吳韶集，胡一可

引言

當前，建立具有預測能力的空間模型來輔助建筑設計的方法被廣泛采用，其基礎在于獲取數(shù)據(jù)?？臻g句法理論興起于20 世紀70～80 年代[1]，國內(nèi)已有大量的文獻對其進行介紹[2-4]。既有研究證明，空間句法理論適用于建筑尺度，利用行人流量數(shù)據(jù)分析空間句法模型是重要的研究方法之一[5-8]。過去常采用人工計數(shù)法獲得行人流量數(shù)據(jù)，不僅對人力要求高，且數(shù)據(jù)精度較低。隨著新技術(shù)的出現(xiàn)，為解決該問題提供了新的工具。深度學習是一種特殊的機器學習算法，其通過在計算機中構(gòu)建多層感知器結(jié)構(gòu)實現(xiàn)對非線性信息的處理[9]，也被視為未來技術(shù)發(fā)展的重要趨勢[10]。在當前的建筑學領(lǐng)域，深度學習也得到了一定程度的運用[11]。本研究利用基于深度學習的計算機視覺算法解決路徑實測人流量數(shù)據(jù)。其也是本文解釋空間超鏈接現(xiàn)象的實測數(shù)據(jù)基礎。

空間超鏈接是由盛強、楊滔等提出的一種解釋當代都市交通系統(tǒng)連接機制的概念[12，13]。具體而言，通過當代交通方式的變革，越來越多非人類自然運動路徑將人從一個空間直接輸送到目的地，從宏觀上來看，其出發(fā)點和目的地就像被鏈接在一起，表現(xiàn)為已有的功能空間分布和人流量情況的改變。利用空間句法可證明在城市尺度上存在著空間超鏈接的現(xiàn)象。在建筑尺度上，同樣具有不依賴人類自然運動[14]方式的路徑，如電梯、自動扶梯等，其也符合空間超鏈接路徑的定義，其對建筑內(nèi)部空間系統(tǒng)的影響尚未可知。隨著中國經(jīng)濟社會的發(fā)展和消費者生活水平的提高，商業(yè)綜合體的數(shù)量和規(guī)模大幅度增加[15]。對其內(nèi)部空間的超鏈接效應進行分析有助于建筑師理解建筑中的人群分布影響因素。

本研究以三里屯太古里和北京APM 為例，探究其內(nèi)部空間的空間超鏈接現(xiàn)象。本文試圖解決兩個問題：一為商業(yè)綜合體中是否存在空間超鏈接現(xiàn)象；二為不同類型的空間超鏈接路徑有何區(qū)別，及解釋這種差異出現(xiàn)的原因。

1 相關(guān)研究綜述

本文回顧三類既有研究：（1）回顧對于空間超鏈接現(xiàn)象的研究；（2）說明利用空間句法分析三維空間系統(tǒng)的可行性；（3）追溯利用深度學習算法獲得實測人流量數(shù)據(jù)的方法。

當前，對空間的超鏈接現(xiàn)象的研究集中在城市領(lǐng)域。2012 年，Alain Chiaradia 等對倫敦地區(qū)的街道網(wǎng)絡和地鐵網(wǎng)絡進行研究，發(fā)現(xiàn)將地鐵系統(tǒng)和地面道路系統(tǒng)采用“一體化”建模的方法效果好于分散建模分析的方法[16]。2015 年盛強、楊滔等明確提出空間超鏈接這一概念[5]。當前針對空間超鏈接現(xiàn)象的分析集中于城市尺度上，建筑內(nèi)部空間超鏈接機制對人群分布影響尚未可知。對商業(yè)綜合體空間超鏈接機制的分析可幫助建筑師理解建筑中人群分布背后的原因。

