CN102750411A - 基于多智能体离散选择模型城市动态微观仿真方法 - Google Patents

Abstract

本发明涉及一种基于多智能体离散选择模型城市动态微观仿真方法，该方法以多智能体为中心，结合地理信息系统，利用城市环境数据，作为影响城市居民对家庭住址选择以及土地开发利用的影响因素，将这些影响因素带入MNL模型的效用函数计算出居民对家庭住址选择的选择概率以及土地价格，从而可以模拟城市人口动态、城市土地利用变化。本发明的有益效果在于：1、可方便地探索不同土地利用政策下城镇土地利用发展情景，能够为城镇土地规划提供有用的决策依据。2、该仿真方法能够适应于目前我国经济发展和城市建设规划的需求，拥有很好的市场前景。3、该仿真方法可以对新推出的土地规划政策的可行性进行很好地评估，尽量减少土地资源的浪费。

Description

基于多智能体离散选择模型城市动态微观仿真方法

技术领域

本发明涉及一种仿真方法，尤其涉及一种基于多智能体离散选择模型城市动态微观仿真方法。

背景技术

城市动态微观仿真是一个由一系列城市相关因素影响的复杂计算过程。

对城市土地利用的变化进行建模可以帮助人们理解城市发展的机制同时还可以检验现有的城市理论。

城市动态微观仿真过程中会模拟出城市系统中不同实体的行为。

比如，土地开发者会构造新的建筑或者对已有的建筑重新修整，政府土地规划部门会通过实施土地利用计划,城市扩张界限,环境保护法规来规范土地利用。

政府部门也会建设基础设施，包括影响不同地点互通模式的交通基础设施，会反过来影响房屋购买者对不同住址的选择。

因此，对城市动态进行微观仿真，具有现实的意义。

发明内容

本发明所要解决的技术问题是提供一种基于多智能体离散选择模型城市动态微观仿真方法，该仿真方法利用现有的土地利用政策或者城市规划方案来进行分析和仿真预测，并将仿真结果反馈给土地利用的决策者让决策者做出是否采纳新的土地利用政策，该仿真方法可以对新推出的土地规划政策的可行性进行很好地评估，尽量减少土地资源的浪费。

本发明所采用的技术方案是：一种基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：该方法以多智能体为中心，结合地理信息系统，利用城市环境数据，作为影响城市居民对家庭住址选择以及土地开发利用的影响因素，将这些影响因子带入MNL模型的效用函数计算出居民对家庭住址选择的选择概率以及土地价格，从而可以模拟城市人口动态、城市土地利用变化。

按上述方案，该仿真方法的具体步骤为：

步骤一：将MNL模型的效用函数与城市环境数据相结合建立MNL离散选择模型，所述的城市环境数据为历年的城市人口统计数据、所研究城市地区内的人口增长、就业机会、土地价格的微观经济假设以及当地调控每块土地开发类型管辖者所制定的规划政策；

步骤二：将步骤一中的MNL模型的效用函数计算出居民对家庭住址选择的选择概率，从而模拟城市居民对家庭住址的选择，建立城市居民住址选择模型。

在上述步骤二中建立城市居民住址选择模型的步骤为：

步骤A、将城市居民的统计数据结合GIS空间数据计算出住址的效用值；

步骤B、计算出N*M（N是居民数，M是选择项数）的住址选择概率；

步骤C、根据步骤B的N*M（N是居民数，M是选择项数）的住址选择概率得出概率累和区间；

步骤D、利用蒙特卡罗方法产生概率分布是（0，1）上均匀分布的M个随机数，将随机数带入步骤C中的概率累和区间，得出供城市居民选择的N个住址；

步骤E、选择随机数落入概率区间所对应的住址，供决策者参考。

在上述步骤A中的住址的效用值的计算步骤为：

1）、计算第i个微观变量对应的权重系数：

$w_i=\frac{(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\mathrm{\Σ}{(x_i-x)}^2}$

