该控制是通过将ccc作为附加输入提供给D和G来实现的。对于G来说，这是通过将ccc与先前的输入噪声pz（zzz）相结合来实现的。有了这个附加的输入ccc，最小对策的目标函数是:mingmaxdv(D，G)=exxxμpdata(xxx)[ln D(xxxcc)]+ezzμpz(zzz)[ln(1*D(G(zzzcc)))](4)3.3。条件变分自动编码器CVAE的结构与VAE相似，具有先编码器网络和解码器网络。然而，在ECVAE中，编码器和解码器是以附加属性CCC为条件的。编码器用Q_4(zzzxxx，ccc)描述，解码器用P(xxxzz，ccc)描述。Q和P本质上是反映同一事物的两个复合神经网络。Q将输入的xxx和条件特征ccc投影到潜在空间中，P重构一个合成agent，在给定条件特征和机器人层Z的情况下，再现真实的agent。因此，条件特征在Q和P处都被输入到网络中，如图2所示。瓶颈维dzi经常小于原始输入维M，但是，也可以应用dz>mb的替代版本。在理论上，低维瓶颈应该确保在低维空间中表示该true分布，理想情况下接近真实的底层维。条件变量如图2所示。与VAE相比，CVAE是一个扩展，它包括：提交给Elsevier的12Population synthesis for urban Dependent generative Models的第4页的预印本，使用deep generative Models进行城市居民建模。附加条件变量ccc作为网络的输入。在训练过程中，利用交叉熵损失和Kullback-Leibler(KL)散度相结合的损失函数对CVAE进行优化。交叉熵损失（descrebedbyce(xxx,恰x,xx,xx）=*n…i=1xixilog（xi,xi,xi）xi+(1*xixixi)log(1*xixixi)log(1*xixi)xi)(5)度量解码器的重构损失，而KL散度（dkl[q_(zzz)p(zzz)]=*12dz…k=1(1+log k k k*k k k2*k k k k)(6)度量潜在变量分叉与高斯先验之间的散度，其中q_(zzz)=n(，)和p(zzz)=n(0,IDz）.请注意，和是Q的输出，并得到近似的后验结果。方程5和6让我们将损失函数定义为方程7中的拟合法问题。Miné,L(é,）=ce(xxx,xxs,xxs）+dkl[Q\\(zzz)p(zzz)](7)其中有一个超参数权重，它是正则化项，由KL发散形式化。神经网络通过反求过程而产生。为了能够通过Q和P进行反向传播，必须将随机性与学习的参数分开。这是一种被称为reparameterizationtrick的技术。从技术上讲，潜在变量zzz是从的，和创建的，因此zzz不是直接sam-pled的，这使得我们可以通过整个网络进行反向传播。经验分布表为比较本文所述模型的生成性能，本文以经验分布表作为基准模型。经验分布表本质上是观察到的分布，给出了条件特征的组合。分布都是离散的，因为数据被分成离散的分类特征。通常，在低维数据集上使用经验分布将提供一个强有力的基线模型，因为可能的值组合的数量变得足够小，足以被原始数据集所覆盖。经验分布表可以用来评估模型输出的边际分布、二元分布和三元分布上的每共振峰类型。所有的分布表都是离散的分布表，其bins相当于数据集中的bins。

在评估经验分布表的性能时，记住保持可伸缩性是至关重要的。在条件间有适度组合的数据集上，当测试数据和训练数据重新反映相同的分布时，经验分布的性能可能优于任何模型。然而，随着组合数量的增加，它们变得不可行和性能差。通过在训练集中建立一个包含所有条件组合的分布表来采样边缘值。在形式上，我们可以用pX(x)来描述边际概率分布。利用计算出的分布表，我们可以通过从组合器IALTABLES中抽取样本来对基于经验分布的合成总体进行抽样。这种简单的方法用于生成基准表。由于组合器ial表是由训练集（全部数据集的68%）制成的，所以可以在测试集中而不是训练集中对条件项的组合进行计数。如果满足这些未知组合，则从列车组的总体分布中抽取样本，分别在两个或三个变量pX，Y(x，Y)和pX，Y，Z(x，Y，Z)上通过联合概率分布计算出二元概率和三元概率。实验群体合成的目标是在给定的领域内生成具有特定属性的真实智能体。本文提出了一种应用于城市住宅和房地产领域的人口综合的方法，并将其作为城市房地产模型。利用生态公园城市中真实的城市居民的特征，以现有的业主为代表，我们将生成模型训练成相似的城市居民。