CN110288202A - 一种城市公园绿地设施状态评估优化方法 - Google Patents

一种城市公园绿地设施状态评估优化方法 Download PDF

Info

Publication number
CN110288202A
CN110288202A CN201910468003.0A CN201910468003A CN110288202A CN 110288202 A CN110288202 A CN 110288202A CN 201910468003 A CN201910468003 A CN 201910468003A CN 110288202 A CN110288202 A CN 110288202A
Authority
CN
China
Prior art keywords
park
data
index
particle
scale
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
Application number
CN201910468003.0A
Other languages
English (en)
Inventor
亢孟军
刘珮玥
苏世亮
翁敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910468003.0A priority Critical patent/CN110288202A/zh
Publication of CN110288202A publication Critical patent/CN110288202A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种城市公园绿地设施状态评估优化方法，包括提取地理国情要素的基础数据以及交通大数据并进行整合，所示基础数据包括社区数据、公园数据和统计单元数据；计算6项基本统计指标，包括统计单元尺度公园绿地供给数量指标、公园尺度绿地供给质量指标、统计单元尺度公园绿地服务能力指标、公园尺度可达性及服务能力指标、小区尺度可达性及供给均等化指标和研究区域尺度公园绿地供给均等化指标；基于计算所得基本统计指标，进行聚类综合分析；基于交通大数据，根据城市内公园和社区分布状况识别盲区；基于盲区和交通大数据，利用核密度分析得到盲区较为聚集的区域，并利用粒子群优化算法得到新建公园选址的优化结果。

Description

一种城市公园绿地设施状态评估优化方法
技术领域
本发明涉及城市公共服务设施自动化分析领域，尤其是涉及一种城市公园绿地设施状态评估优化方法。
背景技术
城市绿地是城市生态系统的重要组成部分，它作为完善城市生存环境和维持自然生态平衡的关键要素，不仅为城市提供适宜的生态环境，增强城市景观的自然性，而且能改善生活环境，满足居民的游憩活动。为了能够准确、方便地评价城市公园绿地的服务程度，该模型提供了评价城市公园绿地的基础指标、综合分析、优化等多个指标，通过模型的分析结果来评价该地区公园绿地的发展水平，为城市绿化、管理项目提供科学支撑。
目前，已有大量的指标用于评价城市公园绿地的空间分布及供给水平，如常见的人均公园绿地面积、边缘密度、可达性指标等等。通过大量研究发现，早期的研究更多的是对绿地空间分布的某一方面来进行评估，如绿地可达性评估。其主要方法包括行政或统计单元计算法、最小邻近距离法、服务区法和引力模型法。这4种方法的优缺点见表1。
表1公园绿地供给数量指标说明
发明内容
针对现有技术缺陷，本发明提出一种城市公园绿地设施状态评估优化方法。
本发明提供一种城市公园绿地设施状态评估优化方法，包括如下步骤：
步骤1，提取地理国情要素的基础数据以及交通大数据并进行整合，所示基础数据包括社区数据、公园数据和统计单元数据；