在上式中，x_i表示第i个微观变量，该微观变量是和居民属性特质相关的，

表示所有微观变量的平均值，y_i表示第i个效用值，该效用值是利用MNL模型的效用函数计算出来的，

表示所有效用值的平均值，分母表示所有微观变量值的均方差之和；w_i表示第i微观变量对应的权重系数；

2）、计算所有的微观变量对应的权重系数：

$w=\left\{\begin{array}{c}{w}_1\\ .\\ .\\ .\\ w_n\end{array}\right\}$

式中：W1是第1个微观变量值对应的权重系数，W_n是第n个微观变量对应的权重系数，W是所有的微观变量对应的权重系数；

3）、计算出每个微观变量的效用值y_i：

y_i＝w_i·x_i+ε_i

上式是根据随机效用最大化模型推到出来的；式中，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，该微观变量是和居民属性特质相关的，ε_i为效用的不可观测部分，包含难以观测到的效用和观测误差产生的影响，因而通常将其看作是随机项，假设不可观测的随机项服从Gumbel分布。

在上述步骤B中的计算出N*M的住址选择概率的公式为：

$p_i=\frac{e^{V_i}}{{\mathrm{\Σ}}_j{e}^{V_j}}$

式中，p_i是第i住址的选择概率，j是除第i项以外的其他任意住址，V_i是第i个住址对应的系统效用值,其中V_i＝w_i·x_i，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，e^vi是V_i自然指数形式，式中的分母是除第i项以外其他系统效用值的自然指数之和。

在求出一个N*M阶（N是居民数，M是选择项数）选择概率矩阵后，需要根据选择项对应的选择概率对其进行筛选。

这里采用随机模拟法（Monte Carlo方法）产生(0,1)的随机数，当产生的随机数落在某个概率累和区间里，那么将该区间右边界对应的选择项选中。

以此类推，模拟所有居民对住址的选择行为。

本发明中某些名词的概念介绍：

多智能体系统是多个智能体组成的集合，它的目标是将大而复杂的系统建设成小的、彼此互相通信和协调的，易于管理的系统。

离散选择模型是社会学、生物统计学、数量心理学、市场营销等统计实证分析的常用方法。

复杂适应系统理论的核心是适应产生复杂性。

复杂系统中的成员被称为有适应性的主体。

所谓具有适应性是指它能够与环境以及其他主体进行交互作用。

主体在这种持续不断的交互作用的过程中，不断地“学习”或者“积累经验”，并且根据学习到的经验改变自身结构和行为方式。

地理信息系统（GIS）是以地理空间数据库为基础，在计算机软硬件的支持下，运用系统工程和信息科学的理论，科学管理和综合分析具有空间内涵的地理数据，以提供管理、决策等所需信息的技术系统。

MNL是Logit类模型的基本型式，其效用随机项εi,q相互独立且服从同-gumble极值分布。

基于概率理论，J个选择项MNL模型可以表达成：

$P_{i,q}=\frac{\exp \left({\mathrm{bV}}_{i,q}\right)}{{\mathrm{\Σ}}_{j=i}^J\exp \left({\mathrm{bV}}_{j,q}\right)}=\frac{1}{1+{\mathrm{\Σ}}_{J\≠1}\exp \left(b(V_{J,q}-V_{i,q})\right)},i=\mathrm{1,2}......J---\left(1\right)$

P_iq是出行者q对选择项i的概率，b是参数。

MNL模型通过效用函数确定项的计算就可以获得个体不同交通方式的选择概率；通过模型标定，其效用函数的随机项因素影响已经被表达在参数b中。

元胞自动机是一时间和空间都离散的动力系统。

本发明的有益效果在于：

1、利用多智能体技术(multi-agent)动态微观精确模拟城镇居民日常生活需求和行为活动与城镇土地利用、交通建设之间的交互作用；以离散选择模型为理论基础，根据环境经济学资源分配原理和可持续发展理论，结合多智能体及多项指数离散选择的微观规划模型，模型由相互作用的多智能体层和环境因素层组成，模型用于计算不同类型的多智能体之间存在的相互影响、信息交流、合作的关系，以达到共同理解和采取一定的行动影响其所处环境。并结合蒙特卡罗模拟法来检验微观实体的选择，保证模拟选择结果的精确性。可方便地探索不同土地利用政策下城镇土地利用发展情景，能够为城镇土地规划提供有用的决策依据。2、该仿真方法能够适应于目前我国经济发展和城市建设规划的需求，拥有很好的市场前景。3、该仿真方法可以对新推出的土地规划政策的可行性进行很好地评估，尽量减少土地资源的浪费。4、利用地理信息数据对城市通达性、基础设施以及土地利用、交通管理和交通发展方式的模拟得出的结果明显提高了检验发展政策，区域发展动机性和城市用地发展模式的能力。