然而，我们不仅希望在生态公园的城市中生成城市居民。我们希望根据特定的财产属性生成城市居民，如财产类型（别墅、联排别墅、公寓）、大小、价格等。这样一个应用程序Lica的目的是让城市规划人员和销售团队在特定的房地产项目的基础上，根据具体情况，获得关于居民的可供决策支持的数据。通过本文提出的人口综合应用程序，考虑到模型的条件方面，甚至在项目建成和入住之前就可以生成居民。生态公园镇专注于智能城市发展，目前正在接待越来越多的多样化的AP人口--来自近50个城市的近21,000名居民。图3提供了EcoparkTownship的可视化表示，其中三分之一目前正在开发。首先，我们使用由条件特征和输出特征组成的数据训练一个模型（读者请参见表：预印本提交给Elsevier的12Population synthesis for urban Deposition modeling使用deep generative Models的城市居民建模第5页图3：Ecopark township位于越南河内外约15公里处。总面积为500公顷。ModelTrainingConditionalFeatures现有的构建项目smodelSamplingConditionalFeatures Nthesi提供edurbanResidentsDownStreamtaskSoutputFeatures图4：实验设置的可视化，其中白色和灰色其次，我们可以利用条件特征对一个新的房地产项目从所得的分布中抽取综合的城市居民。最后，采样的输出特征可以在下游的任务中使用。数据描述为了生成生态公园中的城市居民，CVAE和CGAN需要一个由两个特征对组成的数据集；特征到begenerated和条件特征。

在本文的其余部分，我们将把figurrst类型的特征称为out-put特征，把第二种类型的特征称为conditionalfeatures。有关CGAN和CVAEE如何在训练期间使用输出特征和条件特征的说明，读者请参阅第1和第2段。输出特征是关于EcoPark中当前财产所有者的匿名人口统计信息。通过训练一个生成模型来生成由人口特征所决定的城市住宅购房者，Ecopark将得到一个关于潜在潜在购房者的详细定性概述，这可以作为围绕新项目的战略决策的支持。此外，城市居民扫描作为后续下游模型的输入。本文没有实现下游模型，但可以是特征#特征类型类别描述1年龄输出8居民年龄2性别输出2男性或女性客户3国家输出12居民国家4投资者输出2如果客户拥有超过1套房产5先验房屋输出12客户曾经居住的地区6距离_阶段1条件4到市中心的距离1在生态公园7距离_阶段2条件4到市中心的距离2在生态公园8距离_绿色环保条件4到绿色环保学校的距离9销售价格条件11房产销售价格10大小条件5房产大小11楼层条件5公寓面积（仅适用于公寓）12房产类型条件3财产类型；别墅，联排别墅，公寓1功能概述。类型指示该功能是输出功能的一部分还是条件功能的一部分。在模型采样过程中，对每一个城市居民生成输出特征，并使用条件特征作为输入，对城市居民的特征进行分析和条件化。请注意，所有特征，无论是输出特征还是condi-condional特征，都被离散为分类特征。总共获得了6,893个观察结果。对于销售团队和城市规划者都有价值。条件特征不是个人特定的，而是更多的属性特定的，因为条件特征应该在新的城市资源生成时输入模型。条件特性由基本属性组成。直观地说，我们预计未来的城市环境将在某些人口特征和特定的财产属性之间具有相关性，如类型、位置等。表1提供了输出特征、条件特征以及简短描述的概述。模型中使用的所有特征，无论是输出还是condi-，都被离散为分类特征。在整个论文中使用范畴特征有两个原因。直观地说，限制输出的模型interms是有意义的。如果变量不是分类的，themodel有更多的自由来生成不切实际的值。此外，许多特征从本质上来说已经是分类的。Ecopark从2008-2019年的房地产销售中总共获得了6,893次观察。由于模型性能可能严重依赖于变量之间的组合数，我们在下一节中考虑了两个版本的数据集。这两个版本的分类箱的阈值不同。例如，年龄间隔和价格间隔可以是任意大小的。这两个版本具有表1所示的相同特性，但具有不同的分类维度：1。原始数据集，由表1中categories列中删除的bin大小组成。原始数据集的输出维数为36，传统维数为36.2。扩展的数据集增加了所选特征中的分类数量；年龄，距离，价格，大小和容量。

