Wo wächst eine Stadt weiter? Wo verdichtet sie sich, wo verändern neue Verkehrsachsen ganze Quartiere? Solche Entwicklungen früh zu erkennen, ist für die Stadtplanung entscheidend. Ein Forschungsteam aus Japan und China hat dafür ein KI-Modell entwickelt, das mögliche Stadtstrukturen von morgen simulieren soll.
Inhaltsverzeichnis
MMCN heißt das neue KI-System
Städte verändern sich ständig. Mal langsam, mal mit überraschendem Tempo. Neue Wohngebiete entstehen, Straßen werden ausgebaut, Gebäude wachsen in die Höhe. Gleichzeitig halten sich alte Strukturen oft erstaunlich lange. Genau das macht Stadtplanung so anspruchsvoll. Denn eine Stadt folgt keiner einzelnen Logik. Viele Einflüsse wirken gleichzeitig.
Ein Forschungsteam aus Japan und China hat nun ein KI-Modell entwickelt, das solche Entwicklungen sichtbar machen soll. Der Name klingt sperrig: Memory-aware Multi-Conditional Generation Network, kurz MMCN. Die Grundidee ist aber einfach. Die KI schaut nicht nur auf einen einzelnen Faktor wie Bebauungsdichte oder Straßennetz. Sie verknüpft mehrere Merkmale und berücksichtigt auch, wie sich ein Gebiet über die Zeit verändert hat.
Warum sich Städte so schwer vorhersagen lassen
Genau daran scheitern viele klassische Planungs- und Simulationsmodelle. Einzelne Faktoren können sie oft gut abbilden. Sie zeigen zum Beispiel, wo sich Bebauung verdichten dürfte oder wie sich Verkehrsachsen entwickeln. Kompliziert wird es, wenn mehrere Veränderungen gleichzeitig ins Spiel kommen.
Denn in einer Stadt hängt fast alles zusammen. Wo dichter gebaut wird, wächst meist auch der Druck auf Straßen und Verkehr. Wo neue Verkehrsachsen entstehen, ändern sich oft auch die angrenzenden Flächen. Und dann sind da noch die alten Muster, die weiterwirken. Selbst neue Quartiere folgen oft bestehenden Achsen, Grenzen und Strukturen.
Viele generative KI-Modelle stoßen genau dort an ihre Grenzen. Sie liefern zwar plausible Einzelausschnitte, aber im Gesamtbild entstehen Brüche. Straßen laufen ins Leere, Gebäudestrukturen wiederholen sich oder Nachbarflächen passen nicht sauber zusammen. Genau dieses Problem soll MMCN entschärfen.
Was MMCN anders macht
Die KI nutzt nicht nur aktuelle räumliche Daten, sondern auch Informationen aus mehreren Zeitpunkten. Sie erfasst also nicht nur den aktuellen Zustand eines Gebiets, sondern auch seine Entwicklung. In das Training flossen unter anderem Angaben zu Gebäudeanordnung, Bebauungsdichte, Gebäudehöhe und Verkehrsnetzen ein.
Als zentrales Beispiel diente Shenzhen. Die Stadt gilt als besonders dynamisch und eignet sich deshalb gut für solche Analysen. Zusätzliche Tests mit Daten aus Shanghai und Tianjin sollten zeigen, ob das Modell auch unter anderen räumlichen Bedingungen stabil bleibt.
Diffusionsmodell im Kern
Im Kern nutzt MMCN ein Diffusionsmodell, das durch mehrere Vorgaben gelenkt wird. Solche Modelle sind vor allem aus der KI-Bilderzeugung bekannt. Vereinfacht gesagt entsteht dabei schrittweise aus verrauschten Daten ein stimmiges Muster. Bei MMCN wird dieser Prozess aber mit mehreren Informationen zugleich gefüttert.
Die KI orientiert sich dabei etwa an Bebauungsdichte, Gebäudehöhen und Straßennetzen. Hinzu kommt ein räumliches Gedächtnis, das Informationen aus angrenzenden Bereichen festhält. Dadurch sollen die Übergänge zwischen einzelnen Ausschnitten stimmiger ausfallen.
