CN110222886A - 一种商业建筑逐时人员密度预测方法 - Google Patents
一种商业建筑逐时人员密度预测方法 Download PDFInfo
- Publication number
- CN110222886A CN110222886A CN201910448685.9A CN201910448685A CN110222886A CN 110222886 A CN110222886 A CN 110222886A CN 201910448685 A CN201910448685 A CN 201910448685A CN 110222886 A CN110222886 A CN 110222886A
- Authority
- CN
- China
- Prior art keywords
- density
- personnel
- commercial building
- model
- prediction technique
- 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 27
- 238000012887 quadratic function Methods 0.000 claims abstract description 8
- 238000012886 linear function Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000002902 bimodal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 2
- 229910052742 iron Inorganic materials 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 20
- 238000004088 simulation Methods 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 11
- 239000000178 monomer Substances 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract 1
- 238000010438 heat treatment Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种商业建筑逐时人员密度预测方法。确定3种商业建筑类型，并通过调研，分别获得实际逐时人员密度。用正态分布函数的叠加建立人员密度模型。其中，购物中心、超级市场的人员密度模型分别为2个、3个正态分布函数的叠加；专业店的模型为2个或3个正态分布函数的叠加。建立的模型包含参数a1,a2,a3,b1,b2,b3,c1,c2,c3，用城市因子交通可达性T r 和人口等级P o 进行替换，以简化模型。最终发现，a1,b1,c1与T r 或P o 呈强相关性，可用线性函数表示；a2,b2,c2与T r 、P o 的相关性不强，用平均值表示；a3与a1，b3与b1，c3与c1分别呈二次函数关系。本发明提供的一种商业建筑逐时人员密度预测方法可服务于城市尺度及单体层面的能耗模拟，以及安全疏散系统设计。
Description
技术领域
本发明属于新能源及节能技术领域，为一种商业建筑逐时人员密度预测方法，适用于城 市尺度及单体层面的建筑节能，建筑防火设计等具体方面。
背景技术
为了应对目前面临的能源短缺与环境恶化问题，多国政府陆续建立了节能减排这一宏观 目标。为了实现节能减排这一宏伟目标，相关学者需要进一步发展能耗模拟预测技术，以此 为政府制定高效的节能政策提供科学依据。
城市建筑能耗是城市能耗的主要构成部分，可占到社会总能耗的30-40％。而其中，商业 建筑能耗又是建筑能耗的高密度领域。由于在商业建筑中，大量的建筑内区增加了照明能耗， 高密度的室内散热增加了空调负荷，商业建筑的单位面积能耗约可达到住宅的10-20倍，实 属巨大。因此，对商业建筑进行合理、准确的能耗模拟预测，以指导商业建筑的运行管理策 略，对于社会节能减排工作具有重要影响。
关于建筑单体的能耗模拟技术已发展的相对成熟。近年来，又新兴了一种“自下而上” 的城市能耗模拟方法——城市建筑能耗模型法。事实上，无论是单体层面的，还是城市尺度 的建筑能耗模拟，都依赖相关模拟参数的准确输入。美国的Reinhart教授指出，不精确的参 数输入会导致不精确的模拟结果，进而造成建筑设计、能源改造、低碳城市建立等方面的决 策失误。而在这些参数中，人员密度又是一个特别重要的参数。美国学者D’Oca指出，对人 员密度的深入理解，可以大大降低预测能耗与实际能耗之间的误差，进而提高能耗预测的准 确性。在实际生活中，每幢建筑的人员密度模型都具有差异性与动态性。但是，大部分的能 耗模拟研究都将同类型建筑的人员密度变化处理为一个固定的变化表，如：对大型办公建筑 进行能耗模拟时，统一使用大型办公建筑人员密度变化表作为输入参数。不可否认，即使是 同类型的建筑，其人员密度变化也是不尽相同的，还受到地理限制与人口密度等参数的影响。 这些影响尤其体现在商业建筑上，诸如：交通便利、附近人口密集的商场，人员密度将比一 般性商场更大。因此，固定的人员密度变化时间表是不能满足现如今越来越高的模拟精度要 求的。本发明将提出一套完整的理论方法，利用大数据快速且准确的建立商业建筑逐时人员 密度模型，以提高建筑单体及城市尺度上的能耗模拟预测的准确性。