扩展类别给出了45个输出Demen-sion和49个条件维度。：预印本提交Elsevier的12人口综合第6页，用于使用深度生成模型进行城市居民建模sa？ca(5%)(90%)t.(10%)(20%)(95%)t？a？a？a？a？a？a？a？a？a？a？a？a？a？a？a？p？图5：将数据集拆分为应用、测试、训练和验证的可视化。我们在训练和验证数据集上使用K=5的交叉验证，如firegure.4.2所示。结果和讨论在训练之前，数据被分成四个不同的数据集：训练、验证、测试和应用，如第5章所示。不需要应用程序集。然而，这是一种展示这种流行综合应用在现实世界中潜力的方法。假设Ecopark在新的房地产项目中使用人口合成应用程序作为工具。在这种情况下，Ecopark应该能够为一个新项目输入基本属性，模型应该为该项目中的每个单元生成输出特性。例如，Ecopark可以为一个由200栋联排别墅组成的项目生成，该模型将为200栋联排别墅中的每个单元生成城市潜在买家。DefinnedApplication集合由440个住宅买家组成（大约占总数据集的5%），来自两个名为“Rung Co A”和“Rung Co E”的高层建筑，这两个高层建筑都来自该房地产项目。dat a的其余部分分为AP--近90%的训练和10%的测试。在测试和应用程序集合中，经过修改的数据包保留了大约15%的数据不可见。在训练期间，在交叉验证循环(K=5)中，训练数据被分成80%的训练和20%的验证。训练集用于对CGAN和CVAE（权重和偏差）的内部参数进行筛选，而验证集用于选择产生最佳性能的超参数。CVAE以类似网格搜索的方式进行训练，其中大量的模型都是在双超参数上训练的。进行了72个不同参数的实验；批量大小、隐藏层、跨层隐藏单元、瓶颈大小、学习速率、优化器、betavalues、激活函数和时间数。最佳模型的特点是有一个隐藏层和25-30之间的高领维数。bestmodel体系结构的详细信息将在后面提供。在训练过程中，每100次迭代计算验证损失和验证距离测度，CGAN的训练与CVAE的训练相同。同样地，各种模型都带有不同的超参数。不同的超参数测试已经通过：批量大小，隐藏层，hid-den单位，学习率，激活函数和时间数。我们在生成器和鉴别器中分别实验了1,2,3个隐藏层。在训练过程中，每100次迭代计算验证偏差测度，并计算经验分布与模型输出之间的均方根误差(SRMSE)。考虑到边际分布、二元分布和三元分布，很明显哪个模型最接近数据集上的边际和部分连接分布。文献[8]中所描述的SRMSE:SRMSE=RMSE(N=V…I……J(恰I.J*I…J)2NC(8)，其中I…JA是变量I…JA的部分连接分布，NCS是所比较的bins总数。另外两个标准度量也被用来评估性能；r平方(R2)和皮尔森相关系数。在此基础上，给出了所有实验中的最佳CVAE和CGAN,以及它们在原始数据集和扩展数据集上的性能，并与基线模型进行了比较。

在验证、测试和应用程序集中都显示了性能，但是，验证性能分别决定了哪种模型体系结构对CVAE和CGAN是最优的。一般情况下，SRMSE-score越低越好，CVAE和CGAN的大量实验都是用SRMSE-score在最佳K倍的验证集上进行评价的。SRMSE是在生成的和真实的SAM-PLES的边缘分布上计算的。此外，我们还评估了SRMSE在所有k-折叠上的平均性能和标准性能，以及模型产生零样本的能力。零采样被定义为模型的生成能力，以生成真实城市中没有遇到的综合城市居民。从使用CGAN进行的所有实验中，我们在使用批大小为64个、学习速率为0.001的RMSProp优化器、在生成器和鉴别器中包含1200个隐藏单元的一个隐藏层的验证数据上获得了最低的SRMSE得分。所考察的隐单元数为；40、80、120、200、400、800、1200和1400。增加隐藏单元的数量会导致一个较低的srMSE，直到隐藏单元的数量超过1200。这个模型被训练了51个纪元，因为当训练超过51个纪元时，我们发现10%的情况会超过验证数据。从对CVAE进行的72次实验中，发现最佳结构是：一个包含50个隐藏单元的隐藏层，瓶颈维数为25,尺寸为32,预印本提交Elsevier的《城市居民建模用deep generative modelsModel Marg的12population synthesis for urban Dependent Denerative Models》第7页。