基于智能代理建模的城市公园空间活力评价研究

张晓磊 孔明亮 龚启东

（重庆大学建筑城规学院，重庆 400044）

设计不当和地形利用不合理等原因可能导致城市公园建成后空间活力不足、使用效率低等问题，在公园设计阶段开展科学有效的空间活力评估具有重要意义。基于代理的建模（Agent-Based Modeling）相比于传统空间活力研究方法，具有从个体角度出发，自下而上形成整体人群使用偏好的功能，模拟结果可被用于评价公园空间活力。基于对游客行为规律、选择偏好和空间环境要素的拆解重构，在Unity平台中构建能够模拟并分析公园空间活力的仿真模型（Assigned Environment Agent-Based Model, AEABM）。该模型重点围绕活动强度、活动多样性、活动持续性三个层面的空间活力特征对公园的空间活力进行定量分析。以重庆中央公园为例，将模型模拟结果与实际调研结果进行校核，验证AEABM模拟结果的有效性。结果表明AEABM模拟结果与调研数据和初始化参数吻合，具有良好的模拟效果。模拟结果也显示重庆市中央公园在空间布局、休憩设施和使用功能设计方面存在不足，限制了公园的空间活力。

公共空间设计；行为需求；人机交互；基于代理的建模；3D赋值环境

近年来，城市公园建设目标从注重数量增长转型为强调质量增长。城市公园是居民户外活动的聚集地，公园的空间活力决定了空间的生命力，被认为是衡量空间品质的标准之一。针对空间使用情况的研究非常丰富，国内外传统的研究方法有：观察法、问卷调查法、使用后评价法等。这些方法的主要实现手段是通过对建成后公园空间的现场调研获得人群、活动、空间等要素的现实数据，进而评价其空间活力[1]。由此获得的评价结果具有真实性，但存在耗时耗力、主观偏差难以克服和只能在建成后针对实地空间进行评价的局限。在计算机算力飞速发展的背景下，通过数字化仿真模拟评价公园的空间活力已经成为可能。在方案设计阶段和缺乏现场数据的情况下，仿真模拟方法可以模拟游客对公园空间的使用情况，为分析城市公园空间活力提供依据。这类方法将极大减少传统评价方法中存在的高人力投入和主观偏差，同时满足建设前和建设后两种情境的评估需要。

公共空间中的人群活动是一个自下而上自发涌现的组织过程，难以通过线性函数进行准确模拟[2]。基于代理的建模（Agent-Based Modeling，ABM）方法为应对这类问题而提出，其核心机制是将行为规则赋予个体尺度的使用者虚拟代表（代理），通过仿真环境中代理与代理、代理与环境之间的交互，最终获得群体层面的行为结果[3-6]。使用ABM模拟的演变过程是实时可见的，现象形成的过程和原因可被代理行为机制的构建逻辑解释[7]。

本研究从代理决策方法设计、建模方法设计和人类行为框架设计三个方面探索了一种具有赋值环境的基于代理模型——Assigned Environment Agent-Based Modeling（AEABM）的构建过程，通过在3D环境中还原使用者行为，将模拟结果用于空间活力的分析评价[8]。论文进一步以重庆市中央公园这一实际对象检验该模型在评价空间活力方面的表现，研究结果将为公园的空间活力评价和提升工作提供方法上的参考，促进城市公园规划设计实践发展。将以上成果代码化并对模型进行拟合校准，运行模型以实现对游客行为的动态模拟；最后将模拟结果带入空间活力计算公式并生成公园空间活力评价地图，同时对以上结果进行综合分析，从而实现对城市公园空间活力的分析评价。研究框架见图1。

图1 研究框架Fig. 1 Research framework

1 研究方法和框架

ABM是一种通过构建虚拟代理、虚拟环境以及二者之间的交互关系来实现现象预测的方法。其作用机制是通过仿真模拟归纳提取出群体层面的活动规律，在虚拟代理、虚拟环境和模拟结果之间建立可解释的逻辑关系，从而实现对现象的预测和解释。运用作AEABM仿真模拟公园空间中的游客活动，将模拟获得的游客活动现象预测结果用于评价空间活力。基于公园空间中游客行为规律，研究首先从文献资料和现场调研中获取的游客使用行为规律进行归纳总结，为ABM中代理的行为规则构建和参数设置提供依据；然后根据文献资料归纳提出空间活力计算公式，