當前大多數(shù)空間句法的實證研究局限在二維層面上。在三維層面中使用空間句法進行的研究包括兩類：針對街區(qū)尺度的研究包括張靈珠和Alain Chiaradia 以香港中環(huán)地區(qū)的多層步行系統(tǒng)為例，證明使用完整的三維模型有助于得到更精確的選擇度與城市活力區(qū)分布之間的關(guān)系[17]。Gerhard Bruyns 等以香港為例提出使用線段模型對具有高層建筑的街區(qū)來進行分析的方法[18]。針對建筑內(nèi)部空間的研究有盛強等分析了王府井地區(qū)的三個建筑案例驗證了空間句法對于建筑內(nèi)部空間的分析能力[19]。莊宇、張靈珠等對上海3 個商業(yè)綜合體使用軸線模型進行分析，并發(fā)現(xiàn)使用多元線性回歸分析法得出的模型可更好的反映人群分布情況[20]。這些研究證明了在三維層面進行空間句法分析具有可行性。

本文使用Yolo-v3（You Only Look Once）進行行人檢測，其是一種由Farhadi 和Redmon 在2018年提出的基于深度學習的目標檢測算法[21]。而后使用DeepSORT（Simple Online And Realtime Tracking With A Deep Association Metric）算法執(zhí)行人群追蹤任務，其由Wojke 等在2017 年提出[22]，是2016 年提出的SORT算法的改進版本[23]。利用該算法，章堅武等提出了一種實時智能人流統(tǒng)計方法，其準確率約為92%[24]。Chan、Suandi 等使用該方法在復雜的城市建成環(huán)境中對車輛進行多目標追蹤任務[25]。這些既有研究證明利用深度學習算法可有效的計算出一段視頻中的實測人流量數(shù)據(jù)。

2 研究方法

本文研究方法可分為三個步驟：首先計算研究對象的選擇度。而后在研究場案例路徑上選取觀察點拍攝視頻，并利用基于深度學習的計算機視覺算法統(tǒng)計實測行人流量，以此為基礎得出建筑中的人群分布情況。最后基于人群分布情況進行多元線性回歸分析并對空間超鏈接現(xiàn)象進行解釋。分析程序使用Python 編寫代碼，使用Tensorflow 和Keras 為深度學習庫，OpenCV 為視頻處理庫，Pandas 為數(shù)據(jù)處理庫，Statasmodel 為統(tǒng)計學分析庫。

2.1 選擇度計算

基于Bill Hiller 提出的方法，本文使用線段模型代表研究對象的空間結(jié)構(gòu)[26]，建模采用了“一體化”建模思路。與傳統(tǒng)的空間句法建立的無向網(wǎng)絡模型不同，本研究參考了Wu 和Feng 等的研究[27，28]，利用Rhino/Grasshopper平臺建立了有向網(wǎng)絡模型，即其中有路徑僅能單向通行，這會影響計算任意兩條線段間的最短路徑，繼而影響到選擇度的計算結(jié)果。具體而言，自動扶梯具有單向性，行人在其中運動時具有方向性；電梯具有耦合性，其多個出入口之間兩兩連接可得多條路徑，但若其中任意一條發(fā)生故障，則其他路徑無法被使用。當建立線段模型時，將與自動扶梯節(jié)點相連接的邊設定為有向邊，將電梯設定為單獨的節(jié)點。本文的研究案例中具有兩種類型的空間超鏈接路徑，即自動扶梯和電梯。

本文使用拓撲距離、米制距離和角度距離的全局選擇度來評估建立的線段模型[29]。選擇度描述一個空間單元處于其他任意兩個空間單元最短路徑上的潛力，一個空間單元的選擇度越大，其被該建筑中行人“偶然”穿過的可能性也越大[19]。本文利用實測人流分布數(shù)據(jù)分析商業(yè)綜合體的空間超鏈接現(xiàn)象，故選擇選擇度來表征人在建筑中的理想步行活動空間分布情況。

2.2 實測人流量數(shù)據(jù)計算

傳統(tǒng)的人群計數(shù)方法依賴于研究者的目測計量，這種方法雖簡單易行，但當人流量較大時無法準確計量人群數(shù)量，導致數(shù)據(jù)誤差[30]。為解決這一問題，本研究采用了基于深度學習的計算機視覺算法計算通過每個觀察點的人群流量。