另外，针对商业建筑人员密集的特点，该发明也可以进行有效的拓展，为商业建筑防火 设计提供一定的技术支持。建筑内人员安全疏散系统的设计是建筑防火设计的一个重要环节。 其中，建筑人员密度是安全疏散系统设计的关键参数。依据本发明的人员密度预测，可以良 好地服务于安全疏散系统设计。
发明内容
本发明要解决的问题是：现有的基于固定人员密度变化表的能耗模拟准确度不高，无法 更好的推广于建筑优化设计以及节能政策的制定，需要一种更为准确的动态人员密度模型， 为能耗模拟研究提供更好的技术支持。同时，解决商业建筑人员安全疏散系统设计需求。
本发明的一种商业建筑逐时人员密度预测方法，包括以下步骤：
步骤一：确定商业建筑具体类型；
步骤二：获取典型商业建筑实际人员密度；
步骤三：建立人员密度模型。
其中，步骤一：确定商业建筑具体类型；
依据《商店建筑设计规范(JGJ48-2014)》，商业建筑分为购物中心，超级市场，专业店 等(具体解释见表1)。由于具体类型的商业建筑人员密度模型各不相同，不可统一建立商业 建筑这一大类人员密度模型，而应分类建立各具体类型商业建筑的人员密度模型。
表1.商业建筑分类说明
其中，步骤二：获取典型商业建筑实际人员密度；
每一幢商业建筑都有多个出入口，在每个出入口布置调研人员，得到商业建筑各个出入 口的逐时进、出人数，求出第i个小时的人员密度di为：
其中,S表示建筑面积，m2；mi表示第i个小时内所有出入口的进入人数；ni表示第i个 小时内所有出入口的外出人数。
其中，步骤三：建立人员密度模型；
各具体类型商业建筑的人员密度模型通常与其营业性质有关。购物中心营业时间多为 10:00-22:00；超级市场营业时间一般为8:00-22:00；专业店，如：家具店，电器城等，其营业 时间通常不固定，有的营业至下午18点或19点，有的营业至夜晚21点或22点。
通过试验，发现正态分布函数的叠加对模型的拟合效果最好。其中，购物中心类建筑表 征为2个正态分布函数的叠加，呈现“双峰态”，数学模型如式(2)；超级市场类建筑表征为 3个正态分布函数的叠加，呈现“三峰态”，数学模型如式(3)；专业店类建筑表征为2个或 3个函数的叠加，呈现“双峰态”或“三峰态”，数学模型如式(4)。具体取决于其营业截至时间是否超过19点。三类建筑人员密度的数学模型如式(2)-(4)所示：
对于式(4)中的p有如下解释：
其中，a1,b1,c1表示第一、二、三个峰值人员密度；a2,b2,c2表示到达第一、二、三个峰 值人员密度的时间；a3,b3,c3表示正态分布函数的倾斜程度，数值越小，越倾斜。a1,b1,c1与 Tr或Po呈强相关性，用线性函数表示；a2,b2,c2与Tr、Po的相关性不强，用各自的平均值表示；a3,b3,c3具有数学含义，与Tr、Po不直接相关，而与a1,b1,c1直接相关；其中，a3与a1呈二次函数关系，b3与b1呈二次函数关系，c3与c1呈二次函数关系。
为了使模型简化且具有一般性特征，用城市因子交通可达性Tr和人口等级Po替换参数 a1,a2,a3,b1,b2,b3,c1,c2,c3，即:
(a1，a2，a3，b1，b2，b3，c1，c2，c3)～f(Tr，Po) (6)
交通可达性Tr的获取基于私人交通可达性与公共交通可达性，如式(7)所示：
Tr＝0.5×Spri+0.5×Spub (7)
其中，假定人们出行选择私人交通与公共交通的概率相同。Spri表示私家车沿着城市路网， 以500m/min的速度，行驶30min所覆盖的服务范围；Spub表示公交车与地铁分别沿着公交、 地铁线路，行驶30min所覆盖的服务范围；公交车速度为500m/min，地铁速度具体参考《2019 南京地铁首末班时间一览表》。
人口等级Po的建立基于百度人口热力图数据。人口热力度不同于人口实际数量，它反映 的是人口数量的相对大小，与实际值不相等但正相关。人口热力度每小时刷新一次，通过数 值逐时叠加，分别得到工作日、周末全天的人口热力度。
本发明具有以下优点：
1.本发明构建的商业建筑人员密度模型仅与交通可达性与人口等级有关，模型简洁，不 冗杂，可以被良好地复制于多个城市的应用之中。
2.由于交通可达性与人口等级是城市尺度的影响因子，可以覆盖整个城市。因此，本发 明可以拓展到整个城市的商业建筑人员密度模型建立，覆盖面广，使海量商业建筑人员密度 模型的快速建立成为可能，大大减少了人们逐一建模的工作量。