2 理论基础与模型构建

2.1 空间活力计算公式

通过对以往公园空间活力量化分析的相关文献进行总结发现，人群数量、活动时长、活动类型等要素是空间活力的重要影响因子[9-12]。在目前的研究中，主要涉及的指标类型有活动强度、活动多样性、活动持续性三类。基于刘颂[9]、朱顺杰[13]构建的空间活力数学模型，以上述三种主要指标类型为核心评价要素，提出公园空间活力评价公式，见式（1）。空间活力计算公式可以利用模拟得到的游客行为信息计算并表征公园的空间活力，各项指标计算方法如式（2）（3）（4）所示。

2.2 AEABM构建

搭建ABM的软件主要有Swarm、Repast、Netlogo、Startlogo和Unity。本文选择Unity作为搭建AEABM的平台，因为Unity作为游戏开发引擎对3D环境的编辑能力强，有成熟的寻路算法，能够实现对真实环境和游客行为的高水平仿真，其模拟结果在确保准确性、动态性的同时更加直观易读[14-15]。

2.2.1 环境搭建

一般的景观设计元素有6种，包括地形、植物、建筑、道路、场地结构和水，通过有意识的组合可以形成功能齐全的景观[16]。为使开发的AEABM具有广泛适用性，以能构建功能完整的景观空间为标准，选择地形、水域、植物、道路4种环境要素作为建模的基本要素，今后的研究可以在此基础上根据需要添加新的组分。用设计建模软件（Rhino、SU等）分类导出设计方案中4个必要元素（地形、水域、树木和道路）的OBJ格式文件，置入Unity游戏引擎中定义一个虚拟对应环境。

根据设计师的设计意图，不同的地形、水域和树木模型中的高程点所在位置会被赋予不同的数值。不同的数值分配会影响代理人选择理想活动地点的倾向，这些值由设计师主观确定，表达了设计师对游客行为的引导。特殊环境元素是除必要元素外的其他建模元素的集合概念，包括其他有必要单独研究的公园特征点和物理对象。模型采用1：1的时间、空间尺度对真实世界进行模拟。环境模型结构如图2所示，其中的赋值点在模型中不为实体、不可见。

图2 环境模型构建示意图Fig. 2 Schematic diagram of environment model construction

2.2.2 代理设计

模型中的代理即为虚拟的公园游客。为优化程序性能，代理的形象在模型中表示为一个0.5 m×0.5 m×1.7 m的立方体，在人眼高度（1.5 m）处设置一个视觉扫描起点（图3）。代理使用作者编写的FanRayCast3D脚本中的视觉方法来扫描周围环境，从而寻找执行活动的理想场地（图4）。

图3 代理个体的虚拟形象Fig. 3 The avatar of the agent individual

图4 代理视觉范围示意图Fig. 4 Schematic diagram of the agent’s visual range

扬·盖尔的《交往与空间》中对不同人类活动（必要性、自发性和社会性活动）的定义阐述可以提炼出两个决定活动产生的因素：一是参与者的数量（单个或多个）；二是对空间质量的需求（强或弱）[17]。以上因素两两组合，可以得出4种代理活动类型：移动活动（单人参与，弱需求）、赏景活动（单人参与，强需求）、社交活动（多人参与，弱需求）、聚集活动（多人参与，强需求）。公园游客的活动种类多样，经对比以上提出的4种代理活动类型显示出对公园空间中观察到的大部分人类活动的包含关系。NNDT Do等[18]也观察总结得出14种公园常见的游客活动。

代理的决策过程如图5所示。每种活动发生的概率根据参考文献和调研数据设定。活动成功实现的前提是环境满足活动发生的判定条件。在执行活动前代理会执行一个扫描阶段，代理使用上述扫描视觉来计算进行当前目标活动的理想位置。各活动的判定方法如表1所示。代理行动流程见图9。

图5 代理决策过程Fig. 5 Agent decision process

表1 活动判定方法Tab. 1 Activity determination method

图6 赏景活动计算情景Fig. 6 Scenarios for sightseeing activities calculation

图7 社交活动计算情景Fig. 7 Scenarios for social activity calculation

图8 聚集活动计算情景Fig. 8 Scenarios for gathering activity calculation

图9 代理行动流程Fig. 9 Agent action flow

3 模型校验

测试的目的是检验模型的准确性和稳定性，最直接的方法是对比输入数据和输出数据的匹配度[20]。模型运行完成后输出的直接数据包括代理总数、各种活动的持续时间、各种活动发生的频率、活动发生的位置分布图、代理活动轨迹等数据。在模型能够成功运行的前提下，预设的代理总数和活动发生概率两项指标可以用来判断模型的准确性和稳定性[15]。