附图说明

图1是本发明一个实施例的流程图。

图2是本发明可应用的领域的基本工作原理图。

图3是本发明基于多智能体离散选择模型城市动态微观仿真方法运用于选择家庭住址的流程示意图。

图4是本发明基于多智能体离散选择模型城市动态微观仿真方法运用于选择家庭住址所反映出人口密度分布仿真结果图。

图5是利用Arcgis软件制作部分城区切割区域图。

图6是模型仿真计算运行流程图。

具体实施方式

下面结合附图进一步说明本发明的实施例。

本发明旨在提供一种基于多智能体离散选择模型来模拟出城市动态微观变化，例如城市居民对家庭住址的选择，还可以用来模拟城镇居民日常生活需求和行为活动与城镇土地利用、交通建设之间的交互作用。

本发明以离散选择模型为理论基础，根据环境经济学资源分配原理和可持续发展理论，结合多智能体及多项指数离散选择的微观规划模型，模型由相互作用的多智能体层和环境因素层组成，模型用于计算不同类型的多智能体之间存在相互影响、信息交流、合作的关系，以达到共同理解和采取一定的行动影响其所处环境；结合蒙特卡罗模拟法来检验微观实体的选择，保证模拟选择结果的精确性。

可方便地探索不同土地利用政策下城镇土地利用发展情景，能够为城镇土地规划提供有用的决策依据。

参见图1，一种基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：该方法以多智能体为中心，结合地理信息系统，利用城市环境数据，作为影响城市居民对家庭住址选择以及土地开发利用的影响因素，将这些影响因子带入MNL模型的效用函数计算出居民对家庭住址选择的选择概率以及土地价格，从而可以模拟城市人口动态、城市土地利用变化。

按上述方案，该仿真方法的具体步骤为：

步骤一：将MNL模型的效用函数与城市环境数据相结合建立MNL离散选择模型，所述的城市环境数据为历年的城市人口统计数据、所研究城市地区内的人口增长、就业机会、土地价格的微观经济假设以及当地调控每块土地开发类型管辖者所制定的规划政策；

步骤二：将步骤一中的MNL模型的效用函数计算出居民对家庭住址选择的选择概率，从而模拟城市居民对家庭住址的选择，建立城市居民住址选择模型。

在上述步骤二中建立城市居民住址选择模型的步骤为：

步骤A、将城市居民的统计数据结合GIS空间数据计算出住址的效用值；

步骤B、计算出N*M（N是居民数，M是选择项数）的住址选择概率；

步骤C、根据步骤B的N*M（N是居民数，M是选择项数）的住址选择概率得出概率累和区间；

步骤D、利用蒙特卡罗方法产生概率分布是（0，1）上均匀分布的M个随机数，将随机数带入步骤C中的概率累和区间，得出供城市居民选择的N个住址；

步骤E、选择随机数落入概率区间所对应的住址，供决策者参考。

在上述步骤A中的住址的效用值的计算步骤为（举例说明）：

1、计算第一个变量家庭收入的权重系数：0.287，第二个变量家庭人数的权重系数：0.095，第三个变量房屋价格的权重系数：0.447，第四个变量环境质量的权重系数:0.058。

2、计算出每个家庭住址对应每个居民的效用值。

3、然后计算出每个居民对每个家庭住址的选择概率，这样选择概率是一个N=3列M=3行（N=3是居民数目，M=3是选择项数目）的。如表1。

表1为概率矩阵

0.1	0.12	0.21
			0.3	0.23	0.34
0.6	0.65	0.45

4、将3列3行的概率矩阵转换成N=3列M=3行的概率累和区间，如表2。

表2为概率累和区间

0-0.1	0-0.12	0-0.21
			0.1-0.4	0.12-0.35	0.21-0.55
0.4-1	0.35-1	0.55-1

5、利用蒙特卡罗方法产生概率分布是（0，1）上均匀分布的M=3个随机数，将随机数带入步骤4中的概率累和区间，得出供城市居民选择的M=3（M=3是选择项数目）个住址；并将居民对家庭住址的选择情况以GIS可视化的方式输出；决策者查看GIS输出结果所反映出的居民对家庭住址的选择趋势可以知道当前土地规划政策对未来居民分布情况。