2.2.1 使用遷移學習訓練Yolo-v3 模型

本文使用Yolo-v3 檢測視頻中的人群，其運算速度較快，可滿足快速檢測大量視頻的需求[31]（圖1）。因為Yolo-v3 模型自帶的預訓練模型檢測俯瞰視角人群效果不佳，故采用遷移學習的方法訓練模型。遷移學習是一種小樣本監(jiān)督學習策略[32]，其通過神經(jīng)網(wǎng)絡模型參數(shù)共享，可將預訓練好的神經(jīng)網(wǎng)絡模型嵌入到其他任務模型之中，這樣就能以較低的成本實現(xiàn)精度較高且適用于新場景的新模型。

圖1 (a) 標注數(shù)據(jù)；(b)Yolo-v3模型結(jié)構(gòu)及各部分功能

第一步為標注數(shù)據(jù)。本研究采用的數(shù)據(jù)集包含756 張使用lableImg 標注的圖像，其均為研究現(xiàn)場拍攝所得。按照6∶2∶2的比例將數(shù)據(jù)集分為訓練集，驗證集和測試集。

第二步為訓練模型。由于數(shù)據(jù)集較小，故在訓練模型時采用隨機多尺度訓練法，即在訓練神經(jīng)網(wǎng)絡時，隨機調(diào)整輸入的圖片的尺寸和方向，該方法可提高訓練模型的魯棒性和準確度[33]。在本研究中，共訓練了該模型1000 次。最后得出的模型精確率P 為96.4%，召回率R為88.2%，可以滿足后續(xù)研究的需求。

2.2.2 從視頻獲取實測行人流量數(shù)據(jù)

基于上節(jié)獲取的Yolo-v3 模型所構(gòu)建的DeepSORT算法可獲取一段視頻中通過的行人數(shù)量（圖2、3）。其可分為以下三個步驟。

圖2 DeepSORT 算法流程圖

（1）行人檢測。該步驟使用了Yolo-v3 算法來確定視頻每一幀畫面中行人的位置，并獲得對應的檢測框。而后可獲取四個數(shù)據(jù)，分別為每個檢測框中心的橫坐標u、縱坐標v，檢測框的大小r 和長寬比h。

（2）行人追蹤。對視頻相鄰幀中的行人進行匹配，可確定視頻中通過的行人數(shù)量。具體而言，首先使用一個8 維的向量 (u,v,r,h,u＊,v＊,r＊,h＊)來代表一個檢測框在某幀畫面的狀態(tài)，其中u＊、v＊、r＊和h＊分別為不同幀之間u、v、r 和h 的運動速率。而后利用匈牙利算法匹配不同幀畫面的檢測框。

（3）行人計數(shù)。采用上述兩個步驟處理一段視頻可得到該視頻中出現(xiàn)的行人數(shù)量Nn，而后通過OpenCV 獲得該段視頻的時長Tn。通過二者計算即可獲得這一觀察點的實測實測人流量數(shù)據(jù)（公式1）。最后導出得出的實測行人流量數(shù)據(jù)，將其作為后續(xù)數(shù)據(jù)分析的基礎數(shù)據(jù)。

圖3 (a) 使用Yolo-v3 算法進行行人檢測；(b) 使用DeepSORT算法進行行人追蹤；(c) 行人計數(shù)

2.3 多元線性回歸分析

本文使用選擇度表征理想人群空間分布情況，由于其他因素的存在，如空間超鏈接現(xiàn)象，會導致實測行人流量數(shù)據(jù)與選擇度空間分布有所差異。因此通過計算實測人流量數(shù)據(jù)和選擇度二者的相關(guān)性，來判斷是否可以用選擇度直接表征研究對象的人群分布情況。具體方法為建立一元線性回歸方程（ULR）并計算其決定系數(shù)R2，R2越大，則二者的相關(guān)性越強1）。

既有研究證明，商業(yè)綜合體的人群分布與樓層有關(guān)[34]。為排除樓層要素的影響，建立了多元線性回歸方程（MLR）來判斷人群分布與樓層之間的相關(guān)性。使用的自變量包括選擇度C 和與路徑所處的樓層有關(guān)的變量，若一條路徑位于某一樓層則該值為1，反之為0。

