فرقی نمی‌کند در کجای دنیا، جوامع محلی و ساکنان در ارتباطی دوسویه و متقابل به یکدیگر شکل می‌بخشند. سیاست‌های استفاده از زمین، زیرساخت‌ها و نحوه تخصیص منابع در جوامع، معمولاً محصول مدل‌های موردعلاقه برنامه‌ریزان حرفه‌ای شهری هستند.
برنامه‌ریزی شهری با طرح فیزیکی سکونتگاه‌های انسانی سروکار دارد و توسعه منظم در مناطق شهری، حومه‌ای و روستایی را هدایت می‌کند. برنامه‌ریزی مؤثر شهری، آسیب‌پذیری‌های عملیاتی و اجتماعی سیستم شهری را کاهش می‌دهد و در تلاش است تا ضمن کاهش ازدحام ترافیک و تصادفات، زباله و آلودگی و میزان جرم و بار مالیاتی، کیفیت زندگی را بهبود بخشد.
در مقاله اخیر با نام «باز انگاری پیکربندی شهر: برنامه‌ریزی خودکار شهری از طریق یادگیری ماشینی تخاصمی»، دو دانشجو دکترا متخصص در داده‌کاوی فضایی و مکانی دانشگاه مرکزی فلوریدا (UCF), به همراه مشاوران UCF، از دانشگاه هنگ‌کنگ و فناوری ویرجینیا، به‌منظور کاهش حجم کاری برنامه‌ریزان شهری، انجام برخی از مسئولیت‌های برنامه‌ریزی را از طریق سیستم‌های یادگیری عمیق پیشنهاد داده‌اند.
دونگجی وانگ، دانشجوی سال اول دکترا دانشگاه UCF و اولین نویسنده مقاله در مصاحبه‌ای با Synced بیان نمود: «برنامه‌ریزی شهری سنتی زمان‌بر و پرزحمت است و عوامل زیادی باید در هنگام تولید طرح برنامه‌ریزی نهایی در نظر گرفته شوند، ما به دنبال آن هستیم که چگونه می‌توان از هوش مصنوعی برای تولید خودکار راه‌حل‌های برنامه‌ریزی شهری استفاده کرد.»
درحالی‌که مفهوم برنامه‌ریزی خودکار شهری با استفاده از قابلیت هوش مصنوعی جذاب است، محققان به‌سرعت با سه چالش مواجه شدند: چگونگی کمی سازی طرح‌های پیکربندی کاربری زمین، چگونگی توسعه یک چارچوب یادگیری ماشینی که می‌تواند خوب و بد جوامع شهری موجود را از نظر سیاست‌های کاربری اراضی یاد بگیرد و چگونه کیفیت پیکربندی‌های کاربری اراضی تولید شده توسط سیستم مورد ارزیابی واقع گردد.
محققان، مسئله برنامه‌ریزی خودکار شهری را به عنوان یک عمل یادگیری ماشین در پیکربندی کاربری اراضی بافت‌های پیرامونی آغاز نمودند. آنها پیکربندی کاربری زمین را به عنوان یک تانسور[1] طول و عرض جغرافیایی، با هدف توسعه چارچوبی که می‌توانست به طور خودکار چنین تانسورهایی را برای مناطق برنامه‌ریزی نشده تولید کند، تعریف کردند. این تیم یک چارچوب یادگیری تخاصمی به نام LUCGAN را توسعه داد تا با بهره‌گیری از جغرافیای شهری، تحرک انسانی و داده‌های اقتصادی - اجتماعی، پیکربندی‌های کاربری اراضی را ایجاد کند. LUCGAN به‌گونه‌ای طراحی شده است که ابتدا نمایشی از زمینه‌های یک منطقه بکر را بیاموزد و سپس یک راه‌حل ایده‌آل برای پیکربندی کاربری اراضی برای منطقه ایجاد کند.
آنها منطقه‌های مسکونی را بر اساس طول و عرض جغرافیایی خود به عنوان «مناطق مرکزی» شناسایی کردند، سپس زمینه‌های مرتبط را مشاهده و ویژگی‌های صریح این زمینه‌ها را از ارزش افزوده فضا، توزیع نقاط موردعلاقه (POIs) و شرایط ترافیک استخراج کردند. سپس بردارهای این ویژگی‌های صریح را به عنوان ویژگی‌های گره‌های متناظر گراف فضایی جغرافیایی ترسیم کردند.
محققان این زمینه‌ها را از طریق تکنیک‌های جاسازی گراف (روش‌های جاسازی یا Embedding method) به عنوان ورودی شبکه یادگیری عمیق برای ترکیب تمامی ویژگی‌های صریح و روابط فضایی موجود در این زمینه‌ها به دست آوردند. بر اساس دانش تخصصی، آنها بین نحوه پیکربندی کاربری اراضی به صورت «عالی» و «بسیار بد» تمایز قائل شدند، و این اطلاعات و زمینه را در چارچوب LUCGAN وارد کردند تا به آن نحوه توزیع برنامه‌های «عالی» را آموزش دهند.
در این رابطه وانگ توضیح می‌دهد: «تحقیقات ما کاربردی است و از آنجا که ما قبلاً نتایج اولیه برنامه‌ریزی خودکار طرح‌های شهری را مشاهده کرده‌ایم، معتقدیم که این مسیر کارساز خواهد بود.»
در حال حاضر این رویکرد محدودیت‌های خاص خود را نیز به همراه دارد. به عنوان مثال، معناشناسی و ثبات در راه‌حل تولید شده توسط الگوریتم هنوز جایی برای پیشرفت دارد و تیم تحقیق قصد دارد در کارهای بعدی به این موضوع بپردازد.
وانگ معتقد است که این چارچوب در نهایت می‌تواند به یک بسته نرم‌افزاری منبع باز (open-source) تبدیل شود که توسط متخصصان برنامه‌ریزی شهری قابل‌استفاده است. با برخی تنظیمات مربوطه که به صورت دستی در الگوریتم تنظیم می‌شود، می‌تواند به طور خودکار عوامل مختلف تأثیرگذار را در محیط اطراف اولویت‌بندی کرده و یک برنامه‌ریزی مناسب متناسب با نیازهای جامعه ایجاد کند و همچنین برنامه‌ریزان شهری نیز قادر به تنظیم نتایج حاصل از تولید خواهند بود.
وانگ می‌گوید: «اگرچه هوش مصنوعی و اتوماسیون به بهبود بهره‌وری در کار کمک می‌کنند، اما ما معتقدیم که انسان‌ها تصمیم‌گیرنده نهایی هستند.» وی گفت: «الگوریتم‌ها می‌توانند مناطقی را که غالباً توسط اینرسی تفکر افراد نادیده گرفته می‌شوند، در نظر بگیرند. در حالی که انسان‌ها می‌توانند نتایج الگوریتم‌ها را اصلاح کنند تا سیاست‌ها و مقررات دنیای بهتر را برآورده کنند. ترکیب این دو می‌تواند واقعاً راه‌حل‌های معقولی ارائه دهد.»
[1] تانسور (Tensor)، نقطه‌ای از فضا است که توسط یک یا چند شاخص که بیانگر مرتبه آن است، توصیف می‌شود.
