CN106251014A - 基于svm‑gca的城市空间发展模拟及预测方法 - Google Patents
基于svm‑gca的城市空间发展模拟及预测方法 Download PDFInfo
- Publication number
- CN106251014A CN106251014A CN201610616985.XA CN201610616985A CN106251014A CN 106251014 A CN106251014 A CN 106251014A CN 201610616985 A CN201610616985 A CN 201610616985A CN 106251014 A CN106251014 A CN 106251014A
- Authority
- CN
- China
- Prior art keywords
- cellular
- land
- urban
- factor
- city
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011161 development Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 230000001413 cellular effect Effects 0.000 claims abstract description 138
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 5
- 206010034719 Personality change Diseases 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 7
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 7
- 239000003102 growth factor Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 239000003643 water by type Substances 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于地理信息系统的虚拟地理环境及仿真研究领域,涉及到城市空间发展的仿真及预测技术。本发明利用支持向量机技术设计了一种城市元胞用地性质变化决策函数,在此基础上提出了一种基于支持向量机的地理元胞模型并给出了基于该模型的城市空间发展模拟及预测的方法。该方法能够克服现有地理元胞模型的线性性缺陷,具有较快的仿真速度和较高的仿真预测精度。利用支持向量机技术建立城市元胞模型,用于解决地理元胞状态预测这一类典型非线性问题,有效的解决了传统的地理元胞模型线性性导致仿真预测结果误差过大问题,同现有的方法相比,对样本数量要求较少、计算效率更高、精度也更高。
Description
技术领域
本发明属于地理信息系统的虚拟地理环境及仿真研究领域,涉及到城市空间发展的仿真及预测技术。
背景技术
随着全球经济的持续发展,城市化和城市的可持续发展已成为全球城市发展的热点话题。城市空间作为城市各项功能的载体,其形态的合理性将对城市居民的生存质量产生决定性的影响,并进而影响到整个人类的生存和发展。在全球范围内的城市快速扩张过程中,城市空间形态急剧变化导致了诸如土地资源利用不当、耕地流失、生态环境破坏、污染严重、城市功能布局失衡等许多尖锐的现实问题的出现。开展对城市空间发展模型及模拟预测研究,有利于确保城市化与社会经济发展的协调和同步,优化土地利用,降低城市化进程中的盲目性,有效保证城市空间和社会经济的长期可持续发展。然而,由于城市空间变化具有显著的动态特征,不同阶段有不同特点。与此同时,城市空间形态演变又是一个典型的动态空间复杂系统,具有开放、自组织、动态、非平衡等特征,会受到政治、经济、文化、社会、自然、政策等多种因素的影响,其演变过程表现出高度的非线性性、动态性和复杂性。因此,现有的宏观、静态和确定的城市模型难以满足现代城市空间发展的要求。上世纪80至90年代,元胞自动机(Cellular Automata,CA)技术被引入到城市发展研究当中,形成了一个新的技术分支:地理元胞信息系统。CA以一种动态的视角来研究城市发展,并充分利用了计算机的并行计算能力来加速建模和仿真预测过程,有效的推动了城市空间研究的进程。但传统的CA模型转换规则具有典型的线性特征,在描述城市发展这一类复杂非线性系统时存在着较大的局限性,其仿真预测的结果存在着较大的误差。
针对地理元胞模型的线性性的缺陷,逻辑回归、神经网络、决策树和粗糙集等新方法被引入到地理元胞模型转换规则的确定中,在一定程度上推动了地理元胞模型的发展。然而,逻辑回归模型要求转换规则的特征变量之间线性无关,这限制了它的应用范围;神经网络可以很好的解决非线性分类问题,但其自身属于黑盒方法,内部机理难以解释,也难以反映模型表述对象的内部机制;决策树和粗糙集等其余方法则对样本数量有较高的要求,在样本数量不足的情况下,其模型精度较低。
