器学习与深度学习的已有研究都是依赖于现有经验知识进行学习，然后模拟再生。同时，其本身处理多维度数据能力不完善，所以整体过程需要人工进行评价筛选。本研究将提供给机器学习与深度学习一个学习集，既是设计案例数据库，使其可以进行先验知识学习，又可以模拟、输出结果，以及通过设计师进行方案评价。由于城市设计是一个繁杂的过程，不是单一元素可以决定的，本研究引入人工评价，拟合多维度的结果。通过机器学习及深度学习的分析与模拟过程，设计师在其中起到评价作用，大大缩短了案例摄取、场地分析等前期工作的耗时，以及降低了个人对知识的理解偏差。对于愈发复杂的城市规划设计，即使是最精良的设计团队，也会存在一定的思考局限。而将数字化技术和人工智能引入设计中，帮助设计师在短时间内充分探究解决问题的可能范围，从中获取优选方案，以便进一步推进。

    本研究根据“学习—模拟”的逻辑顺序，建立一个城市空间案例数据库，以机器学习与深度学习为基础设计平台，同时确定城市规划设计评价指标，通过设计师与设计平台的互作获得最终的城市规划设计方案。整个研究过程主要分为三块内容，包括城市空间案例数据库的建立、城市空间生成和方案评价筛选、三维城市设计模型的生成(图1)。

    根据国际上典型的城市设计空间大数据建立该类型的空间谱系，解构其空间形态的构成模式，并进行拓扑抽象分析，得出空间原型的基本类型，大致可以分为多中心空间模式、格网棋盘街坊式、环形圈层放射式及轴线关联式等。根据城市空间案例的分类，搜集多个城市设计方案，建立数据库。

    城市设计内容的五元素为边界、道路、地区、节点及地标。本研究根据此五元素将城市空间案例数据库设定为3个子数据库：城市交通路网信息数据库、城市街区空间形态数据库及城市建筑功能布局数据库。城市交通路网数据信息通过不同等级道路交通的二维平面图体现。城市街区空间形态数据信息通过不同颜色区分不同高度的建筑、广场、绿地和其他公共空间的二维平面图体现。城市建筑功能布局数据信息通过不同颜色区分不同建筑功能的二维平面图体现。通过设立数据库获得机器学习和深度学习的先验知识学习集。

    本研究利用人工智能的两项核心技术：机器学习和深度学习。机器学习算法采用蟒蛇算法波函数坍塌(Wave Function Collapse)，该算法可以模拟输入的图像，生成类似的图像。机器学习算法中的局部相似性与两方面有关：一是输出图像的每个N(特征参数)×N 的像素模块在输入图像中至少出现一次；二是在输出图像中每个N×N的像素模块出现的概率与输入图像中出现的概率近似。该算法主要基于保罗·梅里尔(Paul Merrell)的模型模拟研究。通过修改特征参数N，可以生成不同风格的模拟图像。而深度学习算法则应用艾利克斯(Alex J.Champandard) 在2016 年发布的图像风格转移算法和李川在2016 年发布的神经斑块算法。该算法利用蟒蛇语言，由于图像处理器的模拟速度大大快于中央处理器的模拟速度，本研究采用图像处理器进行模拟。该算法通过使用多张图像生成一张新图像，而这取决于带有原始信息图像与所给的内容标注图像，将从样式图像中提取所标注的斑块信息的匹配程度转移到目标图像上，匹配效果与计算速度与迭代次数I 相关。在一定范围内，迭代次数I 越高，匹配效果越好，计算时间越长，但迭代次数I 达到一定程度以后匹配效果就不会再相应提高。通过修改迭代次数I，能产生不同效果的模拟图像。

    首先，提取数据库中城市设计案例的城市交通路网进行机器学习，调整特征参数N生成多个路网，再对所生成的路网进行评价筛选，选取最优城市交通路网；其次，提取该城市设计案例的城市街区空间形态数据，调整迭代次数I，生成多套城市街区空间形态方案，再对所生成的城市街区空间形态方案进行评价筛选，选取最优城市街区空间形态；最后，提取该城市设计案例的城市建筑功能布局数据，调整迭代次数I，生成多套城市建筑功能布局方案，对其进行筛选评价，选取最优的城市建筑功能布局。

    城市设计评价筛选分三步：第一步是对城市交通路网的评价，第二步是对城市街区空间形态的评价，第三步是对城市建筑功能布局的评价。城市交通路网评价指标包括路网密度、路网可达性和周边场地契合度；城市街区空间形态评价指标包括城市天际线轮廓(T)、建设用地率(J)、地质地形条件适配