零样本（pct.）原始数据ACVAE 0.463 0.564 0.084 1.020 CGAN 0.771 0.734 0.031 0.939基线0.373--扩展数据ACVAE 0.660 0.625 0.062 2.370 CGAN 0.850 0.802 0.047 2.550基线0.491--表2验证集上最佳CVAE和CGAN的性能。在SRMSE中，通过生成的样本和真实样本之间的边际分布来衡量性能。结果显示了原始数据集和扩展数据集。并提供了稳定模型训练的证据。每一列的最佳性能以b old.学习率为0.001，RMSProp优化器，beta值为0.5，ELU激活函数和500个训练周期表示。更复杂的体系结构导致SRMSE性能下降。更多的训练周期导致更多的零样本，但在更晚的周期中SRMSE性能更差，导致过早停止。然而，CVAE并没有显示出过度训练的迹象，即使有许多训练周期。表2显示了原始数据集和扩展数据集的性能。对表2的检查表明，在最佳k倍的验证集上，基线在边际上优于生成模型CVAE和CGAN。对于原始数据集和扩展数据集都是这样，但是，可以在数据集的内部大小中找到这种行为的几个原因。在高维问题中，特征之间的组合数可以以千亿为单位。给定可用的特征类别，组合被定义为anagent的组成。表1列出了原始数据集中的特征和类别数。将Output变量中的类别数相乘，总共得到4,608个理论组合。在扩展的数据集中，这里有7488个理论组合。考虑到这个相对较少的com-bindation，经验分布（也就是基线）预计会做得很好。随着功能数量的增加，可能的组合数量也会增加。如果有一定数量的组合，那么em-pirical分布实际上是不可行的。然而，对于较小的数据集，经验分布将是AC-Curate。

考虑到这一点，这些模型显示了相对于基线的良好性能，因为我们可以认为基线在性能方面是一个非平凡的模型。鉴于表2中的结果，生成模型为何优于基线有两个主要原因；然而，生成模型是可伸缩的，这意味着EcoParks可以添加更多的特性，同时继续将不同的服务数字化。更多的特性可能会在不降低性能的情况下增加应用程序的价值，就像基线最终会发生的那样。第二，bothTest ApplicationModel Marg。比瓦尔。特里瓦尔。1个Trivar。月2日。比瓦尔。特里瓦尔。1个Trivar。2原始原始CVAE 0.609 0.326 0.422 0.361 0.691 0.187 0.414 0.342 CGAN 0.855 0.434 0.495 0.475 0.810 0.208 0.592 0.442基线0.663 0.383 0.498 0.444 0.712 0.275 0.352 0.271扩展扩展CVAE 0.796 0.412 0.462 0.418 0.456 0.517 0.421 CGAN 1.102 0.527 0.801 0.662 0.955 0.600 0.770 0.618基线0.746 0.347 0.477 0.443 0.868 0.404 0.546 0.451表3最佳CVAE和最佳CGAN在测试和应用数据集上的表现。这些模型相互比较，并使用边际分布、二元分布和三元分布上的SRMSE距离作为基线。年龄和国籍之间的双变量分布。三变量分布1介于年龄、国籍和以前的家庭差异之间。三元分布2介于年龄、以前的家庭状况和投资者之间。每一列中最好的性能都用黑体标出。生成模型可以生成零样本，而基线是不可能的。另一个关键观察是，与两个数据集的基线相比，模型在生成扩展数据集上所需的零样本方面明显更好，同时不会丢失SRMSE。在进一步讨论模型的性能和结果时，较高的零样本损失了太多的性能，有利于扩展数据集对原始数据集的设置。为了进一步分析模型性能，我们研究了测试集和应用集的生成性能，这些在训练过程中没有被发现。在边际分布的基础上，将per-formance扩展为部分联合分布，即二元和三元分布。请注意，在应用程序集上测试模型性能演示了Ecopark如何在现实环境中使用themodel，因为我们实际上是在为一个完全封闭的未见房地产项目同步调整未来城市居民的规模。表3提供了测试和应用程序集的性能概述，包括原始数据集和扩展数据集。从表3可以明显看出，CVAE与基线相当，甚至在两个三变量SRMSE度量标准的扩展数据上优于基线。