(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211138806.8 (22)申请日 2022.09.19 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 冯天　张微　杨乐豪　张继灵　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 傅朝栋　张法高 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种多模态数据驱动 的城市道路布局设计 自动化方法 (57)摘要 本发明公开了一种多模态数据驱动 的城市 道路布局设计自动化方法。 本发 明在城市道路网 络布局设计任务中引入多模态数据融合模块， 对 人口密度、 地形高程和土地利用分类三类数据进 行融合， 输入至 条件生成对抗网络(Conditional   Generative  Adversarial  Networks,CGAN)， 生 成与上述三类数据分布对应的道路布局。 与传统 手工设计方法相比， 本方法不需要相关领域的专 业知识， 不受限于道路模板， 可高效生成特征多 样的城市道路布局。 与仅使用生成对抗网络 (Generative  Adversarial  Networks,GAN)的方 法相比， 本方法引入了多模态的地理空间数据， 对其压缩、 降维， 避免了因大量参数带来的高算 力需求问题， 同时突出了数据的关键特征， 使生 成的城市道路布局在视觉和结构上具有更高质 量。 权利要求书2页 说明书6页 附图3页 CN 115544613 A 2022.12.30 CN 115544613 A 1.一种多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 获取目标区域 的人口密度栅格数据、 地形高程栅格数据和土地利用栅格数据 组成多模态数据， 将多模态 数据输入预训练的多模态数据融合模块中， 由多模态数据融合模块对不同模态数据进 行压 缩和降维并输出编码图， 再由预训练的条件生成对抗网络(Conditional  Generative   Adversarial  Networks,CGAN)模块捕捉编码图中的地理空间特征和道路纹理特征， 最终输 出对应的城市道路布局设计图； 所述多模态数据融合模块是一个自编码器， 由编码器和解码器组成； 输入的不同模态 数据沿特征通道维度进行叠加后输入至编码器， 由编码器输出融合后的编码图； 在预训练 阶段， 编码器输出的编码图输入至解码器， 由解码器输出重构后的各模态数据， 通过训练使 重构后的各模态数据接近原始的各模态数据； 在推理阶段， 编码器输出 的编码图直接作为 多模态数据融合模块的输出； 所述条件生成对抗网络模块由生成器和判别器组成； 生成器以多模态数据融合模块输 出的编码图为输入， 输出道路布局设计图； 在预训练阶段， 生成器输出的道路布局设计图输 入至判别器中， 判别器同时以真实路网布局图和 编码图为另外两个输入， 输出128*128、 32* 32和8*8三种尺度的图块(Patch)， 从浅层、 中层、 深层特征三个角度判别输入图的真实性， 进而交替优化判别器和生成器； 在推理阶段， 生成器输出 的道路布局设计图直接作为条件 生成对抗网络模块的输出。 2.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述多模态数据融合模块中的编码器和解码器均采用U ‑Net模型作为基线模型。 3.如权利要求2所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述多模态数据融合模块在预训练阶段， 通过优化重构后的各模态数据和原始的各模态数 据的平均绝对误差进行训练。 4.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述多模态数据融合模块中， 输入的人 口密度栅格数据、 地形高程栅格数据和土地利用栅 格数据均为512*512尺寸的栅格化图像， 三张不同模态的栅格化图像融合形成的编码图尺 寸也为512*512。 5.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述生成器的输入是所述编码器输出的编码图， 生成器采用U ‑Net结构， 包含8个下采样模 块和7个上采样模块和1个输出模块； 前4个下采样模块为带归一化层和LeakyRelu激活函数 的4*4卷积层， 后4个下采样模块包括带归一化层和LeakyRelu激活函数的4*4卷积层以及 Dropout层； 每经过一个下采样模块， 特征图尺 寸减半； 前4个上采样模块包括带归一化层和 Relu激活函数的4*4反卷积层以及Dropout层， 后3个上采样模块为带归一化层和Relu激活 函数的4*4反卷积层； 输出模块包括一层上采样层和带Tanh激活函数的3*3卷积层， 上采样 层采用近邻插值使图像尺寸翻倍； 8个上采样模块和7个下采样模块之间采用跨层连接 (Skip‑connection)结构连接 。 6.如权利要求4所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述判别器有3个， 都采用 PatchGAN结构， 每个判别器的输入均为所述编码器输出的编码 图、 真实路网布局图以及所述生成器输出 的道路布局设计图， 判别器的三个输入尺寸都为 512*512， 三个判别器输出图块尺寸分别为128*128、 32 *32和8*8， 进而在浅层、 中层、 深层三权　利　要　求　书 1/2 页 2 CN 115544613 A 2种特征尺寸下判别输入图像的综合真实性。 7.如权利要求6所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述三个判别器具体如下： 第一个判别器由2个下采样模块和1个输出层组成， 下采样模块包括带归一化层和Relu 激活函数的4*4卷积层， 输出层为3 *3卷积层， 输出图像为单通道的128*128大小的图块； 第二个判别器由4个下采样模块和1个输出层组成， 下采样模块包括带归一化层和Relu 激活函数的4*4卷积层， 输出层为3 *3卷积层， 输出图像为单通道的32* 32大小的图块； 第三个判别器由6个下采样模块和1个输出层组成， 下采样模块包括带归一化层和Relu 激活函数的4*4卷积层， 输出层为3 *3卷积层， 输出图像为单通道的8*8大小的图块。 8.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法， 其特征在于， 所述条件生成对抗网络模块训练所采用的损失函数为三个判别器的损失之和， 每个判别器 的损失函数 形式为MSE损失。权　利　要　求　书 2/2 页 3 CN 115544613 A 3