步骤2，计算6项基本统计指标，包括统计单元尺度公园绿地供给数量指标、公园尺度绿地供给质量指标、统计单元尺度公园绿地服务能力指标、公园尺度可达性及服务能力指标、小区尺度可达性及供给均等化指标和研究区域尺度公园绿地供给均等化指标；
步骤3，基于步骤2计算所得基本统计指标，进行聚类综合分析；
步骤4，基于交通大数据，根据城市内公园和社区分布状况识别盲区；
步骤5，基于步骤4得到的盲区和交通大数据，利用核密度分析得到盲区较为聚集的区域，并利用粒子群优化算法得到新建公园选址的优化结果。
而且，步骤1中，基础数据采用地理国情普查数据中的地理国情要素数据，交通大数据中包括步行距离、驾车距离、自行车距离和公交距离；整合数据是指进行统一规范化处理和配准，设置一致的空间参考坐标。
而且，步骤3中，识别盲区的数据来源于互联网所提供的交通大数据。
而且，步骤5中，利用粒子群优化算法得到新建公园选址的优化结果实现过程包括以下子步骤，
步骤5.1，输入盲区数据，设置最大迭代次数，将每个盲区看作一个粒子；
步骤5.2，设置适应度函数，包括设置适宜性目标及目标权重；
步骤5.3，每一轮搜索，每个粒子都能找到自己的最佳选址位置，在每次搜索结束后，每个粒子的最佳位置会和整个种群的最佳位置进行比较，调整自己的位置；
步骤5.4，设每一个粒子有d维属性，第i个粒子在特征空间中的位置表示为Xij，这个粒子在特征空间中的历史最优位置记为Pij，这个粒子沿各个维度的运动速度记为Vij，Xgj为第i个粒子在第j维度的最优位置，Pgj为群体在第j维度的历史最优位置，Vij为第i个粒子结合自身位置与群体位置判断的下一时刻沿 j维度的速度；
粒子的移动通过速度来决定移动的方向和距离，更新公式如下：
Vij＝Vij+C1×rand(0,1)×(Pij-Xij)+C2×rand(0,1)×(Pgj-Xgj)
Xij＝Xij+Vij
其中，常数C1，C2为学习因子，rand(0,1)是介于[0,1]之间的随机数，第i 个粒子在第j维度上按上式更新自身的位置；
步骤5.5，当达到用户设定的最大迭代次数或全局最优位置满足最小的界限时，搜索结束，得到公园选址配置的优化结果，否则将继续执行步骤5.3和步骤 5.4，循环迭代。
而且，步骤5.2中，所有的粒子都由一个适应值来判断位置的好坏，适应值为小区到选址公园的距离或公园的服务人口或其他。
而且，步骤5.4中，常数C1和C2均取值为2。
与现有技术相比较，本技术方案的优点在于提供了综合指标，对计算的基础指标如数量指标、质量指标、供给水平指标等综合分析，并对分析区域的现状提出优化指标；且采用PSO算法来进行公园优化选址，通过个体和种群的关系将个体聚集到所选区域。
附图说明
图1是本发明实施例的流程图。
具体实施方式
下面通过结合附图和实施例，对本发明的技术方案作进一步具体的实现说明。
本发明提出的城市公园绿地设施状态评估优化方法是以地理国情为基础并结合交通时间数据，构建公园绿地资源均等化测算模型，从供给数量(面积)、质量(景观格局)、服务能力、可达性、均等化等方面评估现状规划目标实现程度，识别公园服务水平薄弱的社区，为提升居民到达公园设施的便利性与覆盖度提供决策支持。除此之外，该方法采用了粒子群算法优化公园选址，是通过模拟昆虫觅食的经验来改变搜索模式，最后种群中的个体聚集到的区域就是自动化搜索所得选址建议点，与常用于选址的蚁群算法相比较，粒子群算法有较快的逼近最优解的速度且具有较好的稳定性。
参见图1，本发明实施例提出的一种城市公园绿地设施状态评估优化方法，包括以下步骤：
步骤1.提取地理国情要素的基础数据(社区数据、公园数据、统计单元数据)以及交通大数据并进行整合。
