Large Language Model for Participatory Urban Planning

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，传统的参与范式需要经验丰富的规划专家，通常耗时费钱。幸运的是，新兴的大型语言模型(LLMs)已经展示了相当能力来模拟类似人类的代理，可以轻松地用于模拟参与过程。在这项工作中，我们介绍了一个基于LLM的多代理协作框架，用于参与式城市规划，可以考虑居民的多样化需求生成城市地区的土地利用计划。具体而言，我们构建LLM代理来模拟规划者和数千名具有不同背景和特点的居民。首先，我们要求规划者制定一个初始的土地利用计划。为了处理居民不同的设施需求，我们在每个社区中发起一次讨论，居民根据自己的特点提供反馈。此外，为了提高讨论的效率，我们采用鱼缸式讨论机制，在每一轮中，一部分居民进行讨论，其余居民则充当听众。最后，我们让规划者根据居民的反馈修改计划。我们在北京的两个实际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度指标方面实现了最先进的性能，并且在服务可访问性和生态指标方面优于人类专家。

论文旨在解决城市规划中传统参与式范式所存在的时间和费用成本高的问题，提出了一种基于大型语言模型的多智能体协作框架，以模拟参与式过程，生成考虑居民多样需求的土地利用规划。

论文的解决方案是构建大型语言模型智能体，模拟规划师和数千名居民的角色，采用鱼缸式讨论机制，让居民提供反馈，规划师根据反馈修改规划，实现考虑多样需求的土地利用规划。

论文在北京两个真实区域进行了实验，表现出较高的居民满意度和包容度，同时在服务可达性和生态指标方面优于人类专家。论文的亮点在于使用大型语言模型智能体模拟参与式过程，采用鱼缸式讨论机制提高了讨论效率。

近期相关研究包括：1）使用深度强化学习进行城市规划的研究；2）基于多智能体的城市规划模拟研究；3）基于机器学习的城市规划预测研究。