在排除樓層影響后，判斷空間超鏈接效應對人群分布的影響。具體方法為建立多元線性回歸方程，本研究采用的自變量為三類：一為選擇度C，代表人群理想空間分布情況。第二類與空間超鏈接現(xiàn)象有關(guān)，包含兩個自變量：一為是否為扶梯H1，若路徑為扶梯該值為1，反之為0；二為是否為電梯H2，若路徑為電梯則該值為1，反之為0。第三類與路徑所處的樓層有關(guān)，具體數(shù)量與所分析的建筑有關(guān)。最終可得到如下兩個多元線性回歸方程，前者用于分析三里屯太古里，后者用于分析北京APM：

方程2 中b0-b7，方程中3b0-b10為自變量的回歸系數(shù)，N 為路徑的人流量，ε 為殘差值。而后對方程進行F 檢測和T 檢測：F 檢測判斷該方程整體的可靠性，T 檢測判斷該方程各個自變量是否具有顯著性2）。

3 案例分析

我國的商業(yè)綜合體可分為兩類：集中式和街區(qū)式[35]。本文分別各選取兩類商業(yè)綜合體的典型代表進行分析：前者為三里屯太古里，后者為北京APM（圖4）。三里屯太古里建筑面積17.2 萬m2；建筑共五層，其中地下一層、地上四層(由于第四層為店鋪內(nèi)部空間，無公共路徑，故未在建筑第四層設置觀察點)。其內(nèi)部有17 部電梯和29 部自動扶梯。北京APM 建筑面積約14 萬m2；建筑共7 層，其中地下1 層、地上6 層。其內(nèi)部有17 部電梯和29 部自動扶梯。

3.1 選擇度空間分布特征

本節(jié)使用前5%、前10%和前25%三個分位數(shù)可視化三里屯太古里和北京APM 的選擇度空間分布（表1、2）。

表1 三里屯太古里選擇度分布表

表2 北京APM 選擇度分布表

三里屯太古里和北京APM 的選擇度分布可清晰顯示出其空間路徑結(jié)構(gòu)，對三里屯太古里而言，三者的差異則主要體現(xiàn)在垂直空間分布差異性的程度上：拓撲選擇度在樓層間的差異最??；米制選擇度分布在樓層之間的差異最大，其高選擇度路徑大多分布于地面層；角度選擇度分布在樓層間的差異介于上述二者之間，其最大的特點是能夠有效的標識出電梯的分布情況。對北京APM 而言，三者的差異主要體現(xiàn)在對公共路徑的識別能力上，其中拓撲選擇度的識別能力最強，角度選擇度次之，米制選擇度最差。

3.2 現(xiàn)場調(diào)研及相關(guān)性分析

對三里屯太古里現(xiàn)場調(diào)研四次，時間為2020 年10月24 日，11 月8 日、11 月15 日和12 月6 日。對北京APM 現(xiàn)場調(diào)研兩次，時間為2021 年5 月21 日和23 日。在三里屯太古里設置102 個觀察點，拍攝了視頻346 段；在北京APM 設置62 個觀察點，拍攝了視頻193 段。為消除誤差，每個觀察點至少拍攝三段視頻（圖4）。視頻拍攝設備為佳能EOS-600D。

圖4 利用拍攝視頻測算實測行人流量數(shù)據(jù)

首先對兩個研究案例實測人流量數(shù)據(jù)與選擇度進行相關(guān)性分析：三里屯太古里選擇度與實測人流量數(shù)據(jù)決定系數(shù)R2分別為0.169（拓撲選擇度）、0.349（米制選擇度）、0.111（角度選擇度）；北京APM 的R2分別為0.417（拓撲選擇度）、0.306（米制選擇度）、0.377（角度選擇度）。結(jié)果說明二者的相關(guān)性較低，直接使用選擇度并不能解釋實際人群分布情況。

