Large Language Model for Participatory Urban Planning

本文是LLM系列文章，针对《Large Language Model for Participatory Urban Planning》的翻译。

摘要

参与式城市规划是现代城市规划的主流，涉及居民的积极参与。然而，传统的参与式模式需要经验丰富的规划专家，而且往往耗时且成本高昂。幸运的是，新兴的大型语言模型（LLM）已经显示出相当大的模拟类人代理的能力，可以很容易地用于模拟参与过程。在这项工作中，我们引入了一个基于LLM的参与式城市规划多智能体协作框架，该框架可以生成考虑居民不同需求的城市区域土地利用规划。具体来说，我们构建LLM代理来模拟规划师和数千名具有不同档案和背景的居民。我们首先要求规划者进行初步的土地使用计划。为了满足居民的不同设施需求，我们在每个社区的居民中就该计划展开讨论，居民根据自己的个人资料提供反馈。此外，为了提高讨论效率，我们采用了一种“鱼缸式”讨论机制，即每轮都有一部分居民进行讨论，其余居民充当听众。最后，我们让规划师根据居民的反馈修改计划。我们在北京的两个真实世界区域部署了我们的方法。实验表明，我们的方法在居民满意度和包容性指标方面取得了最先进的性能，在服务可及性和生态指标方面也优于人类专家。

1 引言

2 相关工作

3 问题陈述

4 方法

5 实验

6 结论与讨论

在本文中，我们利用LLM来模拟参与式城市规划的整个过程。具体来说，我们通过特定的提示设计，制作LLM代理来模拟具有不同配置文件的规划师和住户。然后，我们提出了一个框架，居民讨论规划者制定的土地使用计划，规划者相应地修改计划。此外，为了使大量居民能够更有效地进行讨论，我们采用了一种鱼缸式的讨论机制，一部分居民进行讨论，其余的居民进行几轮聆听。我们的方法被部署在北京的两个现实世界场景中，结果表明，我们的方法可以有效地满足居民的多样化需求，并且在服务可及性和生态指标方面与最先进的强化学习方法具有竞争力。
这项研究只是将LLM应用于参与式城市规划的初步尝试。我们必须承认在整个过程中对规划要素进行了许多简化。本研究忽略了所有权、开发成本和更高级别的规划等因素，这可能导致偏离实际规划场景。这些缺点有望通过新的提示来解决，而不会影响我们框架的有效性和可解释性。同样值得注意的是，我们的框架在很大程度上依赖于手动设计的提示，尤其是对于规划者来说。为了使规划代理能够理解规划地图，我们需要描述每个区域的位置和邻域，这限制了我们方法的泛化能力。
至于未来的工作，一个有希望的方向是将我们的框架与人类专家相结合，构建人类人工智能协同工作流程。例如，为了更好的真实性和性能，我们可以用人来代替规划师或一些居民。此外，多智能体协作设计有望应用于涉及大量智能体的其他任务。