面向参与式城市规划的大语言模型多智能体框架 · Large Language Model for Participatory Urban Planning

原文摘要 · English Abstract

Participatory urban planning is the mainstream of modern urban planning that involves the active engagement of residents. However, the traditional participatory paradigm requires experienced planning experts and is often time-consuming and costly. Fortunately, the emerging Large Language Models (LLMs) have shown considerable ability to simulate human-like agents, which can be used to emulate the participatory process easily. In this work, we introduce an LLM-based multi-agent collaboration framework for participatory urban planning, which can generate land-use plans for urban regions considering the diverse needs of residents. Specifically, we construct LLM agents to simulate a planner and thousands of residents with diverse profiles and backgrounds. We first ask the planner to carry out an initial land-use plan. To deal with the different facilities needs of residents, we initiate a discussion among the residents in each community about the plan, where residents provide feedback based on their profiles. Furthermore, to improve the efficiency of discussion, we adopt a fishbowl discussion mechanism, where part of the residents discuss and the rest of them act as listeners in each round. Finally, we let the planner modify the plan based on residents' feedback. We deploy our method on two real-world regions in Beijing. Experiments show that our method achieves state-of-the-art performance in residents satisfaction and inclusion metrics, and also outperforms human experts in terms of service accessibility and ecology metrics.

概要

参与式城市规划传统上依赖经验丰富的规划师与耗时的居民协商，成本高、效率低。本文首次把大语言模型用作规划过程的参与者：用GPT-4V扮演规划师、用上千个具备真实人口画像的GPT-3.5智能体扮演居民，让规划师先给出初始土地利用方案，再通过分社区、分轮次的“金鱼缸”居民讨论收集反馈并修订方案。该方法在北京两个真实社区上部署验证，兼顾了效率（讨论规模可扩展到千人级）与效果（满意度与包容性指标超过强化学习与人类专家基线），把“参与式”真正落到了每个居民的个体需求上，而不仅是宏观设施覆盖率。

传统参与式规划依赖社区绘图、世界咖啡馆、金鱼缸讨论等线下组织形式，需要经验丰富的规划师主持并协调各方利益，耗时耗力且依赖组织者水平；已有的生成式规划方法（进化算法、GAN、VAE、强化学习）能自动生成方案，却不建模具体居民的个体诉求，并不“参与式”。已有多智能体LLM协作研究多聚焦运筹优化、软件开发，角色数量有限，尚无工作把LLM用于模拟数千真实居民的利益博弈，也未解决大规模讨论的效率与上下文瓶颈。

关键贡献

首次将大语言模型引入参与式城市规划，用LLM智能体模拟规划师与居民完成完整的土地利用规划过程。
提出“规划师提议—居民讨论—规划师修订”的多智能体协作框架，兼顾专家知识与居民多元需求。
设计金鱼缸讨论机制，让居民分内外圈轮换发言并逐轮摘要历史，使讨论规模可扩展到数万人社区而不引发上下文爆炸。
为居民智能体注入基于真实人口普查数据的性别、年龄、家庭结构等画像，并特别覆盖独居老人、患病家庭等边缘群体以保证包容性。
在北京回龙观与大红门两个真实社区部署验证，提出Service/Ecology/Satisfaction/Inclusion四项指标体系，证明方法在居民满意度与包容性上超越人类专家与强化学习基线。

方法详解（完整做法）

总体思路

框架用GPT系列LLM智能体模拟规划师（一个）与居民（上千个，具备真实人口画像）。规划师先基于专家知识与区域地图提出初始的土地利用方案；随后把整片区域按现实社区划分为若干组团，在每个组团内召集居民智能体进行分轮讨论、表达对方案的意见并互相说服；讨论结果汇总后交回规划师修订该组团方案。为避免动辄上千智能体同时发言导致的时间与token开销爆炸，讨论采用“金鱼缸”机制分内外圈轮换发言。最终输出一份经过多轮居民参与修订的土地利用规划图。

智能体角色设计：规划师与居民

规划师被赋予“全局视角”：输入带分区色块与ID标注的区域地图（利用GPT-4V的多模态能力）、各地块的位置与邻近关系文字描述，以及人工编写的规划准则，使其能提出符合专业规范的初始方案。居民智能体则依据真实人口普查数据抽样生成性别、年龄、教育程度、家庭规模等画像，并特别加入独居老人、患病家庭、育儿家庭等边缘群体；每位居民只能观察以住址为中心、步行/骑行15分钟（约500米）范围内的地块，模拟“15分钟生活圈”的局部视角，并被要求列出最迫切需要的3~5类用地需求。

参与式规划工作流：讨论-修订循环

系统先把区域按真实社区与路网切分成若干组团（论文实验中为4个），规划师给出初始整体方案后，工作流按组团顺序推进：每个组团内住户及周边500米缓冲区内的居民智能体被邀请就该组团的土地利用方案展开讨论，表达对现有安排的意见及修改建议；讨论结束后规划师依据居民反馈重新分配该组团内的地块用途，再进入下一个组团，如此顺序修订完成全部区域。这种“先划片、后逐片协商”的设计利用了居民只关心自家周边的局部性——距离较远的居民不存在利益冲突，因此不必让全区居民同时参与同一场讨论。

