本文提出了一种基于深度生成学习和人类指导的深层次生成模型来解决传统城市规划中的一些局限性，通过标记实现从目标区域到分区再到网格的三级生成过程，包括感知规划需求、功能投影和多关注模型等来生成网格水平的土地利用配置。

Dec, 2022

采用深度生成学习构建基于人类指导、考虑空间层级的城市规划器，并引入生成对抗网络以解决空间层级问题。

Sep, 2022

通过扩散模型生成没有历史流量数据的区域的动态城市流量，使用城市知识图和增强的扩散模型进行建模，并且通过实验证明其优越性和适用性。

Sep, 2023

本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

Feb, 2019

通过自我监督对比学习，UrbanMSR 模型利用多尺度表示的邻近层级和城市层级地理信息，融合多尺度表示以提高细粒度准确性，从而有效地学习跨时空的多尺度信息，并在三个真实数据集上进行了广泛实验证实了该模型的优越性。

Jun, 2024

本文介绍了城市规划和人工智能两个领域的重要性和联系，探讨了人工智能如何促进现代城市规划，主要思路是通过机器学习研究实现从社会媒体、环境、经济活动等方面对目标区域的土地利用配置自动生成，为两个领域的交叉研究提供了关键的研究方向。

Apr, 2023

本文提出了一种城市流量监测的方法，通过粗块观测来推断城市的实时和精细化的人流，使用 UrbanFM 模型实现精细流的分布。UrbanPy 模型的逐步推理功能可优化 UrbanFM 的效率和性能。

Feb, 2020

通过马尔可夫决策过程，使用 GFlowNets 作为交通路网生成器实现了将事故道路链接到环形交叉口，比其他相关方法拥有更好的多样性和高有效性得分。

Oct, 2023

利用人工智能算法推动生成设计的发展在迅速进行。当前研究存在两个研究空白：1）大多数研究只关注设计元素之间的关系，对场地的外部信息关注较少；2）GAN 和其他传统的生成算法生成的结果分辨率低，细节不足。为了解决这两个问题，我们结合了 GAN、稳定扩散多模态大规模图像预训练模型，构建了一个全过程公园生成设计方法：1）首先构建高精度遥感目标提取系统，自动提取城市环境信息；2）其次，利用 GAN 构建基于外部环境的公园设计生成系统，可以从城市环境信息中迅速推断和生成设计方案；3）最后，引入稳定扩散来优化设计方案，填充细节，并将方案的分辨率扩大 64 倍。这种方法可以实现完全无人化的设计自动化工作流程。研究结果表明：1）场地内外的关系将影响算法生成结果；2）与传统的 GAN 算法相比，稳定扩散显著提高了生成结果的信息丰富度。

Dec, 2023

本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

Aug, 2019