在验证、测试和应用程序数据集（表2和表3）上，CVAE向CGAN发布。到底是什么导致了CGAN的这种不佳表现尚不清楚，无论如何，GAN通常被认为是训练的邪教。训练GAN类似于盲目搜索，因为在训练过程中，没有任何指标表明性能何时收敛。此外，GAN和CGAN都可以避免模式崩溃的问题。模式折叠最好被描述为CGAN学习一个过于简单的分布，其中生成器将多个输入映射到鉴别器接受的单个输出。这导致CGAN在学习真实分布时失败，并生成多样性低的样本。：预印本提交给Elsevier的《使用深度生成模型进行城市居民建模的12Population synthesis》第8页图6：以对数刻度显示的预期输出变量的边际分布，以强调低概率区域。

从表2和表3可以看出，扩展数据在验证、测试和应用程序数据上都得到了更高的SRMSE。这是意料之中的，因为与原始数据集相比，扩展的数据集具有明显更高的维数。随着扩展数据维数的增加，CVAE在两个测试应用数据上的两个三变量分布上似乎略优于基线。在试验和应用数据上的SRMSE或多或少与标准一致（除双变量分布外）表明CVAE可以在现实生活中产生居民。在Figurgure6中对边际分布进行了研究和验证，显示了在试验集条件下由Cecgan，CVAE和基线产生的样本，并与最大集的真实边际分布进行了比较。在图6中，所有的输出变量都是可视化的，并且在大多数AT上都具有良好的近似边际分布，所有的输出变量都是可视化的，所有的输出变量都是可视化的，所有的输出变量都是可视化的，所有的输出变量都是可视化的，所有的输出变量都是可视化的，所有的输出变量都是可视的。不一致最明显的是国籍属性，其中低概率值，即美国和信息技术，没有被CGAN或CVAE捕获。这很可能是国籍属性的普遍问题，因为许多国籍在数据中被大大低估。同样值得注意的是，基线采样的是中国(CN)居民，而不是testset（真正的分布条）中的居民。解决这一问题的一个可能的办法是将低频国家，如美国，归入一个类别，例如“西方国家”。另一个明显的不一致是CVAE模型在给定测试集条件的情况下生成“80岁以上”的居民。不能生成“80+”字符可能是与低频国籍类别中的no-ticed相同问题的结果。在对数标度上绘制了分叉图，因此“80+”年SEG-(a)条件变分自动编码器(b)条件生成对抗网络(c)基线7：从左到右；1）年龄和国籍之间的二元分布，2)年龄、国籍和前家乡之间的三元分布，3)年龄、前家乡和投资者之间的三元分布。散点图表示扩展测试集的抽样代理与真实代理之间的部分联合分布。轴在垂直和水平轴上都以归一化的bin频率去标注。当不在对数比例上绘制时，数据中显然没有去表示。一个解决方案可以是在最近的区间中包含低概率年龄值，减少尾部的低频区间。然而，考虑到边缘分布的单独说明是不够的。我们还需要评估par-tial联合分布。图7说明了对模型的生成性能进行压力测试的部分联合分布的性能。在7中，对模型在部分联合分布中生成代理的能力进行了评估。每个图都代表了一个模型在测试集中创建agents acrosstwo或三个变量的能力。这些点表示变量之间的组合和该组合的频率。例如，offigure7(a)，最左边的图；每个点代表年龄和国籍的组合，例如30-35岁和越南人，以及每个组合中抽样和真实代理人的数量。每个组合中的抽样和真实代理的数量都以归一化轴为单位。

如果在双变量情况下比较的两个变量中，抽样量和True：提交给Elsevier的使用深度生成modelsagents的城市居民建模的12Population synthesis第9页的预印本相等，则点将位于虚线对角线上，从而产生有利的生成性能。对(a)、(b)和(c)项的检查表明，与CGAN相比，ECVAE在捕获部分联合分布方面优于CGAN。CVAE和基线都系统地围绕对角线分布，如表3所示，CVAEI在两个三变量分布中最好。部分联合分布被绘制为附录部分联合集合在扩展的应用数据集图8。一些图显示了网格状的点结构，这是由低维数据产生的，变量之间很少组合。我们通常可以说，在不同的性能指标下，模型的性能是稳定的；PCT.零样本和边缘分布、二元分布和三元分布的SRMSE。在测试应用程序集的高维扩展数据集中，CVAE的性能优于基线。CVAE的零抽样能力、标度能力和对前向数据集的生成性能，证明了CVAE是城市居民模型在人口综合应用中的最佳选择模型。最佳的模型可以用来生成综合的城市居民，并显示进一步的下行任务。