而后由圖5(a)可得，樓層與實測人流數(shù)據(jù)具有相關(guān)關(guān)系，建筑首層的平均實測人流量最大。引入與樓層相關(guān)的自變量并建立多元線性回歸方程，結(jié)果可得三里屯太古里的R2的值分別為0.577，0.647，0.527；北京APM 的R2的值分別為0.589，0.667，0.588。這一結(jié)果較上一步驟對應的R2值變大，說明建筑中的人群分布與樓層有關(guān)，因此在分析空間超鏈接現(xiàn)象時需要排除樓層要素的影響。

最后引入與空間超鏈接相關(guān)的自變量進行多元線性回歸分析。結(jié)果表明，三里屯太古里的決定系數(shù)R2分別為0.697、0.769 和0.645，即利用修正后的模型能夠分別解釋建筑中69.7%、76.9%和64.5%的人群分布狀況；北京APM 的R2為0.714、0.729 和0.763。其均較前兩個步驟的R2有了較大提高，這說明空間超鏈接現(xiàn)象對兩個研究案例的人群分布產(chǎn)生了影響。

對三個模型進行F 檢驗，三里屯太古里的F 值分別為64.53、108.7、48.11；北京APM 的F 值分別為18.32、23.94、19.28，其顯著性系數(shù)p 均約為0（p＜0.05），故這6 個模型均具有統(tǒng)計學意義。下一步對6 個模型的自變量進行顯著性分析（表3、4）。結(jié)果表明，在這些模型中，所有空間超鏈接現(xiàn)象的參數(shù)H1、H2均具有統(tǒng)計學意義。

表3 多元線性回歸分析結(jié)果

將預測模型中各個自變量的貢獻（t 值）進行比較（表6）。可得在所選擇的所有自變量中，選擇度對于行人流量的分布影響最大；與空間超鏈接現(xiàn)象相關(guān)的兩個參數(shù)中，自動扶梯的影響大于電梯（H2均大于H1）；且在三個模型當中，自動扶梯的斜率值均為正值，而電梯的斜率值均為負值。

3.3 空間現(xiàn)象解釋

本節(jié)使用多元線性回歸法分析上文提出的兩個研究問題：（1）商業(yè)綜合體中是否存在空間超鏈接現(xiàn)象；（2）不同類型的空間超鏈接路徑的區(qū)別及原因。

針對前者，根據(jù)本文3.2 一節(jié)得出的多元線性回歸模型可發(fā)現(xiàn)兩個研究案例的電梯和自動扶梯均對其人群分布產(chǎn)生了影響，故可得出在商業(yè)綜合體中存在空間超鏈接現(xiàn)象的結(jié)論。

針對后者，由圖5(b)可得，兩個案例中自動扶梯的平均實測人流量數(shù)據(jù)均大于電梯；由圖6 可得，電梯的平均選擇度大于自動扶梯的平均選擇度。雖然電梯的空間位置承載行人的潛力更大，但實際上實測結(jié)果與預測值相反。多元線性回歸模型中H1的回歸系數(shù)小于0，H2的回歸系數(shù)大于0 也正是為了擬合這一現(xiàn)狀。這說明電

梯的人流量小于等選擇度的普通路徑，而自動扶梯與之相反。造成這一現(xiàn)象的原因有二：一為電梯能夠搭乘的人數(shù)有限，如三里屯太古里中電梯標定的最大載客量為13 人。這導致電梯能達到的人流量上限較低。而自動扶梯與電梯相反，其能承載的人群數(shù)量遠大于電梯。二為電梯上下客需暫停運行，而自動扶梯上下客不需要停止運行，這導致電梯的運行效率低于自動扶梯。因此即使電梯的平均選擇度高于自動扶梯，但由于二者運行機制的不同，導致自動扶梯表現(xiàn)出對人流量起促進作用，而電梯則與之相反。

表4 北京APM 多元線性回歸分析結(jié)果

表5 預測模型自變量對人流量的貢獻排序

圖8 (a) 樓層與實測人群流量數(shù)據(jù)統(tǒng)計；(b) 空間超鏈接路徑的實測人群流量數(shù)據(jù)統(tǒng)計

圖9 電梯與自動扶梯的平均選擇度計

通過對兩個案例進行對比，可發(fā)現(xiàn)北京APM 模型與空間超鏈接相關(guān)自變量對人流量的貢獻大于三里屯太古里；且前者H1、H2 間的差距較小，這說明北京APM 電梯和自動扶梯對行人的影響差異較小。其原因與二者的樓層有關(guān)，北京APM 樓層數(shù)大于三里屯太古里，當行人需要前往較高樓層時，更可能搭乘電梯而非自動扶梯。