支持向量机(Support Vector Machines,SVM)是一种建立在统计学习理论、结构风险最小化及VC维(Vapnik-Chervonenkis Dimension)理论基础上的机器学习方法。SVM具有理论基础坚实、数学模型简单明确的特点,在模式识别、函数估计、时序预测和回归分析等领域得到了深入的发展,其成功应用方向包括手写识别、人像识别、基因分类和二值分类等。SVM实际上是建立在统计学习理论基础上的一种数据挖掘及分类技术,其机理在于在给定的分类条件下寻找一个最优分类超平面,在确保分类精度的前提下,使得超平面两侧的空白区域最大化。地理元胞自动机是元胞自动机在城市空间发展的成功应用,城市空间发展可以在微观上看作是城市地理元胞状态的变化,地理元胞的状态可以简化为建设用地和非建设用地,因此地理元胞的状态预测可以看做一个典型的非线性分类问题。支持向量机在地理元胞自动机转换规则制定中的应用研究及基于支持向量机的元胞自动机模型的设计实现对于克服现有技术线性性缺陷及提高模型预测精度具有重要的理论和应用价值。
发明内容
本发明的目的在于克服传统地理元胞模型在具有典型非线性特征的城市地理现象领域应用存在的不足,利用支持向量机技术设计了一种城市元胞用地性质变化决策函数,在此基础上提出了一种基于支持向量机的地理元胞模型并给出了基于该模型的城市空间发展模拟及预测的方法。该方法能够克服现有地理元胞模型的线性性缺陷,具有较快的仿真速度和较高的仿真预测精度。
本发明的技术方案是:
S1、建立基于支持向量机的城市元胞自动机模型(Support Vector Machinesbased Geographical Cellular Automata,SVM-GCA),具体为:
S11、定义城市元胞状态:城市元胞状态为城市用地性质描述即城市元胞模型的因变量y,所述城市元胞状态包括两种状态:城市用地和非城市用地,分别用1和-1进行编码,1表示该元胞为城市用地,-1表示该元胞为非城市用地;
S12、确定城市元胞邻域关系:采用Moore型邻域,元胞的上、下、左、右、左上、左下、右上、右下相邻的8个元胞称为该元胞的邻域,邻域半径为1;
S13、确定城市元胞用地转换因子:城市元胞用地性质的转化取决于每个元胞当前的地理环境因子x1、经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5以及政策因子x6,其中,所述经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5和政策因子x6从城市统计数据中抽取;
S14、设计城市元胞状态转换规则:城市元胞在t+1时刻转换为建设用地的概率为其中,F为决策函数,R为约束因子,Nt为t时刻元胞邻居影响因子;
S2、进行城市遥感图像分类处理和用地转换因子确定及优化,具体为:利用Envi4.0软件,通过非监督分类法按照四种用地类别对遥感图像进行分类处理,其中,所述四种用地类别为:水域及山体(包括河流湖泊等,编号为1)、农林用地(包括园林和植被、耕地和空地等,编号为2)、城乡建设用地(包括居住用地、商业、工业、公共设施等,编号为3)和交通用地(包括公路、铁路、机场等,编号为4),并由此构成S13所述地理环境因子x1;
S3、基于SVM-GCA的城市发展仿真预测,具体为:
S31、基于GIS平台对城市遥感图像进行分类处理,获得城市用地基础地理信息,根据城市统计数据构造用地转换因子,在GIS平台中用6个图层分别描述6个影响因子;
S32、构建城市元胞模型:元胞形状选择为正方形,利用GIS系统中栅格图像代表元胞空间,每个栅格对应一个元胞,元胞大小为L×L,元胞邻域类型确定为Moore型,即每个元胞有8个邻居元胞,其中,L为不为零的自然数;
S33、根据S14所述转换规则,计算城市元胞在t+1时刻转换为建设用地的概率
S34、得出城市元胞在t+1时刻用地性质,所述用地性质按如下方法确定:
设城市元胞用地性质转变概率阈值为Pthreshold,
当城市元胞在t+1时刻转换为建设用地的概率Pt+1≥Pthreshold时,则判定t+1时刻该元胞将变为城市用地,
当Pt+1<Pthreshold时,则判定t+1时刻该元胞用地性质不变,
其中,所述Pthreshold通过城市发展历史数据拟合得到,为经验值;
S4、根据S1-S3对城市元胞用地性质变化进行K次迭代,最终获得未来城市空间发展模拟结果,其中,所述K为不为零的自然数,是经验值。
进一步地,S14所述t时刻邻居影响因子Nt的确定方法具体如下:
t时刻的邻居影响因子Nt用元胞的邻居中城市用地元胞所占比例来表示,若第j个邻居元胞Cj为城市用地元胞,则S(Cj)=1,否则,S(Cj)=0,其中,S(Cj)为元胞状态函数。
进一步地,S14所述约束因子R的确定方法如下:如果地理元胞用地性质无法转换为建设用地,则R=0,否则R=1。
进一步地,S14所述决策函数F的确定方法如下:
决策函数设训练样本集为{(xi,yi),i=1,2,…,l},分类输出为两种类型识别标识,表示为yi∈{+1,-1},1表示城市用地,-1表示非城市用地,其中,l为实际样本数,K(xi·x)为核函数,ai为惩罚因子、b为调整系数,x为自变量,xi为元胞用地转换因子,径向基函数参数σ=1,||x-xi||2=(x-xi)T·(x-xi),xi为第i个转换因子,调整系数b由已有样本值计算得到,其取值满足:N为标准支持向量个数,JN为标准支持向量集合,J为支持向量的集合。
进一步地,所述惩罚因子ai的取值满足:0≤ai≤1,i=1,2,...,l,l为实际样本数。
进一步地,S32所述L∈[20米,40米]。
进一步地,S32所述L为30米。
本发明的有益效果是:
利用支持向量机技术建立城市元胞模型,用于解决地理元胞状态预测这一类典型非线性问题,有效的解决了传统的地理元胞模型线性性导致仿真预测结果误差过大问题;也避免了逻辑回归、神经网络、决策树和粗糙集模型等内部机理不明及对样本数量要求过高的弊端。结合GIS平台,以高效、直观可视的方式进行城市空间发展模拟和预测,同现有的方法相比,对样本数量要求较少、计算效率更高、精度也更高。
附图说明
图1为本发明流程图。
图2为成都市2000年原始遥感影像。
图3为GIS平台下的可视化模型和图层划分。
图4为成都市城市发展仿真结果同历史数据对比。
图5是2017年和2020年成都大都市空间用地状况预测。
具体实施方式
下面结合成都市城市空间发展实施例和附图,详细说明本发明的技术方案。
如图1所示:
S1、建立基于支持向量机的城市元胞自动机模型SVM-GCA,包括:
S11、定义城市元胞状态:采用正方形元胞,城市元胞状态即为元胞对应的城市用地的用地性质,1表示该元胞为城市用地,-1表示该元胞为非城市用地;
S12、确定城市元胞邻域关系:采用Moore型邻域,元胞下相邻的8个元胞称为该元胞的邻域,邻域半径为1。在这种模型下,n维元胞空间中,一个元胞的邻居数量为3n-1。Moore型邻域在确保精度的同时,计算量又不至于过大。
S13、确定城市元胞用地转换因子:城市元胞用地性质的转化取决于每个元胞当前的地理环境因子x1、经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5以及政策因子x6,其中,所述经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5和政策因子x6从城市统计数据中抽取。上述6个因子构成了模型的自变量,它们来源于城市遥感影像数据、城市城市人口、土地变化、土地适应性等级、单位面积产量、交通状况、同期政策因素等统计数据;
S14、设计城市元胞状态转换规则:城市元胞在t+1时刻转换为建设用地的概率为其中F为决策函数,R为约束因子,Nt为t时刻元胞邻居影响因子,所述t时刻邻居影响因子Nt的确定方法为:t时刻的邻居影响因子Nt用元胞的邻居中城市用地元胞所占比例来表示,若第j个邻居元胞Cj为城市用地元胞,则S(Cj)=1,否则,S(Cj)=0,其中,S(Cj)为元胞状态函数,如S12所述,本发明采用Moore型邻域,每个元胞的邻居数量为8;
所述约束因子R的确定方法如下:如果地理元胞用地性质无法转换为建设用地,则R=0,否则R=1;
所述决策函数F的确定方法如下:
决策函数设训练样本集为{(xi,yi),i=1,2,…,l},分类输出为两种类型识别标识,表示为yi∈{+1,-1},1表示城市用地,-1表示非城市用地,其中,l为实际样本数,K(xi·x)为核函数,ai为惩罚因子、b为调整系数,x为自变量,xi为元胞用地转换因子,径向基函数参数σ=1,||x-xi||2=(x-xi)T·(x-xi),xi为第i个转换因子,调整系数b由已有样本值计算得到,其取值满足:N为标准支持向量个数,JN为标准支持向量集合,J为支持向量的集合。
S2、城市遥感图像分类处理及用地转换因子确定及优化,包括:根据城市遥感影像及成都市统计年鉴,获得城市用地转换因子x1~x6。
S3、基于SVM-GCA的成都市城市发展仿真预测,包括:
S31、基于GIS平台对城市遥感图像利用非监督分类方法(非监督分类方法建立在集群理论基础上,以不同影像在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类。该方法根据待分类样本特征参数的统计特征,建立决策规则来实现分类,不需预先知道类别特征。)进行分类处理,获得城市用地基础地理信息;根据城市统计数据构造其余5个用地转换因子;在GIS平台中用6个图层分别描述6大影响因子,如图3所示;
S32、构建城市元胞模型:元胞形状选择为正方形,利用GIS系统中栅格图像代表元胞空间,每个栅格对应一个元胞,元胞大小为30m×30m,元胞邻域类型确定为Moore型,即每个元胞有8个邻居元胞;
S33、根据如S14所述转换规则,计算城市元胞在t+1时刻转换为建设用地的概率在Pthreshold=0.8的初始设定下,即可得到t+1时刻城市用地图;
分别利用1980年、1994年以及2013年的成都城市土地利用图进行模型拟合优化,并确定阈值Pthreshold,仿真结果及历史数据对比如图4所示;
利用优化后的模型进行成都市城市发展模拟仿真,模型迭代的周期设定为1年,2017年和2020年成都市城市发展仿真结果如图5所示,该仿真过程计算量较小、运算效率高,其仿真结果可作为辅助决策手段运用到城市发展规划中。