1）、计算第i个微观变量对应的权重系数：

$w_i=\frac{(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\mathrm{\Σ}{(x_i-x)}^2}$

在上式中，x_i表示第i个微观变量，该微观变量是和居民属性特质相关的，

表示所有微观变量的平均值，y_i表示第i个效用值，该效用值是利用MNL模型的效用函数计算出来的，

表示所有效用值的平均值，分母表示所有微观变量值的均方差之和；

w_i表示第i微观变量对应的权重系数；

2）、计算所有的微观变量对应的权重系数：

$w=\left\{\begin{array}{c}{w}_1\\ .\\ .\\ .\\ w_n\end{array}\right\}$

式中：W1是第1个微观变量值对应的权重系数，W_n是第n个微观变量对应的权重系数，W是所有的微观变量对应的权重系数；

3）、计算出每个微观变量的效用值y_i：

y_i＝w_i·x_i+ε_i

上式是根据随机效用最大化模型推到出来的；式中，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，该微观变量是和居民属性特质相关的，ε_i为效用的不可观测部分，包含难以观测到的效用和观测误差产生的影响，因而通常将其看作是随机项，假设不可观测的随机项服从Gumbel分布。

利用多项对数模型，在上述步骤B中的计算出N*M的住址选择概率的公式为：

$p_i=\frac{e^{V_i}}{{\mathrm{\Σ}}_j{e}^{V_j}}$

式中，p_i是第i住址的选择概率，j是除第i项以外的其他任意住址，V_i是第i个住址对应的系统效用值,其中V_i＝w_i*x_i，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，e^vi是V_i自然指数形式，式中的分母是除第i项以外其他系统效用值的自然指数之和。

图2为本发明可以应用的领域的工作原理图。

该仿真方法可以应用于人口和经济转型模型、家庭和职业迁移模型、交通需求模型、土地价格模型、建筑模拟和家庭与环境交互作用模型、宏观经济分析模型、人口与出行模型等。

其中交通需求模型为外部模型，其数据经过预处理后，再与其它模型结合进行调整；在系统预设参数的前提下，对所有相关模型进行数据处理、集成与存储，最后以GIS可视化的方式输出。

图3为仿真模块中家庭住址的选择方法示意图。

利用该方法中我们预测一个新迁入的还是已经决定迁移的家庭将选择一个由居民住宅定义的特定地点的概率。

该方法是利用一个从闲置住宅单元多项选择的随机抽样的多项对数模型。

模型的框架允许地址选择模型为按经济收入水平、是否有小孩或者其他的生活情况来层次化的家庭做评估。

另外，这些效果可以包含在一个由家庭特征与可选位置特征之间的相互作用构建的一个简单模型估测中。

在进行运算的过程中，应用在该模型中的变量是从城市经济学文献、城市地理位置和城市人文信息得来的。

制定家庭选址模型标准要考虑很多因素，这些因素综合起来不仅仅包含计算到达商业中心的行程时间，另外还包括就业和购物是否方便。

测试工作和购物是否方便方法是通过衡量在某一地点使用各种交通工具到另一个目的地的可行性。

这些关于方便性的测量应该否决以传统的CBD效应作为衡量标准，而应该利用其他一些人口分布因素来表现出这些方便性。

另外这些衡量城市方便性的变量，我们还可以把城市网的密度添加进来以测量土地和资金的投入效应。

通达性很好的地区只有通过高价才能竞中，人们希望由开发商对土地开发出资新建高密度的建筑群。

将本发明基于多智能体离散选择模型城市动态微观仿真方法运用于选择家庭住址的步骤为：

步骤一、读取模型计算公式配置信息；

V＝w₀+w₁x_income+w₂x_age+w₃x_job+w₄x_{unit_price}+w₅x_cbd

式中，V是住址对应的系统效用值,w₀是公式的常数项，w₁是微观变量居民收入x_income对应的权重系数，w₂是微观变量居民年龄x_age对应的权重系数，w₃是微观变量居民就业信息x_job对应的权重系数，w₄是微观变量住房单元价格x_{unit_price}对应的权重系数，w₅是微观变量住址离cbd距离x_cbd对应的权重系数。