3.本发明构建的商业建筑人员密度模型既确保了人员密度变化地动态性，也确保了同一 类型商业建筑间的差异性，大大提高了模型的准确性，进而提高能耗模拟的精度。使得相关 节能政策的制定更为合理。
本发明提供的逐时人员密度预测还可服务于建筑内人员安全疏散系统的设计。
附图说明
图1为本发明的流程图；
图2为商业建筑出入口分布(样例)；
图3(a)为购物中心商业建筑人员密度函数拟合图形(样例)：；
图3(b)为超级市场商业建筑人员密度函数拟合图形(样例)；
图3(c)为专业店超级市场商业建筑人员密度函数拟合图形(样例)(营业截至时间晚于19 点)；
图3(d)为专业店超级市场商业建筑人员密度函数拟合图形(样例)(营业截至时间早于19 点)；
图4(a)为私人交通可达性；
图4(b)为公共交通可达性；
图5(a)为百度人口热力度图-工作日示例(南京)；
图5(b)为百度人口热力度图-周末示例(南京)；
图6(a)为样本1建筑逐时人员密度实测及拟合图；
图6(b)为样本2建筑逐时人员密度实测及拟合图；
图6(c)为样本3建筑逐时人员密度实测及拟合图；
图6(d)为样本4建筑逐时人员密度实测及拟合图；
图7为实测数据与预测模型比较图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说 明本发明而不用于限制本发明的范围。
实施例1
如图1所示的一种商业建筑逐时人员密度预测方法，包括以下步骤：
步骤一：确定商业建筑具体类型；
步骤二：获取典型商业建筑实际人员密度；
步骤三：建立人员密度模型。
其中，步骤一：确定商业建筑具体类型；
依据《商店建筑设计规范(JGJ48-2014)》，商业建筑分为购物中心，超级市场，专业店 等(具体解释见表1)。由于具体类型的商业建筑人员密度模型各不相同，不可统一建立商业 建筑这一大类人员密度模型，而应分类建立各具体类型商业建筑的人员密度模型。
表1.商业建筑分类说明
其中，步骤二：获取典型商业建筑实际人员密度；
每一幢商业建筑都有多个出入口，在每个出入口布置调研人员，得到商业建筑各个出入 口的逐时进、出人数，求出第i个小时的人员密度di为：
其中,S表示建筑面积，m2；mi表示第i个小时内所有出入口的进入人数；ni表示第i个 小时内所有出入口的外出人数。
其中，步骤三：建立人员密度模型；
各具体类型商业建筑的人员密度模型通常与其营业性质有关。购物中心营业时间多为 10:00-22:00；超级市场营业时间一般为8:00-22:00；专业店，如：家具店，电器城等，其营业 时间通常不固定，有的营业至下午18点或19点，有的营业至夜晚21点或22点。
通过试验，发现正态分布函数的叠加对模型的拟合效果最好。其中，购物中心类建筑表 征为2个正态分布函数的叠加，呈现“双峰态”；超级市场类建筑表征为3个正态分布函数的 叠加，呈现“三峰态”；专业店类建筑表征为2个或3个函数的叠加，呈现“双峰态”或“三峰态”，具体取决于其营业截至时间是否超过19点。三类建筑人员密度的数学模型如式(2)-(4) 所示：
对于式(4)中的p有如下解释：
其中，a1,b1,c1表示第一、二、三个峰值人员密度；a2,b2,c2表示到达第一、二、三个峰 值人员密度的时间；a3,b3,c3表示正态分布函数的倾斜程度，数值越小，越倾斜。a1,b1,c1与 Tr或Po呈强相关性，用线性函数表示；a2,b2,c2与Tr、Po的相关性不强，用各自的平均值表示；a3,b3,c3具有数学含义，与Tr、Po不直接相关，而与a1,b1,c1直接相关；其中，a3与a1呈二次函数关系，b3与b1呈二次函数关系，c3与c1呈二次函数关系。
为了使模型简化且具有一般性特征，用城市因子交通可达性Tr和人口等级Po替换参数 a1,a2,a3,b1,b2,b3,c1,c2,c3，即:
(a1，a2，a3，b1，b2，b3，c1，c2，c3)～f(Tr，Po) (6)
交通可达性Tr的获取基于私人交通可达性与公共交通可达性，如式(7)所示：
Tr＝0.5×Spri+0.5×Spub (7)
其中，假定人们出行选择私人交通与公共交通的概率相同。Spri表示私家车沿着城市路网， 以500m/min的速度，行驶30min所覆盖的服务范围；Spub表示公交车与地铁分别沿着公交、 地铁线路，行驶30min所覆盖的服务范围；公交车速度为500m/min，地铁速度具体参考《2019 南京地铁首末班时间一览表》。
人口等级Po的建立基于百度人口热力图数据。人口热力度不同于人口实际数量，它反映 的是人口数量的相对大小，与实际值不相等但正相关。人口热力度每小时刷新一次，通过数 值逐时叠加，分别得到工作日、周末全天的人口热力度。
实施例2
为了使实施例1的方法更为直观和易于理解，以购物中心的人员密度模型建立为例进行 相关说明：
1.确定商业建筑具体类型。将购物中心作为本发明的具体说明对象。
2.获取典型商业建筑实际人员密度。为了确保调研样本的代表性，选取四幢分布分散， 不处于同一行政区的购物中心，包括大洋百货(弘阳广场店)、景枫(江宁)、森林摩尔、德 基广场，进行实地调研。每幢建筑分别选取工作日、周末一日，在各样本建筑的每个出入口 布置调研人员，逐时记录进、出人数。最后依据统计的建筑面积和式(1)求出逐时人员密度 (见图6)。