所述的步骤1中，基础数据采用地理国情普查数据中的地理国情要素数据，交通大数据中包括步行距离、驾车距离、自行车距离和公交距离。整合数据是指这些数据是多种来源、不同格式的数据，要对这些空间数据进行统一规范化处理。然后对这些空间数据进行配准，设置一致的空间参考坐标。
实施例根据实际专题数据的字段信息(如表2)对数据进行处理，进行统一规范化处理，包含社区数据(小区数据)、公园数据(公园绿地数据)、统计单元数据(统计区域数据)、交通大数据(小区到公园时间数据)。
表2模型计算数据字段信息说明表
步骤2.应用城市绿地系统评价指标体系，进行建模，根据不同指标选择不同处理单位，计算基础指标6项，从供给数量(面积)、质量(景观格局)、服务能力、可达性、均等化等方面评估现状规划目标实现程度。
实施例根据小区数据、公园数据、时间数据以及统计单元数据，计算图1 中所包含的6项基本统计指标，包括(1)统计单元尺度公园绿地供给数量指标 (公园总面积、人均公园面积、公园绿地覆盖率、公园绿地占有率、公园绿地服务率)、(2)公园尺度绿地供给质量指标(斑块密度、最大斑块指数、边缘密度、平均形状指数、平均分维数、总质量值)、(3)统计单元尺度公园绿地服务能力指标(服务人口比)、(4)公园尺度可达性及服务能力指标(公园供需比、公园可达性)、(5)小区尺度可达性及供给均等化指标(小区可达性、小区均等化值、小区需求指数)、(6)研究区域尺度公园绿地供给均等化指标(洛伦兹曲线值、基尼系数)。
实施例中，各指标计算实现如下：
1.统计单元尺度公园绿地供给数量指标
该指标应用于研究区域尺度和统计单元尺度。根据《城市绿化规划建设指标的规定》，公园绿地数量评价指标主要指人均公园绿地面积、城市公园绿地覆盖率和公园绿地率等。其详细描述如表3：
表3公园绿地供给数量指标说明
2.公园尺度绿地供给质量指标
该指标可应用于公园尺度、统计单元尺度或研究区域尺度。
绿地的质量指的是绿地内部的尺寸、形态和自然环境功能。从单个斑块 (patch)的水平对单个公园的景观质量分析。从若干个斑块组成的斑块类型 (class)水平对统计单元进行景观质量分析。用以评价公园质量的景观指数主要有：斑块密度、最大斑块指数、边缘密度、平均形状指数、平均分维数、周长面积比、平均邻近指数、连接度、分离度、聚合度等。其公式及生态学意义如下表 4。通过熵权法对以上指标进行综合得到公园质量综合评价指标，其值越大说明公园质量越好，生态和社会服务功能越好。
表4公园绿地供给质量指标说明
3.统计单元尺度公园绿地服务能力指标
该指标可应用于统计单元尺度或研究区域尺度。
公园绿地服务能力指标是指统计单元内公园服务的人口占比。即以小区一定时间可到达的范围(通常设定为15分钟)作为社区公共资源配置的基本单元，根据交通大数据统计各小区到公园的步行时间，选取步行时间阈值内可达公园的小区，以服务人口数、服务人口比来衡量统计单元的公园服务能力。
服务人口比(％)＝统计单元内公园绿地提供服务的人口/研究区域总人口×(100％)
4.公园尺度可达性及服务能力模型
该模型应用于公园尺度。
城市公园绿地可达性是城市公园绿地格局分析和服务功能评价的指标内容。可达性指标是在考虑供给方的供给能力、需求方对供给方的需求和供需双方在空间上的联系前提下，计算需求方到达供给方的方便程度。因此，影响绿地景观的空间可达性主要因素有两个方面：一是绿地景观的吸引力(如公园面积的大小) 及其空间格局；二是不同需求人群的空间分异情况，常用服务半径模拟城市公园绿地服务范围，计算服务面积比、服务人口比等指标评价绿地景观服务状况。本模型采用的是两步移动搜索法，它将非空间属性融入到空间可达性研究中，在计算可达性的过程中考虑到供给点规模、需求点规模以及供给点和需求点之间的相互作用。
两步移动搜索法在计算时增加了距离衰减系数，较为准确地刻画公共服务设施的可达性虽距离衰减而变化的特正，既考虑了人均资源占有量，又纳入了距离因素，评价结果更加可靠。其计算过程为：