3.1 代理总数检测

模型的控制器脚本每0.5 h记录一次此时模拟进程中的代理总数，将模拟中记录的值与设置的该时段最大代理数进行比较以检查模型是否正常运行（图10）[20]。与各时段环境内代理总数预设值比较可知，在第三次模拟的第5 h、第6次模拟的第4 h、第8次模拟的第4 h和第5 h，记录的代理总数高于代理最大总数的预设值。这是因为记录时电脑帧数不足，未能在本时段结束时及时完成统计。代理生成脚本在延迟1～2 min的过程中已经完成了下一个周期的代理引入，所以此时记录的值与下一个周期的代理总数相同。排除这些异常数据记录点，每个时期模型中的主体总数与该时期的预设值吻合。证明该模型在控制代理总数方面表现稳定，整体运行逻辑合理。

图10 模拟结果：随时间变化的代理总数Fig. 10 Simulation results: total number of agents over time

3.2 代理活动检测

此测试仅包含4个必要活动，不包括特殊活动。经过10次模拟，每次社交活动、赏景活动和聚集活动的比例关系保持在3：1：6，与预设的23%：7%：45%的比例相近。然而，移动活动的发生次数远大于预期次数。这是因为环境模型过大，代理选择的活动目的地往往距离太远，移动活动耗时远大于预设值12 min。正因为如此，社交、赏景和聚集活动的执行次数均受到影响，但三种活动发生的比例维持正常。

每0.5 h统计一次截至此时每种活动发生的总次数，计算它们在总活动次数中的比例并记录。结果（图11）说明，在重庆中央公园的模拟测试中，移动活动数量巨大但不影响模拟的整体结果，其他三项活动的比例关系符合预期，该模型在模拟代理活动的发生时正常运行且结果与现实数据拟合度高。经以上测试，模型逻辑设置合理，可正常运行且结果具有准确性。

图11 不同时间段各项活动发生次数占活动总次数的比例Fig. 11 The proportion of the number of events in different time periods to the total number of events

4 仿真模拟与分析

4.1 现场调研

调研结果中的人群活动时间分布规律、人群总数等数据信息用于控制模型中各时段代理总数的变化，而活动类型、活动数量和行为地图等数据信息用于校验模型。调研主要采用现场勘察、结构式观察两种方法。调研时间为2021年5月中天气晴朗的两个工作日和两个休息日，工作日与休息日的调研结果分开统计。

重庆中央公园位于渝北悦来商务中心区，介于江北国际机场和悦来会展中心之间，占地面积1.53 km2，是一个依托重庆山水风貌特色、融汇中西文化的现代城市公园。场地具有多样的地形和景观空间类型，种类丰富的植物景观和尺度适当的水域，景观要素完整丰富。研究场地选择公园中部，占地52 hm2（图12）。研究区域根据设计方案被划分为6个片区：阳光草坪片区（A）、龙湾竹园步道片区（B）、辉山片区（C）、梅园片区（D）、镜湖滨水空间（E）和楠山片区（F）。本次对重庆中央公园的研究可为城市公园空间活力分析评价方法的延展应用提供参考和借鉴。

图12 重庆市中央公园平面及分区图Fig. 12 Plan and zoning map of Chongqing Central Park

4.1.1 现场勘察

观察并记录场地中使用率高、游客集中的空间，标注其中的高景观价值特色要素和休憩设施，为后期不同环境要素参数的差异化设置提供依据。本研究将高景观价值特色要素定义为公园不同区域中代表区域特点、有吸引力、具有辨识度的景观要素，一般包括高景观价值树木、高景观价值地形、高景观价值水域、景观构筑物、娱乐设施等。高景观价值特色要素在AEABM环境模型中将根据其设计定位赋予不同的特征值。各种不同类型的高景观价值特色要素在模型构建时会编写专门的标签代码，将标签代码给予对应的OBJ模型体块就可完成赋值。在本研究中，重庆中央公园中部区域主要以山水植物塑造自然式景观，少见人工式景观，出现的高景观价值特色要素有：大面积可上人草坪、大面积水域、高大乔木、花境植境、景观码头等。休憩设施是指公园中供人休息停留的设施，该研究对象范围中出现的休憩设施有：座椅、凉亭等。休憩设施所在位置在AEABM中被设置为社交点，用于表现休憩区域密集发生社交活动的现实情况。最后得到整个公园中高景观价值特色要素和休息设施分布图（图13），为后期不同环境要素参数的差异化设置提供依据。