Claims (7)
1.一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于,具体步骤如下:
S1、建立基于支持向量机的城市元胞自动机模型(Support Vector Machines basedGeographical Cellular Automata,SVM-GCA),具体为:
S11、定义城市元胞状态:城市元胞状态为城市用地性质描述即城市元胞模型的因变量y,所述城市元胞状态包括两种状态:城市用地和非城市用地,分别用1和-1进行编码,1表示该元胞为城市用地,-1表示该元胞为非城市用地;
S12、确定城市元胞邻域关系:采用Moore型邻域,元胞的上、下、左、右、左上、左下、右上、右下相邻的8个元胞称为该元胞的邻域,邻域半径为1;
S13、确定城市元胞用地转换因子:城市元胞用地性质的转化取决于每个元胞当前的地理环境因子x1、经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5以及政策因子x6,其中,所述经济增长因子x2、人口密度因子x3、土地价格因子x4、交通状况因子x5和政策因子x6从城市统计数据中抽取;
S14、设计城市元胞状态转换规则:城市元胞在t+1时刻转换为建设用地的概率为其中,F为决策函数,R为约束因子,Nt为t时刻元胞邻居影响因子;
S2、进行城市遥感图像分类处理和用地转换因子确定及优化,具体为:利用Envi 4.0软件,通过非监督分类法按照四种用地类别对遥感图像进行分类处理,其中,所述四种用地类别为:水域及山体(包括河流湖泊等,编号为1)、农林用地(包括园林和植被、耕地和空地等,编号为2)、城乡建设用地(包括居住用地、商业、工业、公共设施等,编号为3)和交通用地(包括公路、铁路、机场等,编号为4),并由此构成S13所述地理环境因子x1;
S3、基于SVM-GCA的城市发展仿真预测,具体为:
S31、基于GIS平台对城市遥感图像进行分类处理,获得城市用地基础地理信息,根据城市统计数据构造用地转换因子,在GIS平台中用6个图层分别描述6个影响因子;
S32、构建城市元胞模型:元胞形状选择为正方形,利用GIS系统中栅格图像代表元胞空间,每个栅格对应一个元胞,元胞大小为L×L,元胞邻域类型确定为Moore型,即每个元胞有8个邻居元胞,其中,L为不为零的自然数;
S33、根据S14所述转换规则,计算城市元胞在t+1时刻转换为建设用地的概率
S34、得出城市元胞在t+1时刻用地性质,所述用地性质按如下方法确定:
设城市元胞用地性质转变概率阈值为Pthreshold,
当城市元胞在t+1时刻转换为建设用地的概率Pt+1≥Pthreshold时,则判定t+1时刻该元胞将变为城市用地,
当Pt+1<Pthreshold时,则判定t+1时刻该元胞用地性质不变,
其中,所述Pthreshold通过城市发展历史数据拟合得到,为经验值;
S4、根据S1-S3对城市元胞用地性质变化进行K次迭代,最终获得未来城市空间发展模拟结果,其中,所述K为不为零的自然数,是经验值。
2.根据权利要求1所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:
S14所述t时刻邻居影响因子Nt的确定方法具体如下:
t时刻的邻居影响因子Nt用元胞的邻居中城市用地元胞所占比例来表示,若第j个邻居元胞Cj为城市用地元胞,则S(Cj)=1,否则,S(Cj)=0,其中,S(Cj)为元胞状态函数。
3.根据权利要求1所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:
S14所述约束因子R的确定方法如下:如果地理元胞用地性质无法转换为建设用地,则R=0,否则R=1。
4.根据权利要求1所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:
S14所述决策函数F的确定方法如下:
决策函数设训练样本集为{(xi,yi),i=1,2,…,l},分类输出为两种类型识别标识,表示为yi∈{+1,-1},1表示城市用地,-1表示非城市用地,其中,l为实际样本数,K(xi·x)为核函数,ai为惩罚因子、b为调整系数,x为自变量,xi为元胞用地转换因子,径向基函数参数σ=1,||x-xi||2=(x-xi)T·(x-xi),xi为第i个转换因子,调整系数b由已有样本值计算得到,其取值满足:N为标准支持向量个数,JN为标准支持向量集合,J为支持向量的集合。
5.根据权利要求4所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:所述惩罚因子ai的取值满足:0≤ai≤1,i=1,2,...,l,l为实际样本数。
6.根据权利要求1所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:S32所述L∈[20米,40米]。