步骤二、计算微观变量的权重系数w₀、w₁、w₂、w₃、w₄、w₅。

权重系数计算公式如下：

$w_i=\frac{(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\mathrm{\Σ}{(x_i-x)}^2}$

在上式中，x_i表示第i个微观变量，该微观变量是和居民属性特质相关的，

表示所有微观变量的平均值，y_i表示第i个效用值，该效用值是利用MNL模型的效用函数计算出来的，

表示所有效用值的平均值，分母表示所有微观变量值的均方差之和。

w_i表示第i微观变量对应的权重系数。

步骤三、读取城市居民在收入、年龄、工作等信息中心；

步骤四、读取待选择住址对应的环境、就业机会等信息中心；

步骤五、计算各家庭住址所对应在有效值；

步骤六、计算各个家庭住址对应在概率值；

步骤七、蒙特卡罗方法产生概率分布是（0，1）上均匀分布的随机数；

步骤八、利用随机数与选择概率区间对比筛选住址。

在选择家庭住址的步骤中出于两个原因要考虑住宅的寿命。

第一，我们期望住宅会随着时间的推移而贬值，因为一个住宅的期望寿命是有限的，同时持续的房屋维护费被用于减慢新建房屋折旧的速度。

第二，因为改变房屋的建筑风格、舒适度、建筑品味，我们期望这些富有的家庭喜欢更新的住宅。

这种模式的例外情况恩可能是历史上富有的居民区中老式的、富有建筑趣味的或者高级住宅。

通过非线性或者虚数变量组合对住宅和居民区类型的处理决定首选入住哪些住宅。

由于住宅被视为一种常规的商品，城市经济的相对假设就是具有需求上的明显经济收入弹性这就暗示了随着收入的增长，家庭将会按收入增长的比例增加对住宅的经济投入，这些住宅价格更贵、而且环境会更舒适。

市场调配机制将家庭和工作分配到有效的位置上，而不是通过一般的用来推测消费者、供应商在基于完备信息、零转换资金投入优化平衡解决方法来完成的，这些资金主要花费在调整每个地点上房屋使其适应每个消费者和供应商之间的利益关系的。

相反，解决方法是基于非完备信息、非常规交易以及搜寻费用的期望值，因此搬迁者买到了满意度高的定居点，那么每年的年底房屋价格就会每个地区的供需平衡做出响应。

最后在选择家庭住址的步骤中要用到的城市微观变量可以分为三类：家庭特征、地区可通达性以及城市设计尺寸效应；

住宅特征：受消费者收入影响的房价、房地产开发类型、住宅寿命；

区域通达性：有车族的工作便利性、到达CBD和机场的行程时间；

城市设计尺寸：居民区土地混合利用和密度、居民区的就业情况。

图4所示为本发明基于多智能体离散选择模型城市动态微观仿真方法运用于选择家庭住址所反映出人口密度分布仿真结果图。

该仿真实例以武汉市一部分区域规划图为背景进行的，采用多项式指数模型将房地产模型可能出现的各项选择概率统计出来。

再借助蒙特卡洛抽样法生成服从均匀分布的[0,1]随机数，利用这些随机数与多项式指数模输出的概率累和区间进行对比，从而筛选出最大似然的概率，这样就可以预测今后10年里的居民对房屋地址选择的情况，从而在地图上间接地反映出该区域人口的迁移和人口密度分布情况。

图4中a-h是2005年至2012年武汉该地区的人口密度分布情况所示的仿真输出结果，通过输出结果里的人口密度分布变化，可以清晰地看到未来几年里房市比活跃的地方主要集中在地图的中部，西北部区域。

土地规划者就可以根据仿真结果来验证目前的规划方案。

为了更进一步的说明本发明的实施方案，针对附图4的仿真结果图，将整个处理流程介绍如下：

1、根据武汉市区域划分里的土地类型、区域划分等数据，利用Arcgis软件制作部分城区切割区域图，如图5所示；

2、根据武汉市实验中所涉及的居民分为8类；该分类是基于家庭收入、孩子受教育和工作地点的考虑，每一类人在选择住房时会有不同的考虑；分类因素及分类分别如表3和表4所示：