第一步，对每个供给点(j)，搜索所有离供给点距离阈值范围内的需求点(i)，计算供需比：
公式中Rj为供应点的供需比，在公园专题中表示潜在人均公园绿地面积；i 为需求点、j为供给点，在公园绿地模型中，i为小区、j为公园；Sj为供给点的服务能力(本模型中为公园的面积)、Di为需求点的规模(本模型中为小区的人口数量)；k为公园搜索半径内小区的数量；dij为需求点i到供给点之间的时间距离；d0为搜索半径，根据公园的类型所确定(如表5)；G(dij)为考虑到空间摩擦因素的距离衰减函数，该模型提供了指数函数和幂函数两种计算方式。
表5公共绿地设置标准
最终输出指标包括公园服务能力(供需比)以及公园可达性。
(1)指数衰减函数
(2)距离衰减幂函数
其中，e为数学常数，β为距离衰减参数，取值集中在[1,2]之间。不同等级公园绿地与居民的空间联系距离变化存在明显的差别。市级公园绿地的服务范围更大，所以它与居民的空间联系随着距离的变化衰减更弱，因此在本模型中规定对于市级、区级公园β取1，区级以下级别公园β取2。
第二步，对每个需求点(i)搜索所有在一定距离阈值(d0d0)范围内的供给点(j)，计算出每个需求点(i)的可达性：
式中αi为每个居住区的可达性值，公园的可达性是以公园服务半径范围内的小区可达性的平均值来表示，其中m为落在以i为核心，搜索半径为d0的空间作用域内的公园绿地数量。从以上公式可以看出公园绿地可达性是形式拓展的人均公园绿地面积。
5.小区尺度公园绿地服务可达性及供给均等化分析模型
该模型应用于小区尺度。根据小区的各项人口数，计算
(1)需求指数的计算
利用普查区人口，按照区域统计的方法得到每个小区的人口数据。选用总人口、女性人口比重、儿童人口比重、老年人口比重、无户籍人口比重、农业人口比重等六项人口指标来综合衡量各街道居民对公园的需求指数。各指标采用极差标准化方法进行归一化处理然后将各个指标等权重求和，获得各统计单元的需求指数(NI)。
(2)小区可达性模型构建
在计算公园供需比的前提下，利用以下公式计算小区的可达性。
公式中，αi为每个小区的可达性值；m为落在以i为核心，搜索半径为d0的空间作用域内的公园绿地数量；Rj为前文两步移动搜索法中第一步计算的供需比；G(dij)为距离衰减函数。
(3)小区均等化模型构建
在采用具有距离衰减系数的重力型两步移动搜索法(G2SFCA)研究公园绿地空间可达性的基础上，利用以下公式求出每个居住区地块的均等化值，研究公园绿地的空间供需情况，来评价公园的均等化水平。
式中Ei为每个需求点(i)的均等化值。max(Rj)为计算的供需比的最大值， max(αi)为计算的小区可达性的最大值，αi为小区i的可达性。Ei>1表示供给大于需求；Ei≤1表示供需相对平衡或供给小于需求状态。为了建立供需指数与空间均等化的关系，将结果划分5个级别。各级别供需情况与均等化对应见下表6。
表6各级别供需情况与均等化对应表
(注：供需相对平衡状态指的是供给充足和供需均衡两种情况。)
输出要素在小区尺度的基础上，增加了可达性、均等化和需求指数三个指标。
6.研究区域尺度公园绿地供给均等化指标
该指标应用于研究区域尺度。
利用传统经济学理论，以洛伦兹曲线(Lorenz curve)、基尼系数(Ginicoefficient)作为评价工具，对街道尺度公园绿地配置均等性进行研究，为公园的优化配置提供参考依据。
洛伦兹曲线是一种测量公平性的方法，经济学中用来反映社会收入分配或财富分配公平程度。其基本原理是将街区人均公园面积按百分比构成，从小到大排列，分别累计，表示为纵轴；以对应的人口累计比例表示横轴；连接各点即得到洛伦兹曲线。洛伦兹曲线弯曲程度越大，表示资源分配程度越不平等；