7.根据权利要求1或6所述的一种基于SVM-GCA的城市空间发展模拟及预测方法,其特征在于:S32所述L为30米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610616985.XA CN106251014A (zh) | 2016-07-29 | 2016-07-29 | 基于svm‑gca的城市空间发展模拟及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610616985.XA CN106251014A (zh) | 2016-07-29 | 2016-07-29 | 基于svm‑gca的城市空间发展模拟及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251014A true CN106251014A (zh) | 2016-12-21 |
Family
ID=57605820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610616985.XA Pending CN106251014A (zh) | 2016-07-29 | 2016-07-29 | 基于svm‑gca的城市空间发展模拟及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251014A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN107229913A (zh) * | 2017-05-23 | 2017-10-03 | 国家地理空间信息中心 | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 |
CN111797523A (zh) * | 2020-06-30 | 2020-10-20 | 南京图申图信息科技有限公司 | 一种面向土地利用变化的多层次矢量元胞自动机建模方法 |
CN117171258A (zh) * | 2023-09-07 | 2023-12-05 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222313A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于核主成分分析的城市演化模拟元胞模型处理方法 |
CN102254106A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于元胞自动机的城市扩展模拟方法 |
CN102622503A (zh) * | 2011-12-31 | 2012-08-01 | 武汉理工大学 | 城市土地利用变化模拟方法 |
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
-
2016
- 2016-07-29 CN CN201610616985.XA patent/CN106251014A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222313A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 基于核主成分分析的城市演化模拟元胞模型处理方法 |
CN102254106A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于元胞自动机的城市扩展模拟方法 |
CN102622503A (zh) * | 2011-12-31 | 2012-08-01 | 武汉理工大学 | 城市土地利用变化模拟方法 |
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
Non-Patent Citations (6)
Title |
---|
QINGSHENG YANG: ""Cellular automata for simulating land use changes based on support vector machines"", 《COMPUTERS GEOSCIENCES》 * |
刘民岷: ""大型分布式组播访问控制系统MDAC"", 《计算机工程与设计》 * |
曹敏: ""基于MSVM-CA模型的区域土地利用演变模拟"", 《中国土地科学》 * |
杨青生: ""基于支持向量机的元胞自动机及土地利用变化模拟"", 《遥感学报》 * |
韩效: ""基于改进元胞自动机的成都城市扩张仿真模拟"", 《四川师范大学学报》 * |
韩效: ""大都市城市空间发展研究:以成都市和美国三个城市为例"", 《中国优秀博士论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN106780089B (zh) * | 2016-12-27 | 2020-10-16 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN107229913A (zh) * | 2017-05-23 | 2017-10-03 | 国家地理空间信息中心 | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 |