为了保护一定的隐私性，四幢建筑的人员密度模型不进行详细的对应说明。
3.建立人员密度模型。通过2个正态分布函数的叠加来描述购物中心的逐时人员密度模 型(如图6所示)，其中，各模型的参数a1,a2,a3,b1,b2,b3汇总如表1：
表1.模型参数a1,a2,a3,b1,b2,b3汇总表
接着，需用城市因子交通可达性Tr和人口等级Po替换参数a1,a2,a3,b1,b2,b3,c1,c2,c3。 各模型的因子Tr与Po汇总如表2：
表2.模型因子Tr，Po汇总表
| 样本 | 交通可达性(m<sup>2</sup>) | 人口等级(工作日) | 人口等级(周末) |
| 1 | 786484627.114840 | 780 | 780 |
| 2 | 309047866.150566 | 855 | 923 |
| 3 | 782976049.279998 | 1699 | 1915 |
| 4 | 659151120.762668 | 826 | 861 |
针对四个样本建筑，进行城市因子与模型参数之间的相关性分析，结果汇总如表3，表4：
表3.相关性分析(工作日)
表4.相关性分析(周末)
由此可见：a1,b1与人口等级Po强相关，a2,b2与城市因子交通可达性Tr和人口等级Po相关性不强。因此，参数a1,b1可用关于人口等级Po表示，参数a2,b2用平均值表示。参数a3,b3仅具有数学意义，不具有物理意义，因此a3,b3与城市因子间不具有相关性。经拟合，a3与a1,b3与b1分别满足二次函数关系。至此，购物中心的逐时人员密度模型如表5所示：
表5.购物中心人员密度模型
4.模型检验。选取某一购物中心(工作日)作为验证样本，依据交通可达性Tr＝693213373.323254m2和人口等级Po＝853，其预测模型为：
通过与实测数据的比较，预测模型的R2可达0.959(如图7)，具有很好的预测效果。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上 技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在 不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的 保护范围。
Claims (10)
1.一种商业建筑逐时人员密度预测方法，其特征在于：所述方法包括以下步骤：
步骤一：确定商业建筑具体类型；
步骤二：获取典型商业建筑实际人员密度；
步骤三：建立人员密度模型。
2.根据权利要求1所述的一种商业建筑逐时人员密度预测方法，其特征在于：所述步骤一种的商业建筑类型包括购物中心、超级市场、专业店。
3.根据权利要求1所述的一种商业建筑逐时人员密度预测方法，其特征在于：所述步骤二中，获取典型商业建筑实际人员密度的具体方法为：在商业建筑出入口统计逐时进、出人数，求出第i个小时的人员密度di为：
其中,S表示建筑面积，m2；mi表示第i个小时内所有出入口的进入人数；ni表示第i个小时内所有出入口的外出人数。
4.根据权利要求2所述的一种商业建筑逐时人员密度预测方法，其特征在于：所述步骤三中的人员密度模型的建立基于正态分布函数的叠加。
5.根据权利要求4所述的一种商业建筑逐时人员密度预测方法，其特征在于：步骤三中的购物中心的人员密度模型为2个正态分布函数的叠加，呈现“双峰态”，数学模型如式(2)：
6.根据权利要求4所述的一种商业建筑逐时人员密度预测方法，其特征在于：步骤三中的超级市场的人员密度模型为3个正态分布函数的叠加，呈现“三峰态”，数学模型如式(3)：
7.根据权利要求4所述的一种商业建筑逐时人员密度预测方法，其特征在于：步骤三中的专业店的人员密度模型为2个或3个正态分布函数的叠加，呈现“双峰态”或“三峰态”，数学模型如式(4)：
对于式(4)中的p如下解释：
其中，a1,b1,c1表示第一、二、三个峰值人员密度；a2,b2,c2表示到达第一、二、三个峰值人员密度的时间；a3,b3,c3表示正态分布函数的倾斜程度，数值越小，越倾斜。
8.根据权利要求5-7所述的任意一种商业建筑逐时人员密度预测方法，其特征在于：所述步骤三中，人员密度模型中的参数a1,a2,a3,b1,b2,b3,c1,c2,c3用城市因子交通可达性Tr和人口等级Po进行替换；即:
(a1，a2，a3，b1，b2，b3，c1，c2，c3)～f(Tr，Po) (6)
9.根据权利要求8所述的一种商业建筑逐时人员密度预测方法，其特征在于：交通可达性Tr的获取基于私人交通可达性与公共交通可达性，如式(7)所示：
Tr＝0.5×Spri+0.5×Spub (7)
其中，假定出行选择私人交通与公共交通的概率相同；Spri表示私家车沿着城市路网，以500m/min的速度，行驶30min所覆盖的服务范围；Spub表示公交车与地铁分别沿着公交、地铁线路，行驶30min所覆盖的服务范围；公交车速度为500m/min。