表3分类因素比例

表4分类比例

分类	比例
		家庭收入高(h)_有孩子受教育(c)_在家工作(h)	20%.60%.20%=24%
家庭收入高(h)_有孩子受教育(c)_不在家工作(nh)	20%.60%.80%=96%
		家庭收入高(h)_没有孩子受教育(nc)_在家工作(h）	20%.40％.20%=16%
家庭收入高(h)_没有孩子受教育(nc)_不在家工作(nh)	20%·40%.80%=64%
		家庭收入低(l)_有孩子受教育(c)_在家工作(h)	80%.60%.20%=96%
家庭收入低(l)_有孩子受教育(c)_不在家工作(nh)	80%.60%.80%=384%
		家庭收入低(l)_没有孩子受教育(nc)_在家工作(h)	80%.40%.20%=64%
家庭收入低(l)_没有孩子受教育(nc)_不在家工作(nh)	80%.40%.80%=25.6%

3、分析确定微观变量的权重项：当居民需要选择家庭住址的时候，所有剩余可供选用的空房都根据居民的类型来决定选择权重项，从而计算效用值，根据居民的类型不同，我们需要考虑的权重项会有不同，如没有孩子上学的居民则不需要考虑住房是不是方便小孩上学，收入高的家庭对环境、公共设施和交通是否便利比收入低的家庭考虑得更多，而对房价的考虑则比收入低的家庭考虑的少，在家工作的房主，或者无需定时定点上班的家庭则无需考虑住房与工作地点的距离等等。

基于上述考虑，本文8类选择者选用的所考虑的权重项如下表5所示：

表5住房权重项

4、根据步骤3中8类的居民对应权重分析结果建立系统效用值函数：在实际的城市住房选择模型中，所有的权重系数都应被考虑，即使部分权重系数很小或是接近于0。

由于时间和精力有限，为简化该住房选择模型，根据决策者的不同类型，对被选住房的权重因子部分选择考虑，实际上在计算被选住房的效用值时所有的权重系数都被计算，不考虑的权重系数的w系数置为0。

各类决策者根据类型的不同产生了不同的系统效用值函数：

h_c_h：V=w_ax_a+w_fx_f+w_sx_s+w_cbdx_cbd+w_airpx_airp              (1)

h_c_nh：V=w_ax_a+w_fx_f+w_sx_s+w_cbdx_cbd+w_airpx_airp+w_jobx_job    (2)

h_nc_h：V=w_ax_a+w_fx_f+w_cbdx_cbd+w_airpx_airp                  (3)

h_nc_nh：V=w_ax_a+w_fx_f+w_cbdx_cbd+w_airpx_airp+w_jobx_job        (4)

l_c_h：V=w_ax_a+w_fx_f+w_sx_s+w_ux_u                             (5)

l_c_nh：V=w_ax_a+w_sx_s+w_ux_u+w_jobx_job                        (6)

l_nc_h：V=w_fx_f+w_ux_u                                      (7)

l_nc_nh：V=w_ux_u+w_jobx_job                                 (8)

5、住房选择模型权重系数w预测输出：

这是住房选择模型各选择者所对应的子模型的权重因子参数估计值；其中，Suggested|t-value|是标准的显著度阈值，如果大于Suggested|t-value|那么模型内部数据之间的差异的显著度就会不明显，也就会造成模型系数预测的准确率下降；Submodel1、2、4中的travel_to_cbd，Submodel3中的afforest、schl_dist1，Submodel5中的afforest、facility、schl_dist1，Submodel6中的facility、unit_price，Submodel7中的ln_jobs_within_30_min、schl_dist1和Submodel8中的ln_jobs_within_30_min、unit_price的t-value都大于标准的显著度阈值；这说明这些值的预测可信度相对较低；数据的准确性和模型的合理性是预测可信度的关键；本文的部分数据来源于城市规划开源项目，对城区来说准确性不够，也只有当数据准确时，通过观测预测参数来修改模型，方可达到好的预测可信度；

6、模型仿真计算运行流程，如图6所示：

1）读取数据中的子模型配置，获取各子模型的约束方程，这些约束方程实质上是每种选择者类型的效用值描述方程；

2）读取数据中我们已经预测好的系数（后文会提到具体实现方法），这些系数是在模型建好后以2005年为基本数据根据最大似然估计法预测好放入系数表中的；这些系数是模型有效地关键，它的精准度与否直接影响到住房选择模型的仿真结果；