CN111797523A (zh) * | 2020-06-30 | 2020-10-20 | 南京图申图信息科技有限公司 | 一种面向土地利用变化的多层次矢量元胞自动机建模方法 |
CN111797523B (zh) * | 2020-06-30 | 2024-03-22 | 南京图申图信息科技有限公司 | 一种面向土地利用变化的多层次矢量元胞自动机建模方法 |
CN117171258A (zh) * | 2023-09-07 | 2023-12-05 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
CN117171258B (zh) * | 2023-09-07 | 2024-04-12 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
Yao et al. | Simulating urban land-use changes at a large scale by integrating dynamic land parcel subdivision and vector-based cellular automata | |
Grekousis et al. | Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area | |
Ke et al. | A partitioned and asynchronous cellular automata model for urban growth simulation | |
Liu et al. | Modeling different urban growth patterns based on the evolution of urban form: A case study from Huangpi, Central China | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
Han et al. | Groundwater level prediction using a SOM-aided stepwise cluster inference model | |
Wang et al. | Simulating multiple class urban land-use/cover changes by RBFN-based CA model | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN106251014A (zh) | 基于svm‑gca的城市空间发展模拟及预测方法 | |
CN104850677A (zh) | 基于地理信息系统的深度学习元胞自动机仿真分析方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
He et al. | Deriving urban dynamic evolution rules from self-adaptive cellular automata with multi-temporal remote sensing images | |
Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
CN116911052A (zh) | 一种基于数字孪生的智慧城市的组件化构建方法 | |
Nourani et al. | Classification of groundwater level data using SOM to develop ANN-based forecasting model | |
Fang et al. | A two-stage approach integrating SOM-and MOGA-SVM-based algorithms to forecast spatial-temporal groundwater level with meteorological factors | |
Zoraghein et al. | A spatial population downscaling model for integrated human-environment analysis in the United States | |
Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
CN104537660B (zh) | 基于多目标智能体进化聚类算法的图像分割方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161221 |