下游任务可以围绕以下概念构建；城市居民的流动性预测，即公共交通模式和车辆拥有率；入住率预测，即评估有多少城市住宅购买者将搬进该物业的预测模型；以及城市居民聚集模型，以识别相关的居住群体。然而，这些模型在今后的工作中被排除在外。结论和未来的工作我们发现深度生成模型是一个强大的工具来建模联合分布，从而为基于Agent的模型创建同步Agent。该方法的一个关键优点是它对高维dat a集的可扩展性。研究人员或实践者可以从具有数百个特征的总体中获得样本，在给定足够大的样本容量和适当的神经网络训练的情况下，从总体分布中生成样本。性能最好的模型是条件变量自动编码器(CVAE)，其体系结构由一个隐藏层和50个隐藏单元组成，瓶颈维数为25。表3的结果表明，CVAE优于代表经验分布的基线模型，有利于推广测试和应用数据。基线在其生成性能上优于验证集上的边际分布。然而，当考虑测试集和应用集的性能时，在部分联合分布上，CVAE优于基线，这表明了深度生成模型的优越性，在扩展应用集上，CVAE在四个SRMSE距离度量中有三个优于基线，尤其是在部分联合分布上。结果还提供了证据，表明当离散化输入变量时，与基线相比，深度生成模型得到了改进。在高维数据上的改进表明模型在增加数据维数时具有可伸缩性，这在许多问题中是一个很受重视的特性，包括本文所描述的城市居民建模。在她的工作中，我们将探索这些特性在ABMS中的应用。

交通需求模型和能量模型的初步结果表明，它们可以很好地应用于此类任务。未来可能的工作中的其他有趣的ar-eas与本文提出的模型的e-cient和稳定性有关。havingstable培训的目标是使这个过程对不了解神经网络建模所有细节的从业者来说不是一个“黑箱”。这个未来的方向可以通过与机器学习文献的持续反馈来发挥杠杆作用，在这些问题至关重要的地方。：提交给Elsevier的预印本，12Population synthesis for urban Department generative Models使用deep generative Modelsa的城市居民建模第10页。附录1。扩展应用数据集(a)、条件变分自动编码器(b)、条件生成对抗网络(c)中的部分连接8：扩展应用数据集中部分连接的性能。从左到右；（1）年龄、国籍之间的二元分布；（2）年龄、国籍、前家乡之间的三元分布；（3）年龄、前家乡、后家乡之间的三元分布。散点图表示来自扩展应用集的抽样代理与来自扩展应用集的真实代理之间的部分联合分布。这些轴都用正规化的bin频率表示。参考文献[1]Alejandro,Y.,Palafox,L.,2019。应用ma-chine学习进行人口预测。《软计算进展》，Springer InternationalPublishing 978-3-030-33749-0。[2]Andrej Karpathy,Pieter Abbeel,Greg Brockman等。GenerativeModels.网址:https://openai.com/blog/generative-models/.[3]Arjovsky,M.,Chintala,S.,Bottou,L.,2017。瓦瑟斯坦·甘。arxiv:1701.07875。[4]巴杜-马尔福，G.，Farooq，B.，Paterson,Z.，2020年。用于表格和序列人口合成的复合旅行生成对抗网络。[5]宾，杰，加德纳，李英，刘志，2019.房地产估价的同行相依估价模型。数据支持的发现和应用3。DOI:10.1007/S41688-018-0027-0.[6]Borysov,S.,Rich,J.,Pereira,F.,2019a。如何生成微代理？人口综合的深度生成建模方法。运输研究。C部分：新兴技术106,73-97.Doi:10.1016/J.Trc.2019.07.006.[7]Borysov,S.,Rich,J.,Pereira,F.,2019b.具有深度生成建模的可伸缩种群综合。爱思唯尔。[8]博里索夫，S.S.，Rich,J.，2019。引入超级伪面板：运输偏好动力学的应用。ARXIV:1903.00516。[9]布姆加德纳，J.，2020年。Citybldr网站：https://www.Citybldr.com/solutionsURL:https://www.citybldr.com/solutions.[10]Choi,E.,Biswal,S.,Malin,B.,Duke,J.,Stewart,W.F.,Sun,J.,2017.