10.根据权利要求8所述的一种商业建筑逐时人员密度预测方法，其特征在于：a1,b1,c1与Tr或Po呈强相关性，用线性函数表示；a2,b2,c2与Tr、Po的相关性不强，用各自的平均值表示；a3,b3,c3具有数学含义，与Tr、Po不直接相关，而与a1,b1,c1直接相关；其中，a3与a1呈二次函数关系，b3与b1呈二次函数关系，c3与c1呈二次函数关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910448685.9A CN110222886A (zh) | 2019-05-28 | 2019-05-28 | 一种商业建筑逐时人员密度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910448685.9A CN110222886A (zh) | 2019-05-28 | 2019-05-28 | 一种商业建筑逐时人员密度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222886A true CN110222886A (zh) | 2019-09-10 |
Family
ID=67818547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910448685.9A Pending CN110222886A (zh) | 2019-05-28 | 2019-05-28 | 一种商业建筑逐时人员密度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222886A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751553A (zh) * | 2008-12-03 | 2010-06-23 | 中国科学院自动化研究所 | 一种大规模人群密度分析和预测方法 |
| CN108681791A (zh) * | 2018-05-16 | 2018-10-19 | 北京理工大学 | 一种人流密度预测方法、装置及存储介质 |
-
2019
- 2019-05-28 CN CN201910448685.9A patent/CN110222886A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751553A (zh) * | 2008-12-03 | 2010-06-23 | 中国科学院自动化研究所 | 一种大规模人群密度分析和预测方法 |
| CN108681791A (zh) * | 2018-05-16 | 2018-10-19 | 北京理工大学 | 一种人流密度预测方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 武玥等: ""Hourly occupant density prediction in commercial buildings for urban energy simulation"", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
| CN111612223B (zh) * | 2020-05-06 | 2023-05-02 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reames | Distributional disparities in residential rooftop solar potential and penetration in four cities in the United States | |
| CN107917987B (zh) | 一种面向城市空气污染物溯源分析方法 | |
| Lara et al. | Energy audit of schools by means of cluster analysis | |
| Toole et al. | Inferring land use from mobile phone activity | |
| Lin et al. | Measured energy use and indoor environment quality in green office buildings in China | |
| Zhao et al. | Ridership and effectiveness of bikesharing: The effects of urban features and system characteristics on daily use and turnover rate of public bikes in China | |