图13 公园空间调研结果Fig. 13 The results of the park space survey

4.1.2 结构式观察

经过预调研发现，由于重庆中央公园周边住宅地块尚处于开发建设阶段，公园使用者大多不是附近居民，公园的夜间使用者人数少，故调研时暂不统计夜间时段的使用者活动。

公园空间中的大部分活动均可归类为4种基本活动。现场调研时间为每天上午10点到下午4点，每隔1 h统计一次调研区域内所有游客参与4种活动的游客人数、位置分布（由于是阐述基本原理的模型，暂不分性别、年龄）。

调研记录了两个工作日和两个休息日重庆中央公园的游客活动情况，调研结果经过处理得到日均公园活动人数的统计结果，二者取平均值作为模拟时各时段的代理总数指标。具体取值为：10:00-11:00最大值300人；11:00-12:00最大值250人；12:00-13:00最大值200人；13:00-14:00最 大 值100人；14:00-15:00最大值150人；15:00-16:00最大值200人。一天中公园游客活动的时间规律如下：10:00-11:00游客人数最多，9:00-10:00和14:00-15:00游客数量呈逐步增长的趋势，14:00左右的午饭后时间游客数量最少，从16:00起游客逐渐离开公园。活动发生点位信息记录汇总为现场调研行为地图。

4.2 仿真模拟结果分析

构建基于重庆中央公园的环境模型，与上文测试合格的AEABM相结合，代入游客总数控制指标，最终得到完整模型（图14）并运行。

图14 虚拟环境构建Fig. 14 Virtual environment construction

4.2.1 空间活力地图

将模拟过程中所有活动的位置信息记录下来，得到公园空间活力地图（图15）。分析模拟结果可知，重庆中央公园在空间布局、休憩设施布置和使用功能设计方面存在一定不足。空间布局方面，从活动发生位置分布情况可以看出：位于公园空间结构重心的阳光草坪吸引力和空间承载力均较强，游客使用度高。人群活动主要发生在阳光草坪区域，梅园区域次之。其中聚集活动发生次数最多（占该区域所有活动的55.2%）。各类活动发生的频次均较多，是空间活力最大的区域。阳光草坪区域游客活动密度最大。相比之下，公园的其他区域在体量和可达性方面都无法达到这样的水平，使得人流过量地向阳光草坪输入，降低了其他空间的使用率和空间活力。休憩设施方面，从社交活动的分布情况可以看出：公园各区域均存在休憩设施不足的现象，阳光草坪区域因为有可上人草坪和大树遮荫，解决了部分休憩设施的需求，但总体上仍缺乏。使用功能方面，从活动类型的分布情况可以看出：镜湖滨水空间和楠山区域主要发生赏景活动，活动类型和数量均较少，难以聚集活力。原因在于其使用功能单一，空间中能承载的活动类型较少。

图15 空间活力地图Fig. 15 Spatial vitality map

对比现场调研行为地图与模拟结果空间活力地图（图16）可见，AEABM模拟的人群活动发生位置、活动点位密度、对应类型与调研结果吻合，活动总数少于调研结果但活动发生比例保持一致（原因见3.2）。由各种活动的空间分布情况分析得出的不同区域空间活力表现情况与调研观察结果吻合，可以根据模拟结果对研究对象的空间活力相关指标展开计算。

图16 现场调研行为地图—模拟结果对比图Fig. 16 The comparison between the field survey behavior map and the simulation results

4.2.2 空间活力值

将AEABM模拟结果代入空间活力计算公式，得到6个区域的空间活力值：A为7.06；B为1.18；C为1.33；D为1.24；E为0.40；F为1.18。结果说明，阳光草坪区域的空间活力值最大，数倍于其他区域，是全园最具景观吸引力和空间承载力的区域。滨水空间活力最差，聚集活动极少发生。梅园的空间活力值第二高，但与其他区域差距不大。位置上梅园与阳光草坪相邻，人流充足，但场地面积较小限制了活动频次的进一步增加。楠山的空间活力值与龙湾竹园相同，因以植物观赏活动为主，可承载活动类型不丰富导致活力值不足。各区域空间活力值计算结果与空间活力地图反映的活动分布情况相符。