金鱼缸讨论机制：效率与规模的权衡

每个组团动辄涉及数万常住人口，若让全部居民同时发言，时间与上下文长度都无法承受。为此论文借用参与式规划中常见的“金鱼缸讨论”：每一轮只从社区居民中抽取一部分（论文设置为50人）进入“内圈”发言，其余居民留在“外圈”仅旁听；每轮结束后角色互换，部分旁听者轮换进入内圈，并将本轮讨论内容摘要成简短总结传递给下一轮参与者，避免上下文无限增长。整个流程可写成：

$P_1=\mathrm{Planner}\Big(P_0,\; H=\bigcup_{r=1}^{N}\mathrm{Summarize}\big(\{O_1^r,\ldots,O_M^r\}\big)\Big)$

其中 $O_j^r$ 是第 $r$ 轮内圈居民 $j$ 表达的意见， $H$ 是累积的讨论摘要历史， $N$ 为讨论轮数、 $M$ 为每轮参与人数（实验中 $N=3,M=50$ ）。这种“部分发言、分轮轮换、逐轮摘要”的设计既保留了讨论的代表性——多轮下持续有新居民轮换进入内圈发言，又把每轮的token与时间开销限制在固定的 $M$ 人规模，不随社区总人口线性增长，这正是把方法扩展到数万人真实社区而不产生成本爆炸的关键工程细节，也是论文相对于直接让全体居民一起讨论的方案更值得采用的原因。

服务可达性建模与居民满意度量化

为量化规划质量，论文先定义居民 $m$ 到某类设施 $j$ 的最近可达距离：

$d(m,j)=\min\{\mathit{EucDis}(L_m,P_1^j),\ldots,\mathit{EucDis}(L_m,P_{k_j}^j)\}$

在此基础上，不区分个体需求的“服务”指标衡量平均设施覆盖率：

$Service=\frac{1}{n_m}\sum_{m=1}^{n_m}\frac{1}{n_j}\sum_{j=1}^{n_j}\mathbb{1}[d(m,j)<500]$

而贴合居民个体需求的“满意度”指标只统计每位居民自己列出的3~5类刚需用地 $J_m$ 是否在500米内可达：

$Satisfaction=\frac{1}{n_m}\sum_{m=1}^{n_m}\frac{1}{n_j}\sum_{j\in J_m}\mathbb{1}[d(m,j)<500]$

“包容度 Inclusion”用同样的公式形式，但只对边缘群体 $V$ （独居老人、患病家庭等）计算均值。Service/Ecology是“不看人”的宏观指标，而Satisfaction/Inclusion才真正体现“参与式”价值——这也是论文用来证明多智能体讨论确实提升了居民个体满意度、而非只优化宏观数字的核心依据。

小结

一句话：用GPT-4V规划师加GPT-3.5居民的角色扮演生成初始方案，靠金鱼缸式分轮讨论把居民真实需求可扩展地注入修订循环，最终在满意度与包容度上超越所有基线（含人类专家与强化学习）。

实验与关键数据

论文在北京回龙观（HLG）与大红门（DHM）两个真实社区部署，各生成1000个居民智能体、规划42块用地，用GPT-4V做规划师、GPT-3.5-turbo做居民，讨论3轮、每轮50人参与，5次随机种子取均值，并与随机/中心化/去中心化/GSCA/人类专家/DRL六种基线比较四项指标。

关键数据

HLG Satisfaction（需求满足度）

0.787

vs DRL 0.708（+0.079）

HLG Inclusion（弱势群体包容度）

0.773

vs DRL 0.716（+0.057）

DHM Satisfaction（需求满足度）

0.778

vs Human Expert 0.631（+0.147）

DHM Inclusion（弱势群体包容度）

0.790

vs Decentralized 0.706（+0.084）

HLG Service（服务可达性）

0.756

vs DRL 0.773（-0.017）

影响与局限

本文是较早把多智能体LLM协作用于真实城市规划任务的工作，证明角色扮演式智能体可以在保留个体差异化诉求的前提下模拟大规模群体协商，为后续“LLM模拟社会/城市仿真”类研究（如城市治理、政策评估、群体决策模拟）提供了一个可复用的讨论-修订范式，其金鱼缸机制也为解决多智能体讨论中的规模与上下文瓶颈提供了工程参考。

局限与不足

论文自身也指出了明显局限：其“区域更新”任务只做土地利用类型的离散选择，忽略了产权归属、开发/拆迁成本、上位规划约束等真实规划中不可回避的要素；居民智能体的意见完全来自角色扮演Prompt与统计画像的模拟生成，论文并未验证这些模拟意见与真实居民实际偏好之间的一致性，存在“模拟出的诉求是否真实”的问题；实验只在北京两个社区、8类用地范围内验证，能否泛化到不同城市文化背景、更多用地类型或更复杂利益冲突场景尚不清楚；金鱼缸讨论的轮数与每轮参与人数是人工设定的固定超参数，缺乏针对不同社区规模与冲突强度的自适应机制；此外方法依赖商业GPT-4V与GPT-3.5-turbo作为规划师与居民，带来较高的API成本、可控性与可复现性问题（模型版本更新可能导致结果发生变化）。