城市生态编码：通过自监督学习实现能源模型自动生成的建筑范式
内容提要
本文研究了建筑能源建模和几何特征提取，提出了一种基于多尺度原型表示学习的方法，显著提高了能耗估计的准确性。通过零样本学习和机器学习技术，验证了建筑能耗预测的有效性，并展示了在城市生成和规划中的应用潜力。
延伸解读
多尺度原型表示学习的优势
文章提出基于多尺度原型表示学习的方法，用于提取建筑库的几何特征，并通过多个下游任务约束潜在向量。在洛杉矶县五个地区的研究中，该方法性能超过传统方法和仅使用VQ-AE提取的原型，表明几何特征嵌入能显著提高能耗估计的准确性和可靠性。这为建筑能源建模提供了更有效的特征表示途径。
零样本学习在能耗预测中的表现
文章利用零样本学习方法，基于建筑能源模型预测建筑能耗。该方法使用侧面信息预测最接近未知建筑类型的建筑类型，并在训练中学习建筑模型，通过加权平均函数组合预测值。其平均精度优于基于XGBoost的回归模型，展示了零样本学习在缺乏目标建筑数据时的潜力。
城市生成与规划的技术进展
文章介绍了多种城市生成与规划技术，包括基于深度生成学习和人类指导的空间层级城市规划器、生成对抗网络解决空间层级问题、AETree树状自动编码器实现2D和3D城市生成，以及图注意力网络支持任意道路网络的建筑布局生成。这些方法为城市规划提供了新的自动化工具。
遥感与深度学习在建筑足迹制图中的应用
文章利用地球观测和深度学习方法，通过全卷积神经网络实现多类建筑物实例分割，在黎巴嫩案例中成功生成了首个包含约100万个单位、准确率达84%的综合性国家建筑物足迹地图。这表明深度学习在缺乏城市规划的地区能有效支持密集区域和贫民窟的制图。
Q&A
多尺度原型表示学习方法的主要优势是什么？
该方法显著提高了建筑能耗估计的准确性和可靠性，优于传统方法。
零样本学习在建筑能耗预测中是如何应用的？
零样本学习通过侧面信息预测未知建筑类型的能耗，精度优于基于XGBoost的模型。
AETree树状自动编码器神经网络的功能是什么？
AETree用于城市生成，通过提取和合并空间信息实现2D和3D城市生成。
如何利用深度学习分析城市土地利用模式？
通过遥感技术和深度卷积神经网络分析卫星图像数据，提供高准确率的土地利用模式。
该研究如何验证建筑能耗预测方法的有效性？
通过对真实数据集的建模，利用机器学习技术发现建筑能耗异常，验证预测方法的有效性。
深度生成学习在城市规划中的作用是什么？
深度生成学习构建考虑空间层级的城市规划器，解决传统规划中的局限性。