4.2.3 游客行为的时空分布

将模拟结果中的游客行为时空分布信息统计如表2所示。

表2 各类活动时长对比Tab. 2 Time comparison of social activities

社交活动方面，阳光草坪区域进行社交活动的时长最长，因其中的休憩设施与高大树木多，吸引使用者驻足交流的可能性大，是理想的社交活动场所。梅园中有数量适中的休憩设施，因此活动人群多。龙湾竹园道路沿线极少发生社交活动。社交活动发生的频次与该区域休憩设施的数量正相关。赏景活动方面，阳光草坪区域赏景活动时长最长，因其人工大草坪视野开阔，配合观赏度高的大型树木形成多个吸引点。辉山和镜湖滨水空间进行赏景活动的时长较长，因环境质量高，亲近自然，能够满足赏景活动的发生。以上区域中高景观价值特征要素较多，赏景活动更易发生。聚集活动方面，阳光草坪区域聚集活动发生频次最多时长最长，聚集活动发生的位置在区域中分布均匀，呈现大范围散布、小范围集中的分布形态。因其场地可穿行面积大，位置居中，可达性良好，整体空间质量高、人流量大。除龙湾竹园和镜湖滨水空间外，其余区域满足聚集活动发生的能力均较好。聚集活动的产生需综合考虑周围代理数量和环境质量，聚集活动发生较多的区域往往具有更大的空间活力。

基于以上分析结果得到各区域空间活力特征如下：阳光草坪片区能同时承载大量不同活动，空间尺度、景观吸引力与空间承载力均较好，满足其作为公园核心区的定位需求，是整个公园中最受欢迎的区域，无明显空间设计上的弱点，空间活力值高。龙湾竹园片区主要承担交通组织功能，沿路景观类型单一，使得赏景活动和聚集活动发生次数偏少。社交活动太少反映其休憩设施配置上的不足。梅园片区的休憩设施足够承载目前的停留交谈需求。赏景活动分布均匀反映的景观同质化问题需要改善。辉山片区休憩设施缺乏，景观类型单一，设计意图不明，对游客的引导不足。镜湖滨水空间引导性不足，游客不易发现辉山背后的滨水空间。可达性欠缺，通往滨水平台的路径台阶众多，高差极大。滨水平台景观吸引力不足，空间活力最低。楠山片区休憩设施不足，游客难以找到停留交谈的场所。景观形式单一，只有沿道路游览这一活动形式。整体自然空间质量高，但缺乏焦点景观，缺乏功能上的合理规划。

针对以上分析结果可对重庆中央公园提出如下空间活力提升思路：平衡核心游赏空间和次要游赏空间的体量和景观丰富度差异；注意合理布置休憩设施的数量和密度，关注游客的休憩、交流、驻足赏景的需求；注意充分利用山地景观资源，探索山地景观环境中游客进行不同种类活动的可能性。

5 结论

本研究提出一种AEABM工具及其构建方法，用于模拟人们在公园空间中的活动分布。该工具有助于分析明确城市公园设计中的空间活力不足问题，对于诊断城市空间设计过程中可能存在的缺陷具有重要意义。通过构建一套模拟游客与空间互动关系的方法，建立人类需求与空间设计之间的逻辑联系，为研究人员和设计师提供了探索空间环境设计优化的工具。另外，与常见的ABM开发方式相比，该模型从三方面进行了创新探索：（1）开发了一种使用常规设计模型直接定义和赋值的3D虚拟空间环境构建方法；（2）开发了一种扫描视觉，使代理能够根据自己对环境元素信息的计算做出决策；（3）提出了一种人类行为分类框架和行动逻辑。

上述需求的实现，为设计人员和研究人员之间的交流与合作搭建了桥梁。同时该模型存在以下需要改进之处：（1）模拟过程中移动活动占用了过多的代理生命时长，需优化移动活动的设计逻辑，使该模型能适用于更大尺度城市公园的空间活力分析评价；（2）目前模型中不同景观价值的元素信息点赋值只有两种（1和50），需严谨求取不同景观特征要素的赋值，形成体系、区分梯度，为模型未来的延展应用提供参考；（3）结合大数据进一步提升该模型的精细程度或根据某些具体问题设计新的行为机制将是该模型未来可行的发展方向[20]。

注：文中图表均由作者绘制。