3）获取选择者集，是为居民的集合，选择者的产生是通过Monte Carlo根据重复随机取样来计算结果的计算方法来产生的；我们从现有的2005年的所有住房信息抽样，如2005年有A个住房信息，我们在其中抽取B个进行分析，在这B个中，我们计算出每一类型的选择者所占有的比例，即概率，在我们研究的住房选择模型中，我们将选择者类型分为8类，这样我们将计算这8类选择者在这B个样本值中的概率，我们将这8类选择者对应的概率排列成一维累积概率，产生服从均匀分布的随机数，将随机数与累计概率相比较，随机概率小于累积概率的元素置为1，否则置为0，我们取累计概率中第1个1所对应的选择者类型；当我们需要产生C个选择者时，我们将产生C个随机数，这C个随机数将分别对应着这8类选择者，于是产生了C个选择者，这些居民在C中所占比例理想情况下与抽样计算出的类型是比例一致的，但是实际随机数产生过程中会有一定的偏差，由于是随机产生的，这种偏差可以接受；

4）获取选择集，新的选择集的产生在building数据包的annual_growth中实现，这一项数据实现了在一特定区域中每种具有某一住房类型的building的增长率，从而组成了新的选择集；

5）计算选择变量是计算每一住房的所有被选权值项计算出来；

6）获取选择者的特征，本文研究将居民根据收入的高低、有无小孩受教育以及是否在家工作组合成为了8类，每一类型的居民在选择住房时考虑的权值因子是不一样的，从而每一选择类型有不同的选择规则；

7）计算效用值U=V+ε，将每一选择者根据自身的选择类型将每一住房的效用值都计算出来，假定现有M个选择者，N个被选住房，M个选择者都将计算这N个被选住房，这将形成M*N的二维数组；

8)计算效用概率，将每一选择者对应的每一住房的效用值算出其效用概率

，并将每一选择者对应的每一效用概率排列成一维累计概率；这样，对于M个选择者和N个被选住房同样形成M*N的二维累计概率数组；

9）产生随机数，对于M个选择者，一次产生M个随机数，这个随机数的产生服从uniform分布。

将随机数与对应选择者行的累计概率数组中的所有元素进行对比，随机数小于累计概率则所对应的数组元素置为1，否则将置为0；将每一选择者对应的累积概率数组中的第1个1对应的被选区间的被选住房作为该选择者对这一住房的一次选择；在实际过程中，这就是Monte Carlo根据重复随机取样来计算结果，我们产生多次随机数，一般设定为一个固定的次数T；每一个选择者对应的N个被选住房在T次选择中都对应相应的被选次数，因为随机数的产生是服从uniform分布的，则每一次随机数落入某一累计概率区间的概率实际上是所占区间大小所决定的（如Monte Carlo撒豆子原理），这个大小正是由被选住房的效用概率所决定的；这些次数在理论上是与被选住房的效用概率成正比的，在实际随机数产生过程中会有一定的差异；

10）选择，我们将所有Monte Carlo模拟出的M个选择者在T次的选择过程中对N个被选住房产生的选择次数计算出来后，会有不同的选择者对同一住房都有选择倾向的情况，这时我们将比较这一住房对应的不同选择者在T次选择过程中的选择次数的大小，这一住房将被对其产生更多选择的选择者所选用，而其他选择者将退而求其次，若再次遇到类似的情况，将以此类推进行对比；

