DRL-urban-planning 项目使用教程
项目地址: https://gitcode.com/gh_mirrors/dr/DRL-urban-planning 1. 项目介绍
DRL-urban-planning 是一个基于深度强化学习（DRL）的城市规划项目，旨在通过强化学习框架帮助城市规划师优化城市社区的空间布局。该项目由清华大学 fib-lab 实验室开发，并在 Nature Computational Science 上发表了相关研究文章。
该项目的主要目标是生成具有优越空间效率的土地和道路布局，并通过人机协作的工作流程提高人类规划师的生产力。项目提供了训练和评估模型的工具，以及用于可视化生成的空间计划的笔记本。
2. 项目快速启动
环境准备
在开始之前，请确保您的系统满足以下要求：
- 操作系统：Linux
- Python 版本：>= 3.8
- PyTorch 版本：>= 1.8.1, <= 1.13.0
安装依赖
首先，安装 PyTorch 并设置环境变量以避免多进程轨迹采样问题：
export OMP_NUM_THREADS=1
然后，克隆项目并安装所需的依赖：
git clone https://github.com/tsinghua-fib-lab/DRL-urban-planning.git
cd DRL-urban-planning
pip install -r requirements.txt
数据准备
项目提供了用于训练和评估的数据，位于 urban_planning/cfg/test_data 目录下。您可以使用提供的三个场景进行实验：
- 合成网格社区（
synthetic） - 两个真实世界社区（
HLG和DHM）
训练模型
使用提供的配置文件训练模型。例如，要为 HLG 社区训练模型，运行以下命令：
python3 -m urban_planning train --cfg hlg --global_seed 111
可视化结果
您可以使用提供的笔记本在 demo 目录下可视化生成的空间计划。
3. 应用案例和最佳实践
应用案例
该项目已在多个真实世界社区中进行了测试，包括北京的 HLG 和 DHM 社区。通过使用深度强化学习，项目能够生成优化的土地和道路布局，显著提高了空间效率。
最佳实践
- 数据准备：确保数据格式正确，并根据实际需求调整规划目标。
- 模型训练：根据不同的社区和规划目标，调整训练参数以获得最佳结果。
- 结果评估：使用提供的评估脚本对生成的计划进行评估，并与基线方法进行比较。
4. 典型生态项目
相关项目
- Transform2Act：该项目是
DRL-urban-planning的基础实现之一，提供了强化学习的基本框架。 - circuit_training：另一个与城市规划相关的项目，专注于电路布局的优化。
社区支持
- OpenStreetMap (OSM)：项目使用了 OSM 的数据来收集真实世界社区的信息。
- GitHub 社区：通过 GitHub 社区，您可以与其他开发者交流，获取最新的更新和支持。
通过这些生态项目和社区支持，DRL-urban-planning 能够更好地服务于城市规划领域，推动人工智能在城市规划中的应用。