由于洛伦兹曲线不能对资源配置差异的总体水平进行量化，因此需计算资源配置的基尼系数。基尼系数由洛伦兹曲线推导而来，用以测定洛伦兹曲线背离绝对公平线的程度。
文件输出包含两部分，其一是统计单元的各类人口公园绿地供给的洛伦兹曲线的坐标值；其二是研究区域的各类人口公园绿地供给的基尼系数。
步骤3.基于步骤2计算的基础评价指标体系，以系统聚类或K均值聚类两种方法对其进行综合分析。
具体实施时，可以根据同一种尺度的多个结果指标进行综合分析计算，采用系统聚类或K均值聚类两种方法对数据进行聚类。例如，采用公园尺度的供给质量指标：公园总质量值、公园尺度的可达性及服务能力指标：公园供需比、公园可达性，进行综合分析计算，得到聚类结果，来评价公园作为公共设施提供服务的能力。
实施例建立供给综合分析模型：
其他模型分别从数量、质量、服务能力、可达性等方面对公园绿地供给现状给出了分析，而评价一个地区公园绿地供给情况应该综合考虑各方面的因素，因此采用聚类来综合评价公园的供给水平。该模型提供了系统聚类和K均值聚类两种方法。
(1)系统聚类
系统聚类是将每个样本分成若干类的方法，其基本思想是：
1)初始化所有数据，将各个样本各看成一类。
2)然后规定类与类之间的距离，选择距离最小的两个样本点合并成新的一类。
3)计算新类与其他类之间的距离，再将距离最近的两类合并。
4)依次重复2)和3)，每次会减少一类，直至所有的样本合为给定的聚类数目为止则停止运算。
类与类之间的距离有多种定义方法，常用的有最短距离法、类平均距离法、重心距离法等。其中，类平均距离法是使用比较广泛，聚类效果较好的一种方法。计算如下：
式中，Dpq表示类p、q之间的距离，np为类p中样本的个数，nq为类q中样本的个数，dij为p类中样本i与q类中的样本j之间的距离。
(2)K均值聚类
K均值聚类是基于距离的算法，其算法流程如下：
1)根据要分成的类的个数随机生成K个初始点作为质心
2)将数据集中的数据按照距离质心的远近分到各个类中
3)重新计算类的中心作为新的质心
4)依次执行2)、3)过程直至前后两次分类结果没有变化或是达到给定的迭代次数则完成聚类。
首先对各项指标进行归一化，然后利用系统聚类法或K均值聚类法，以数量(公园面积指标)、质量(公园尺度绿地供给质量指标)、可达性(公园尺度可达性及服务能力模型计算结果)三个指标对公园进行综合评价。
步骤4.基于交通大数据，根据城市内公园和社区分布状况来识别盲区。
所述的步骤4中，识别盲区的数据来源于互联网所提供的交通大数据。
实施例建立公园绿地供给盲区分析模型：
该模型应用于小区尺度。
将公园绿地供给“盲区”定义为一定步行时间阈值内不可到达公园的地区。本模型采用旅行时间对盲区进行筛选，与距离指标相比，旅行时间更能科学、有效的对公园绿地可达性进行测度。人们通常喜欢到距离自己居住地最近的公园进行娱乐、游憩，以放松身心。该模型借助交通大数据，考虑实际路网、交通流量和障碍物等因素，比较4种出行方式(步行、自行车、驾车、公交)下各小区到最近公园的旅行时间，通常以15分钟为阈值识别公园绿地供给盲区。具体地，对于所有公园以步行、骑车时间进行可视化；由于人们往往会选择驾车的方式去市级公园，因此驾车时间只针对市级公园进行可视化，区级以上公园以公交时间的形式进行可视化。
输出指标包括每个小区到达公园的最短距离时间和盲区标识指标。
步骤5.基于步骤4得到的盲区和交通大数据，利用核密度分析得到盲区较为聚集的区域，并利用粒子群优化算法对新建公园选址提出建议。
实施例提出公园优化选址模型：
该模型应用于研究区域尺度。
提取公园绿地供给盲区模型计算的盲区结果作为公共绿地资源不足的地点，通过在这些小区的集聚位置新建公园来缓解这一问题。选址过程主要涉及k均值和粒子群寻优两个算法。
(1)K-means