Dr. Haoran Xie beschreibt das Ziel so: „Wir wollten die Lücke zwischen den heutigen KI-Möglichkeiten und den praktischen Anforderungen von Stadtplanerinnen und Stadtplanern schließen. Deshalb haben wir ein Vorhersagemodell entwickelt, das künftige Stadtstrukturen berechnen kann und dabei mehrere Faktoren der Stadtentwicklung sowie historische Muster gleichzeitig berücksichtigt …“
Im Test lag MMCN vorn
In den Tests trat MMCN gegen drei bekannte KI-Verfahren an: Pix2Pix, CycleGAN und Instruct-Pix2Pix. Diese Modelle stammen aus der Bildverarbeitung und dienen hier als allgemeine Vergleichsverfahren. Sie wurden also nicht speziell für Stadtplanung entwickelt, sondern dafür, ein Bild in ein anderes zu überführen.
Kurz erklärt:
- Pix2Pix lernt, aus einer vorgegebenen Eingabe ein möglichst passendes Zielbild zu erzeugen.
- CycleGAN kann zwischen zwei Bildwelten übersetzen, auch wenn die Trainingsdaten nicht exakt paarweise zueinander passen.
- Instruct-Pix2Pix verändert Bilder zusätzlich auf Basis von Textanweisungen.
Für Stadtstrukturen ist das nur bedingt ideal. Denn solche Verfahren können zwar Muster erkennen und umformen, sie achten aber nicht automatisch darauf, dass Straßennetze, Blockränder oder Übergänge zwischen benachbarten Flächen räumlich sauber zusammenpassen.
Genau dort lag MMCN in den Tests vorne. Nach Angaben der Autorinnen und Autoren erreichte das Modell einen SSIM-Wert von 0,885 und einen Boundary-IoU-Wert von 0,642. Der erste Wert beschreibt, wie stark die erzeugte Struktur dem Referenzmuster ähnelt. Der zweite zeigt, wie gut Grenzen und Übergänge getroffen werden. Gerade das ist bei Stadtmodellen wichtig. Denn wenn Straßen abbrechen oder benachbarte Flächen nicht sauber ineinandergreifen, verliert eine Simulation schnell an Wert.
Nach Darstellung des Teams erzeugte MMCN zusammenhängendere Straßennetze und geordnetere Gebäudestrukturen als die Vergleichsmodelle. Bei Pix2Pix, CycleGAN und Instruct-Pix2Pix traten demnach häufiger Brüche, doppelte Muster oder unverbundene Teilflächen auf.
Was das in der Praxis bringt
Die KI liefert keinen Blick in die Zukunft. Sie kann nicht sagen, wie eine konkrete Stadt in zehn Jahren tatsächlich aussehen wird. Was sie liefern kann, sind Szenarien. Grundlage dafür sind vorhandene Daten und Muster, die das Modell im Training gelernt hat. Vieles, was Stadtentwicklung in der Realität prägt, lässt sich damit aber nur unvollständig erfassen. Dazu zählen politische Entscheidungen, wirtschaftliche Krisen, neue Regeln, steigende Bodenpreise oder soziale Spannungen.
Gerade deshalb ist das Modell eher als Werkzeug zu verstehen als als Antwortmaschine. Es kann helfen, mögliche Entwicklungen früher sichtbar zu machen. Wenn Planerinnen und Planer verschiedene Eingriffe durchspielen, lassen sich räumliche Folgen für Bebauungsdichte, Verkehr oder Flächennutzung besser einschätzen. Die KI plant also nicht selbst. Sie unterstützt dabei, Folgen besser abzuwägen.
Wie es weitergehen könnte
Die Forschenden skizzieren bereits die nächsten Schritte. So könnten künftig Klimamodelle einfließen, um Umweltwirkungen stärker zu berücksichtigen. Auch sozioökonomische Daten wären sinnvoll, um die Ergebnisse näher an die reale Stadtentwicklung zu bringen. Denkbar sind außerdem interaktive Werkzeuge, die Planungsprozesse offener machen und mehr Beteiligung ermöglichen.
Xie formuliert es so: „Interaktive Planungswerkzeuge auf Basis von MMCN könnten die Beteiligung von Bevölkerung und anderen Interessengruppen an der Stadtgestaltung erleichtern und damit eine gemeinschaftliche Planung fördern.“