| Ding et al. | Benchmark analysis of electricity consumption for complex campus buildings in China | |
| Li et al. | Energy performance simulation for planning a low carbon neighborhood urban district: A case study in the city of Macau | |
| Liu et al. | Energy-saving potential prediction models for large-scale building: A state-of-the-art review | |
| Dahlström et al. | Advancing urban building energy modelling through new model components and applications: A review | |
| Wang et al. | Identifying redundant monitoring stations in an air quality monitoring network | |
| Yang et al. | Analysis of typical meteorological years in different climates of China | |
| Barone et al. | Assessing energy demands of building stock in railway infrastructures: a novel approach based on bottom-up modelling and dynamic simulation | |
| Ma et al. | Evaluation of spatial performance and supply-demand ratios of urban underground space based on POI data: A case study of Shanghai | |
| Vaisi et al. | Developing a multi-level energy benchmarking and certification system for office buildings in a cold climate region | |
| Ding et al. | Comparison of the applicability of city-level building energy consumption quota methods | |
| CN116050879A (zh) | 一种基于城市体检评估的城市更新方法及系统 | |
| Xing et al. | Sustainable development evaluation of urban traffic system | |
| Cui et al. | Evolution-based CO2 emission baseline scenarios of Chinese cities in 2025 | |
| CN110222886A (zh) | 一种商业建筑逐时人员密度预测方法 | |
| Bruhns | Identifying determinants of energy use in the UK nondomestic stock | |
| CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
| Tu | Establishing the DEA energy management system for individual departments within universities | |
| Tang et al. | Use of publicly available data to create a dataset for data-driven urban commercial building energy intensity classification: Model accuracy, interpretation, and implications of an open data framework in Hong Kong | |
| CN113205212B (zh) | 面向职住分离评价的空间单元尺度优化方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
| RJ01 | Rejection of invention patent application after publication |