使用生成性广告网络生成多标签离散病人记录。ARXIV:1703.06490.[11]CIO-应用程序，2019年。2019年10大proptech公司：www.proptech.cioapplicationseurope.com。网址:https://proptech.cioapplicationseurope.com/vendors/top-proptech-companies.html.[12]Deller,S.C.,Tsai,T.H.,Marcouiller,D.W.,English,D.B.,2001年。农村经济增长中的生活质量和生活设施问题。Amer-ican农业经济学杂志83,352-365.[13]Farooq,B.,Bierlaire,M.,Hurtubia,R.,Fl"otterd，G.,2013。基于仿真的种群综合。运输研究B部分：方法58。Doi:10.1016/J.Trb.2013.09.012.[14]Fedus,W.,Goodfellow,I.,Dai,A.M.，2018。Maskgan：通过arxiv:1801.07736中的数据生成更好的文本。[15]“Garrido,S.,Borysov,S.,Pereira,F.,Rich,J.，2019。人口合成中稀薄特征组合的预测：深度生成模型的应用。爱思唯尔。[16]Go-Weekly,2020。Go weekly杂志：房地产20家最具创新力的公司（orproptech）。

网址:https://medium.com/go-weekly-blog/the-20-mest-in-in-in-in-real-esterate-or-proptech公司-2E0242B80E32.[17]戈麦斯，A.B.，莫雷诺，A.J.，伊图拉特，R.，伯南德斯，O.，阿方索，C.，2018年。利用机器学习识别房地产机会。ARXIV ABS/1809.04933.[18]古德费洛，I.，Bengio,Y.，Courville,A.，2016。深度学习。19 Goodfellow,I.J.,Pouget-Abadie,J.,Mirza,M.,Xu,B.,Warde-Farley,D.,Ozair,S.,Courville,A.,Bengio,Y.,2014年。Generative adversarialnets,载于：第27届神经信息处理系统国际会议论文集-第2卷，麻省理工学院出版社，剑桥，麻州，美国。第2672-2680页。[20]Kingma,D.P.,Welling,M.，2014年。自动编码变分Bayes.corr abs/1312.6114.[21]金马，D.P.,Welling,M.,2019.变分编码器介绍。机器学习的基础与趋势。[22]兰建，郭强，孙海，2018.基于条件生成对抗网络的需求侧数据生成。能源程序152,118 8-1193。网址:http://www.sciencedirect.com/science/article/pii/s187661021830701x，doi:https://doi.org/10.1016/j.egypro.2018.09.157清洁城市的清洁能源。[23]Localize，2020年。本地化网站：https：//www.Localize.city/。网址:https://www.localize.city/.[24]Lv,H.X.,Yu,G,Tian,X.,Wu,G,2014。基于深度学习的社交网络目标客户位置抽取。国际管理科学与工程师年会论文集，590-595DOI:10.1109/ICMSE.2014.6930283.[25]Mirza,M.,Osindero,S.，2014。条件生成对抗网。ARXIV:1411.1784.[26]奥多诺霍，C.，Morrissey，K.，Lennon，J.，2014。空间mi-crosimulation建模：应用和方法选择综述。[27]赖斯，M.，2019。了解21家ai房地产公司。网址:https://builtin.com/artifice-intelligence/ai-real-estate。[28]Robinson,C.,Dilkina,B.,Hubbs,J.,Zhang,W.,Guhathakurta,S.,Brown,M.A.,Pendyala,R.M.,2017年。商业建筑能耗估算的机器学习方法。