K-means(k均值)算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表。它以样本点在特征空间的欧式距离作为相似度测度(对于本问题，本例的特征空间就是二维平面，特征值就是横纵坐标)，以样本点到聚类中心的距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。详细算法描述如下。
输入：样本点特征值和聚类数N；
输出：样本点从属团簇的编号1,2,……,N以及各团簇中心的坐标；
S1：在特征空间中随机选取k个位置作为聚类中心；
S2：计算每个样本点到距离其最近的聚类中心的距离，并把它归到这一聚类中心所代表的类；
S3：重新计算已经得到的各个类的质心；
S4：如果S3步骤生成的质心与当前聚类中心相等或小于指定阈值则算法结束，或是迭代次数等于给定的次数则算法结束。否则用计算所得质心替换原聚类中心，转S2、S3。最后聚类结果就是公园选址的X、Y坐标值。
(2)PSO(Particle Swarm Optimization)
PSO即粒子群优化算法，它是一种群体智能算法。由此衍生的粒子群算法将实体抽象为粒子，将粒子的位置作为所求问题的解。每一个粒子根据其历史的最优位置和整个群体的最优位置，在一定随机扰动的情况下决定下一步的移动方向。
因此在公园选址模型中，可以理解为：
S1：每个寻优的问题解都被当成一个粒子，所有粒子都在一个D维空间中进行查找。而在本模型中就是在公园坐标值中进行查找。
S2：所有的粒子都由一个适应值来判断位置的好坏。这个适应值可以是小区到选址公园的距离、也可以是公园的服务人口等等。本实施例选择小区到选址公园的最短距离作为适应值。
S3：每个粒子能够找到自己的最佳位置pBest；在每次搜索结束后，每个粒子的最佳位置pBest会和整个种群的最佳位置gBest进行比较，调整自己的位置。
S4：粒子的移动是通过速度来决定移动的方向和距离，其更新公式如下。
Vij＝Vil+C1×rand(0,1)×(Pij-Xij)+C2×rand(0,1)×(Pgj-Xgj)
Xij＝Xij+Vij
当达到最大迭代次数或者全局最优位置满足最小的界限时，则结束迭代，最后的最优解则是公园的坐标位置。
设每一个粒子有d维属性，则第i个粒子在特征空间中的位置可以表示为Xij，这个粒子在特征空间中的历史最优位置可以记为Pij，这个粒子沿各个维度的运动速度记为Vij，Xgj为第i个粒子在第j维度的最优位置，Pgj为群体(所有粒子) 在第j维度的历史最优位置，Vij为第i个粒子结合自身位置与群体位置判断的下一时刻沿j维度的速度；常数C1，C2为学习因子，均取值为2有益于算法收敛， rand(0,1)是介于[0,1]之间的随机数；第i个粒子在第j维度上按上式更新自身的位置，j＝1,2,…d。
深入考察上式可以发现，速度的更新由两部分作用引起，其一是Pij-Xij所反映的个体效应，其二则是Pgj-Xgj所反应的群体效应。这两部分使得粒子具有自我总结和向群体中优秀个体学习的能力，使粒子可以向自己的历史最优位置和群体全局最优位置靠拢。
输出了建议选址公园的X、Y坐标点。
实施例中，根据小区数据、公园数据和小区到公园的时间数据，识别出15 分钟内不可到达公园的小区数据(盲区)，作为优化选址模型的输入数据。步骤 5进行优化选址分析，以步骤4得到的盲区作为输入数据，通过K均值和粒子群寻优两个算法寻找出现状最适合新建的公园地址。
具体实施时，步骤5中，求解城市公园绿地优化选址的过程可采用以下流程迭代实现：
步骤5.1，输入盲区数据，设置最大迭代次数，将每个盲区看作一个粒子；
步骤5.2，设置适应度函数，包括设置适宜性目标及目标权重；步骤5.3，每一轮搜索，每个粒子都能找到自己的最佳选址位置，在每次搜索结束后，每个粒子的最佳位置会和整个种群的最佳位置进行比较，调整自己的位置；
