阐述了如何利用空间分析、数字感知手段及虚拟模拟技术，对空间构型和人类行为进行量化、追踪与模拟，为行为性能化设计提供了科学、数据化的支持。
一、 空间句法与空间构型的量化分析
空间句法（Space Syntax）是本章探讨的空间构型量化分析的核心理论与工具。
- 构型（Configuration）的定义：空间句法创始人比尔·希列尔（Bill Hillier）将构型定义为“一组相互独立的空间关系系统”，其中任何一个要素的改变都会引起系统内其他很多元素及整体构型的连锁变化。希列尔指出，对构型的表述是建筑学理论的前提基础。
- 空间关系图解的转译：通过将房间等空间简化为“圆圈节点”，将它们之间的连接关系简化为“短线”，建筑平面便可转译为关系图解，最基本的结构包括链形结构、树型结构和环型结构。
- 拓扑计算与集成度（Integration）：基于拓扑计算，空间句法发展出了五个基本变量来定量描述构型。例如，在对古典建筑立面的网格分析中，格子的填充色深浅可代表集成度的高低（深色代表高集成度）。通过计算，分析揭示出中央集中的垂直结构与线性水平结构，是古典立面中最普遍的形式主题。
- 障碍操作实验（Obstacle Manipulation Experiment）：这是一种通过在规则网格中隔断某些格子联系（模拟墙体或阻碍物）来观察深度值变化的实验。实验表明，将阻挡物放在空间中间比放在边缘会带来更大的总深度值，阻碍越强，总深度值越大。这对于室内空间和开放空间的配置设计具有直接的指导意义。
- 三种基本空间分割方法：将复杂真实的城市和建筑划分为均质网格过于理想化，因此空间句法发展出了三种最基本的空间划分方法：
- 凸空间（Convex Space）：数学上指空间内任意两点的连线均完全处于该空间内（即不包含凹角部分）。在凸空间内，所有人都能彼此看见，从而达到充分稳定的了解与互动，它表达的是静止状态的使用和聚集。
- 轴线空间（Axial Space）。
- 视域/失域（Isovist）：指空间中某一点所能看到的区域。在实际操作中，通常选择道路交叉口、转折点等具有空间转换战略性地位的“特征点”，求出其视域并转译为关系图解进行计算。
- 主流分析工具 Depthmap：经过多年的发展，Depthmap 已成为当前最流行的空间句法分析工具，能提供一系列量化描述和空间拓扑形态参数，其分析范围涵盖建筑内部空间、外部城市网络、甚至大型国家及地球尺度的关联。
二、 数据导向的行为感知技术
行为规律的解析需要从多维度对行为数据进行采集。通过建立行为数据与数字化信息之间的关联，可以为大数据的行为性能化研究奠定基础。
- 传统观察法的数字化改造——行为标注法（Behavior Mapping）：
- 案例一（学前体育活动）：2010年，北卡罗来纳大学设计学院的 Nila Costco 运用行为标注法直接观察和收集儿童的微观户外活动数据及环境情况，用以研究两者的关联，进而推导更有益于儿童的户外环境设计策略。
- 案例二（GIS与数据库结合）：2005年，爱达荷大学的 Bara Golinake 将行为标注法与 GIS 结合，建立了行为数据库，将纸质媒介记录的行为数据转变为数字信息。
- 方法严谨性：行为标注法虽然人工收集的样本量较小，但通过控制观察频率，能间接实现随机性要求。此外，在实验开始前对行为进行严格分类，能避免观察者的主观印象介入。
- 室内定位系统（IPS）与轨迹追踪：人流是显现度高、易于量化的集群行为，流线设计也是建筑设计的重头戏，因此人流追踪是环境行为学的重要切入点。随着室内定位技术和大数据的快速发展，全方位、长时间的行为轨迹记录已成为可能。主要定位技术包括：
- WiFi定位技术：基于接收信号强度（RSS）。移动设备发射的请求及信号强度的衰减可用于计算设备与接入点（AP）之间的距离。通过布置多个 AP 并进行多点定位，可描述出连续的行为轨迹。例如，萨斯喀彻温大学规划学院的 Ast Ple 曾在校园内通过 WiFi 定位，在 30 天内收集了 3600 万条位置数据并进行了可视化分析。
- 无线电信号识别（RFID）技术：由询问器和戴在人肩膀或手臂上、拥有唯一 ID 编码的应答器组成，通过发射无线电波探测位置。例如，金陵大学的区小宇与冈山理科大学的松下大辅利用此技术统计了居民在客厅、厨房、卧室等房间的逗留时间、移动频率等，客观呈现了房间使用情况。
- 超宽带（UWB）定位技术：使用带宽超过 500 MHz 或相对带宽超过 20% 的信号，具有功耗低、稳定性强、测量精度极高（理论上可达厘米甚至毫米级）的特征。定位系统由空间中固定的基站（Anchor point）和被追踪对象携带的信号发射计（Tag）组成。同济大学团队已基于 UWB 室内定位系统开展了大量行为数据的收集与可视化研究。
三、 行为性能分析与模拟方法
为了在抽象行为数据与空间设计之间架起桥梁，需要构建高效的可视化和模拟系统。
- 数据可视化编程工具：常用编程语言包括 JavaScript、Python、R 语言、Processing 和 CAD 等，常用库包括 JSON、JQ 和 Rhino Grasshopper。
- JavaScript 与 ECharts：作为前端开发的优秀工具，ECharts 等 JS 可视化库能够兼容大部分浏览器并在显示终端上顺畅运行，非常适合展示交互式的动态数据。
- 多代理人与集群智能算法（Swarm Intelligence）：随着人工智能的崛起，基于多代理人系统（MAS）的集群智能算法已成为行为模拟的主流。集群智能算法能促使系统重构出宏观秩序，其“涌现”机制摆脱了传统单一目标仿真所带来的趋同性和单一指向性。
- 主流模拟平台与软件：
- Rhino & Grasshopper：作为一个高集成度平台，Rhino 借助 Grasshopper 上的各种工具包可以非常方便地实现复杂的行为模拟功能。
- Unity 平台：多用于游戏开发，但其对三维模型的动画制作极为友好，且脚本编辑的可视化和实时除错程度很高。Unity 具有极好的跨平台兼容性，开发内容可以轻松打包发布为 iOS、Windows 等不同终端的 APP。
同济大学/第3章 数字建筑学的性能化技术方法/3.3 行为模拟/3.3.2 行为性能感知与模拟 （内容非AI生成 ©读行 • Readwiki™Studio 
，转载注明来源）
，转载注明来源）