为什么做#
Cremorne 是墨尔本 Richmond 旁边的一个小街区,聚集了约 700 家公司,不少人每天坐火车或电车来,再从车站走到办公室。夏天 35°C 的下午,走阴面还是晒着走差别很大;早高峰列车一到,Swan Street 的人行道几分钟内就会挤满。但这片街区几乎没有数据:Yarra 市政只装了 6 根智慧灯杆,数据还不公开。
Lumen 的数据来源不靠市政设施,而是街区里的租户:在办公室窗边放一个只上报人数的计数器,再结合建筑、行道树和路网等开放数据,给街区建一个数字孪生,结果同时提供给步行的人和做规划的人。整个系统分“感知 → 理解 → 行动”三层,可以在单机上离线运行,不依赖云端 API。
阴影跟着太阳走#
遮阴模型用 NOAA 算法算出任意时刻的太阳位置,把 2,835 栋建筑和 2,180 棵树的阴影投到 153 km 的步行路网上,每段路取较阴的一侧。建筑高度来自 OSM 的楼层数,树冠半径由 Yarra 市行道树数据里的树干直径估算。
在这个基础上,路线规划对任意起终点和时刻给出三条路:最短、最凉、最不拥挤,每条路都有 0–100 的舒适度评分。逐步导航里会提示“靠阴凉一侧走”。
从早到晚播放一天,阴影扫过街区,最凉路线跟着变。
舒适度评分只看两件事:晒不晒、挤不挤。34°C 以上全程暴晒扣 60 分,服务水平 E 级或更差扣 40 分:
Comfort = 100 − 60 × sun_fraction × min(H, 1) − 40 × min(LOS_penalty, 2) / 2
H = max(0, (T − 24) / 10)plaintext温度低于 24°C 时晒太阳不扣分,所以凉快的日子里最凉路线和最短路线是同一条,不会让人白绕路。
列车一到,人行道就挤#
人流模型按列车到站时刻生成人流脉冲,用人行道宽度算出高峰分钟的人流密度,再按 Fruin 服务水平(LOS A–F)给每段路分级。早上 8:45,列车到达 Richmond 站后,Swan Street 和 Cremorne Street 会达到 D 级。
8:45 早高峰:Swan Street 变成 D 级,最不拥挤路线绕开它。
从 Richmond 站走到 Dover House,最不拥挤路线多走 0.8 分钟,在拥挤路段的时间从 3.0 分钟降到 0.2 分钟。
What-if 情景推演#
What-if 面板面向街区管理方和市政,用来比较不同的遮阳投入。可以在地图上种树(小、中、大)、装遮阳帆和雨篷、移走一棵树,或者封闭一段人行道施工,然后立刻看到全部 304 条“车站 → 办公楼”步行路线的前后对比:晒太阳的分钟数、受益的路线数、舒适度、绕路时间,以及成本估算。
沿 Swan Street 种六棵大树,再把树龄从第 1 年拖到第 15 年。
树木按生长曲线建模:新种的树第 1 年几乎没有遮阴,约 15 年才长成完整树冠,可以用树龄滑块对比不同年份的效果。遮阳帆和雨篷从安装起就能遮阴,面板会标出哪些措施能在 12 个月内完成。
每次修改只重算受影响的部分:只重新测试新增或移除的阴影范围内的采样点,只为最优路径经过变化路段的起终点重新规划路线(通常是 304 条中的 20–60 条)。一次重算约 0.1–0.5 秒。方案可以命名保存、并排比较,并导出 CSV。所有结果都标注为“模型估算”,成本是规划参考区间,不是报价。
无障碍路线#
车站、电车站、路缘坡道、信号灯过街、台阶、无障碍车位和卫生间都来自 OpenStreetMap。打开“无障碍”开关后,每条路线都会避开台阶和高路缘,优先走信号灯过街;电车站没有平层站台时会提醒。
East Richmond 站到 The Comfort Shop:打开无障碍后绕开一段台阶,多走 0.7 分钟。
手机端#
控制台面向街区管理方和市政。其他人用手机 PWA,首页只显示今天和自己有关的一两件事。不需要登录,也不读取定位,设置只存在手机本地,每次请求只带地点 ID。
左起:今日卡片、附近、Ask Lumen。
- 今日卡片:几点从车站出发、走哪条路,比最短路线少晒几分钟、少挤几分钟、多走几分钟。可以在自动、最短、最阴、最安静四种走法之间切换,并按步骤导航。
- 附近:选好要做什么(咖啡、简餐、找个阴凉处坐坐、厕所、取现……)和有多少时间,Lumen 只列出走过去、办完事、再走回来都来得及的地方。阴凉处按“坐着的这段时间里”有多少阴影排序。
- Lumen Local:Cremorne 的独立小店、健身房和课程,连锁店不算在内。今日卡片会指出路线旁边的一两家,比如“Abbotsford Cycles · 绕路 1.6 分钟”。
- 其他角色:送货司机看到每条常走街道全天的拥挤时段和最佳卸货窗口,也可以通过短信接收(目前为模拟的短信会话);商户看到店门口每小时的人流,和上周同一天比较。
隐私和本地 LLM#
窗口节点只发送人数,不发送图像。服务器拒绝任何带 image 字段的数据,返回 HTTP 422。目前的计数器用摄像头加 YOLOv8n + ByteTrack 计数,硬件上也可以换成 ESP32-S3 加 24 GHz 毫米波雷达,完全不用摄像头。
晨报(面向租户员工的 Slack 消息样式)和 Ask Lumen 问答可以接一个本地 Ollama 模型。模型只负责改写措辞和调用工具,所有数字由后端计算;如果模型输出里有任何数字和后端算出的不一致,就退回确定性的模板。没有 Ollama 时,晨报用模板,Ask Lumen 用规则路由,所有功能照常可用。
结果#
离线评估覆盖从 4 个车站到 76 栋办公楼的 304 条步行路线:
| 场景 | 最凉路线减少的晒太阳时间(中位数) | 绕路中位数 | 有改善的路线 |
|---|---|---|---|
| 炎热日 35°C · 15:30 | −41%(少晒 1.8 分钟) | 0.5 分钟 | 80% |
| 炎热日 · 8:45(26.9°C) | −46%(少晒 2.1 分钟) | 0.2 分钟 | 87% |
| 温和对照日 21°C · 15:30 | 0%(按设计不绕路) | 0 | 0% |
拥挤方面,炎热日 8:45 有 94 条路线经过 D 级或更差的路段。最不拥挤路线把这些路线在拥挤路段上的时间中位数减少了 93%,绕路中位数 0.8 分钟。
需要说明的是,窗口节点并未实际部署,地图上 13 个节点的读数由人流模型模拟生成;缺失的建筑高度按楼层数或建筑类型估算;列车班次是静态近似。这些在界面上都有标注。
技术实现#
后端是 Python + FastAPI,几何计算用 Shapely,路网用 NetworkX,数值计算用 NumPy,实时数据通过 SSE 推送,也支持 MQTT。前端是 Vite + React + TypeScript + MapLibre GL:/ 是控制台,/m 是手机 PWA。一个 FastAPI 进程同时提供 API、前端和 PWA,离线也能运行。