4 討論

在研究方法上，自20 世紀中后期以來，人文主義的思想逐漸回歸建筑學領(lǐng)域[36]，快速發(fā)展的技術(shù)為設計師理解人在建成環(huán)境中的行為提供了條件[37]。本研究采用基于深度學習的計算機視覺算法克服了既有獲取實測行人流量數(shù)據(jù)方法的缺點，能夠以較低成本獲取精確的實測人群流量數(shù)據(jù)。在未來，由于本文采集行人流量數(shù)據(jù)的方法便捷，所需要的設備較少且操作簡單，因此其也具備大規(guī)模推廣的可能性。

當前，隨著中國城市化進程的加深，商業(yè)綜合體數(shù)量迅速增長。面對井噴式的大規(guī)模建設浪潮，商業(yè)綜合體的設計需要更為科學的理論支持[38]。本文分析了商業(yè)綜合體的空間超鏈接現(xiàn)象，發(fā)現(xiàn)自動扶梯可增強人流，電梯則與之相反；且隨著商業(yè)綜合體樓層數(shù)量的增加，空間超鏈接效應對人群分布的影響越大。這為建筑師進行實踐提供了一定的依據(jù)，當設計商業(yè)綜合體時，合理選擇和布置空間超鏈接路徑可直接對建筑中的人群分布產(chǎn)生影響，如將自動扶梯布置于更高選擇度的位置時，建筑內(nèi)部的行人流量會得到提高；建筑師也應當合理設置建筑的樓層數(shù)，建筑的層數(shù)越多，就越應當考慮空間超鏈接效應。

本研究具有以下兩點不足之處：（1）Yolo-v3 算法存在著誤檢測問題，DeepSORT 算法存在遮擋下ID 轉(zhuǎn)換的問題，因此計算出的行人流量同真實數(shù)據(jù)存在一定的偏差，這需要對算法進一步調(diào)整和優(yōu)化來解決。（2）本文目前對兩個研究案例進行分析，所獲得的結(jié)論仍較為初步，更深入和更廣泛的研究尚待進行。后續(xù)的研究也將擴大研究范圍，從而獲得更為準確和普適的結(jié)論。

結(jié)語

本文以空間句法理論為基礎，以三里屯太古里和北京APM 為研究對象，通過使用多元回歸分析法獲取選擇度和實測人流量數(shù)據(jù)之間的關(guān)系，來對商業(yè)綜合體內(nèi)部空間的空間超鏈接現(xiàn)象進行解釋和說明。這種基于深度學習的空間超鏈接分析方法可以為未來的商業(yè)綜合體的設計和改造提供理論支持。

本研究發(fā)現(xiàn)：（1）商業(yè)綜合體中存在兩種類型的路徑可產(chǎn)生空間超鏈接現(xiàn)象；（2）在電梯和自動扶梯兩種具有空間超鏈接效應的路徑中，相對于選擇度所預測的人流量空間分布情況，自動扶梯具有增強人流的作用，而電梯則與之相反；（3）商業(yè)綜合體的樓層越高，則空間超鏈接現(xiàn)象對人群分布情況的影響越大。

圖、表來源

文中圖、表均為作者繪制。

注釋

1）R2 值為統(tǒng)計學的線性回歸決定系數(shù)，其用于回歸方程自變量和因變量之間是否存在相關(guān)關(guān)系，R2＜0.5，兩者不相關(guān)；0.5＜R2＜0.7，兩者存在相關(guān)關(guān)系；R2＞0.7，兩者之間顯著相關(guān)。

2）F 檢測驗證該方程整體的可靠性，當檢測得出的p 值小于0.05 時，則該方程成立。T 檢測驗證該方程各個自變量是否具有顯著性，當檢測得出的p 值小于0.05 時，則對應的自變量具有顯著性。