如城市结构（Moosavi，2017）和空气质量（Xayasouk等人， 2020年）。GAN例如， 2015年）。两个网络在一场比赛GAN生成的数据类似于GAN很难训练，因为你知道你需要给定语义图像或数据样本，GAN理论方案（Goodfellow等人，2014年）。第一个网络是生成器，它生成一个样本（例如图像），而它的对手，判别器，试图检测样本是否是真实的，或者它是否是生成器的结果（Zhang例如，2019; Goodfellow等人，2014年）。学习原始数据通过深入数据的细节来解决ML中的数据问题，并且可以轻松地解释为不同的版本。连续提供不同类型的数据以检查其是否准确工作，并且从文本或语音生成结果是非常复杂的可用于生成新的合理示例数据，如城市景观、布局、城市设计或城市增长（Shafizadeh-Moghadam等人， 2017年）。RL模型RL可以被模拟为一个零和游戏。RL允许学习代理调整他或她的没有主管，只有真实的号码RL是计算繁重和耗时的，RL可用于优化大规模TL基于错误和奖励的策略，并通过试验和错误得出最佳解决方案。RL的三种方法包括1）基于价值的学习，2）基于策略的学习和基于模型的学习（Sutton和Barto，2011）。TL仅仅是为了恢复获得的或奖励信号。工作在与环境交互，而监督学习方法工作在给定的样本数据上。资源需求低，易于特别是当动作空间很大（足够的数据）时。迁移学习只有在初始和没有这种不同组合将如何影响未来能量消耗的生产系统（Chang等人， 2019年度）TL通常与CNN一起使用，在一个巨大的数据集（如包含120万张图像的Imagenet（Krizhevsky））例如，2012; Deng等人，2009）），使它们适应模型的结构，以适应你自己的数据，然后部分地重新训练它，而不是从头开始训练这个网络（Tran等， 2017年）。实现，执行时间短，对于某些复杂问题性能更好（Tan等人， 2018年）目标问题足够相似，因此第一轮培训是相关的。我