应用能源208,889-904。网址:http://www.sciencedirect.com/science/article/pii/s0306261917313429，doi:https://doi.org/10.1016/j.apenergy.2017.09.060.[29]Ryu,S.H.,Moon,H.J.,2016。基于学习技术的室内环境数据占用预测模型的开发。建筑与环境107,1-9。网址:http://www.sciencedirect.com/science/article/pii/：预印本提交给爱思唯尔12Population synthesis for urban Dusting deep generative Models0360132316302463，Doi:https://doi.org/10.1016/j.buildenv.2016.06.039.[30]Saadi,I.,Eftekhar,H.,Teller,J.,Cools,M.,2018。研究群体综合中的Scal-cability：一种比较方法。运输规划与技术41,1-12。DOI:10.1080/03081060.2018.1504182.[31]Saadi,I.,Mustafa,A.,Teller,J.,Farooq,B.,Cools,M.，2016。基于Hiddenmarkov模型的种群综合。运输研究B部分：方法学90,1-21。Doi:10.1016/J.Trb.2016.04.007.[32]Shi,Z.,Fonseca,J.A.,Schlueter,A.,2017.基于模拟的城市形态生成与能源驱动的城市设计优化研究综述。建筑与环境121,119-129.网址:http://www.sciencedirect.com/science/article/pii/s0360132317301865,doi:https://doi.org/10.1016/j.buildenv.2017.05.006.[33]孙K,Lee,H,Yan,X.，2015。使用深度条件生成模型学习结构化输出表示，载于：Cortes,C.,Lawrence,N.D.,Lee,D.D.,Sugiyama,M.,Garnett,R.（编辑）,神经信息处理系统的进展28.CurranAssociates,Inc.,第3483-3491页。网址:http://papers.nips.cc/paper/5775-learning-structure-output-representation-using-deep-condition-generative-models.pdf.[34]Sun,L.,Erath,A.,2015.人口综合的贝叶斯网络方法。交通研究C部分：新兴技术61,49-62.[35]托德，L.，2014。

交通和生活质量。斯普林格尼德兰，多德雷赫特。第6729-6733页。网址:https://doi.org/10.1007/978-94-007-0753-5_3053,doi:10.1007/978-94-007-0753-5_3053。[36]Tschannen,M.,Bachem,O.,Lucic,M.,2018。基于自动编码器的表征学习的最新进展。CoRR.[37]Whitney,V.,Ho,B.人行道实验室博客：迈向未来邻里设计的一步。网址:https://www.sidewalklabs.com/blog/a-first-step-toorge-the-future of the-regority-design/.[38]严X，杨J，孙K，李H.，2016.Attribute2Image:从视觉属性生成Condi-tional image arxiv:1512.00570。[39]尹，J.,Jordon,J.,van der Schaar,M.,2019.PATE-GAN：Gen-erating合成dat a与di-externative隐私保证，在：国际学习表征会议。URL:https://openreview.net/forum?id=s1zk9irqf7.[40]赵，Y.,Chetty,G.,Tran,D.，2019。用xgboost进行房地产估价的深度学习，1396-1401DOI:10.1109/SSCI44817.2019.9002790。：预印本提交给爱思唯尔12页中的第12页