Large language model empowered participatory urban planning

📄 arXiv: 2402.01698v1 📥 PDF

作者: Zhilun Zhou, Yuming Lin, Yong Li

分类: cs.CL, cs.AI

发布日期: 2024-01-24

备注: 26 pages, 7 figures, 2 tables

💡 一句话要点

提出大型语言模型助力参与式城市规划以解决传统方法的不足

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 城市规划 参与式设计 大型语言模型 社区发展 自然语言处理

📋 核心要点

  1. 传统参与式城市规划面临时间和人力资源的挑战，生成工具无法提供灵活和包容的解决方案。
  2. 本研究提出将大型语言模型整合进参与式规划过程，利用角色扮演和反馈迭代来解决社区土地使用问题。
  3. 实验结果表明，LLM在满意度和包容性上超越人类专家，并在服务和生态方面与强化学习方法相竞争。

📝 摘要（中文）

参与式城市规划是现代城市规划的主流，涉及不同利益相关者的积极参与。然而，传统的参与模式在时间和人力上面临挑战，而生成规划工具未能提供可调节和包容的解决方案。本研究提出了一种创新的城市规划方法，将大型语言模型（LLMs）整合到参与过程中。该框架基于精心设计的LLM代理，包含角色扮演、协作生成和反馈迭代，解决了满足1000种不同利益的社区级土地使用任务。实证实验显示LLM在多样化城市社区中的适应性和有效性，结果在满意度和包容性上超越了人类专家，并在服务和生态方面与最先进的强化学习方法相媲美。进一步分析表明，LLM代理在提供可调节和包容性解决方案方面具有优势，能够进行自然语言推理和强大的可扩展性。

🔬 方法详解

问题定义：本论文旨在解决传统参与式城市规划中时间和人力资源不足的问题，现有方法无法有效满足多样化利益相关者的需求。

核心思路：通过引入大型语言模型（LLMs），实现参与式规划的自动化和智能化，提升规划过程的灵活性和包容性。

技术框架：整体框架包括角色扮演、协作生成和反馈迭代三个主要模块，LLM代理在其中扮演关键角色，促进不同利益相关者的互动与协作。

关键创新：本研究的创新点在于将LLM应用于城市规划的参与过程，使其能够处理复杂的社区需求，并提供可调节的解决方案，这在现有方法中是前所未有的。

关键设计：在设计中，LLM代理的参数设置经过精心调整，以确保其在自然语言推理和多样化场景中的适应性，损失函数和网络结构也经过优化，以提升生成内容的质量和相关性。

📊 实验亮点

实验结果显示，LLM在满意度和包容性方面超越了人类专家，具体表现为在四个评估指标上均取得了显著提升。此外，LLM在服务和生态方面的表现与最先进的强化学习方法相当，展示了其在城市规划中的有效性。

🎯 应用场景

该研究的潜在应用领域包括城市规划、社区发展和公共政策制定等。通过使用LLM代理，城市规划者和市民能够以更低的成本和更高的效率参与规划过程，从而增强公众参与感，促进城市的可持续发展。

📄 摘要（原文）

Participatory urban planning is the mainstream of modern urban planning and involves the active engagement of different stakeholders. However, the traditional participatory paradigm encounters challenges in time and manpower, while the generative planning tools fail to provide adjustable and inclusive solutions. This research introduces an innovative urban planning approach integrating Large Language Models (LLMs) within the participatory process. The framework, based on the crafted LLM agent, consists of role-play, collaborative generation, and feedback iteration, solving a community-level land-use task catering to 1000 distinct interests. Empirical experiments in diverse urban communities exhibit LLM's adaptability and effectiveness across varied planning scenarios. The results were evaluated on four metrics, surpassing human experts in satisfaction and inclusion, and rivaling state-of-the-art reinforcement learning methods in service and ecology. Further analysis shows the advantage of LLM agents in providing adjustable and inclusive solutions with natural language reasoning and strong scalability. While implementing the recent advancements in emulating human behavior for planning, this work envisions both planners and citizens benefiting from low-cost, efficient LLM agents, which is crucial for enhancing participation and realizing participatory urban planning.