11）输出结果（如图4所示），每一个住房被选择后将集合到这一栋楼，进而集合到这一区域进行可视化显示。

这样，我们能够动态的观察到各个区域的人口、收入的变化，这是商业发展和交通规划等的预测指导，也便于对现有的土地使用政策进行合理的调整以使土地利用对大化来提供指导。

基于多智能体离散选择模型城市动态微观仿真方法利用离散选择模型技术解决了预测不同土地之间利用政策和不同政策的组合对城市发展有哪些影响的难题。

离散选择模型里的100mx100m栅格单元采用动态离散化分析，整合城市规划、土地利用、交通运输和公共政策等多个因素的综合影响。

结合这些因素的影响和人口、工作等城市统计信息利用统计学的数学方法仿真出今后10年至20年城市的人口迁移情况和房价走势情况。

通过预测的结果，可以对现有的土地使用政策进行合理的调整以使该政策所带来的利益最大化。

可以利用城镇规划动态微观模型来充分挖掘发挥土地利用对城镇人口结构分布的影响。

这是传统的宏观城镇规划方法所不能及的。

利用城镇居民与土地利用之间的约束关系仿真预测今后十年内的人口迁移分布。

利用地理信息数据对城市通达性、基础设施以及土地利用、交通管理和交通发展方式的模拟得出的结果明显提高了检验发展政策，区域发展动机性和城市用地发展模式的能力。

该仿真输出结果能有效模拟和预测城市土地利用变化，可以为城市建设、管理和规划工作提供辅助决策支持。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改，等同变化或修饰，均落在本发明的保护范围内。

Claims (5)

1.一种基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：该方法以多智能体为中心，结合地理信息系统，利用城市环境数据，作为影响城市居民对家庭住址选择以及土地开发利用的影响因素，将这些影响因素带入MNL模型的效用函数计算出居民对家庭住址选择的选择概率以及土地价格，从而可以模拟城市人口动态、城市土地利用变化。

2.如权利要求1所述的基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：具体步骤为：

步骤一：将MNL模型的效用函数与城市环境数据相结合建立MNL离散选择模型，所述的城市环境数据为历年的城市人口统计数据、所研究城市地区内的人口增长、就业机会、土地价格的微观经济假设以及当地调控每块土地开发类型管辖者所制定的规划政策；

步骤二：将步骤一中的MNL模型的效用函数计算出居民对家庭住址选择的选择概率，从而模拟城市居民对家庭住址的选择，建立城市居民住址选择模型。

3.如权利要求2所述的基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：步骤二中建立城市居民住址选择模型的步骤为：

步骤A、将城市居民的统计数据结合GIS空间数据计算出住址的效用值；

步骤B、计算出N*M（N是居民数，M是选择项数）的住址选择概率；

步骤C、根据步骤B的N*M（N是居民数，M是选择项数）的住址选择概率得出概率累和区间；

步骤D、利用蒙特卡罗方法产生概率分布是（0，1）上均匀分布的M（M是选择项数）个随机数，将随机数带入步骤C中的概率累和区间，得出供城市居民选择的N（N是居民数）个住址；

步骤E、选择随机数落入概率区间所对应的住址，供决策者参考。

4.如权利要求3所述的基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：步骤A中的住址的效用值的计算步骤为：

1）、计算第i个微观变量对应的权重系数：

$w_i=\frac{(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\mathrm{\Σ}{(x_i-x)}^2}$

在上式中，x_i表示第i个微观变量，该微观变量是和居民属性特质相关的，

表示所有微观变量的平均值，y_i表示第i个效用值，该效用值是利用MNL模型的效用函数计算出来的，表示所有效用值的平均值，分母表示所有微观变量值的均方差之和；w_i表示第i微观变量对应的权重系数；

2）、计算所有的微观变量对应的权重系数：

$w=\left\{\begin{array}{c}{w}_1\\ .\\ .\\ .\\ w_n\end{array}\right\}$

式中：W₁是第1个微观变量值对应的权重系数，W_n是第n个微观变量对应的权重系数，W是所有的微观变量对应的权重系数；

3）、计算出每个微观变量对应的效用值y_i：

y_i＝w_i·x_i+ε_i

上式是根据随机效用最大化模型推导出来的；式中，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，该微观变量是和居民属性特质相关的，ε_i为效用的不可观测部分，包含难以观测到的效用和观测误差产生的影响，因而通常将其看作是随机项，假设不可观测的随机项服从Gumbel分布。

5.如权利要求3所述的基于多智能体离散选择模型城市动态微观仿真方法，其特征在于：步骤B中的计算出N*M（N是居民数，M是选择项数）的住址选择概率的步骤为：

$p_i=\frac{e^{V_i}}{{\mathrm{\Σ}}_j{e}^{V_j}}$

式中，p_i是第i住址的选择概率，j是除第i项以外的其他任意住址，V_i是第i个住址对应的系统效用值,其中V_i＝w_i*x_i，w_i是第i个微观变量对应的权重系数，x_i是第i个微观变量，

是V_i自然指数形式，式中的分母是除第i项以外其他系统效用值的自然指数之和。

Images