步骤5.4，粒子的移动通过速度来决定移动的方向和距离，其更新公式如下：
Vij＝Vij+C1×rand(0,1)×(Pij-Xij)+C2×rand(0,1)×(Pgj-Xgj)
Xij＝Xij+Vij
,步骤5.5，循环迭代，当达到用户设定的最大迭代次数或全局最优位置满足最小的界限时，搜索结束，得到公园选址配置的优化结果，否则将继续执行步骤 5.3和步骤5.4。
评价规则基于各粒子的历史最优位置、粒子群体中全局最优位置，它们通过定量化表示进行比较，使粒子往种群最优位置进行移动，实现所有群体都往最优前进的目标。
最终得到的结果包括6项基础指标(统计区域数量指标、公园质量指标、统计区域服务水平、公园可达性、小区均等性、研究区域均等化指标)、统计区域和公园的综合分析指标、盲区、公园选址地址。可根据数值对城市绿地的分布水平和供给水平进行评估或成图。
具体实施时，以上流程可采用计算机软件技术实现自动运行。运行流程的装置系统也应当在本发明保护范围内。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的。因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (6)

1.一种城市公园绿地设施状态评估优化方法，其特征在于，包括如下步骤：
步骤1，提取地理国情要素的基础数据以及交通大数据并进行整合，所示基础数据包括社区数据、公园数据和统计单元数据；
步骤2，计算6项基本统计指标，包括统计单元尺度公园绿地供给数量指标、公园尺度绿地供给质量指标、统计单元尺度公园绿地服务能力指标、公园尺度可达性及服务能力指标、小区尺度可达性及供给均等化指标和研究区域尺度公园绿地供给均等化指标；
步骤3，基于步骤2计算所得基本统计指标，进行聚类综合分析；
步骤4，基于交通大数据，根据城市内公园和社区分布状况识别盲区；
步骤5，基于步骤4得到的盲区和交通大数据，利用核密度分析得到盲区较为聚集的区域，并利用粒子群优化算法得到新建公园选址的优化结果。
2.根据权利要求1所述的城市公园绿地设施状态评估优化方法，其特征在于：步骤1中，基础数据采用地理国情普查数据中的地理国情要素数据，交通大数据中包括步行距离、驾车距离、自行车距离和公交距离；整合数据是指进行统一规范化处理和配准，设置一致的空间参考坐标。
3.根据权利要求1所述的城市公园绿地设施状态评估优化方法，其特征在于：步骤3中，识别盲区的数据来源于互联网所提供的交通大数据。
4.根据权利要求1所述的城市公园绿地设施状态评估优化方法，其特征在于：步骤5中，利用粒子群优化算法得到新建公园选址的优化结果实现过程包括以下子步骤，
步骤5.1，输入盲区数据，设置最大迭代次数，将每个盲区看作一个粒子；
步骤5.2，设置适应度函数，包括设置适宜性目标及目标权重；
步骤5.3，每一轮搜索，每个粒子都能找到自己的最佳选址位置，在每次搜索结束后，每个粒子的最佳位置会和整个种群的最佳位置进行比较，调整自己的位置；
步骤5.4，设每一个粒子有d维属性，第i个粒子在特征空间中的位置表示为Xij，这个粒子在特征空间中的历史最优位置记为Pij，这个粒子沿各个维度的运动速度记为Vij，Xgj为第i个粒子在第j维度的最优位置，Pgj为群体在第j维度的历史最优位置，Vij为第i个粒子结合自身位置与群体位置判断的下一时刻沿j维度的速度；
粒子的移动通过速度来决定移动的方向和距离，更新公式如下：
Vij＝Vij+C1×rand(0，1)×(Pij-Xij)+C2×rand(0，1)×(Pgj-Xgj)
Xij＝Xij+Vij
其中，常数C1，C2为学习因子，rand(0，1)是介于[0，1]之间的随机数，第i个粒子在第j维度上按上式更新自身的位置；
步骤5.5，当达到用户设定的最大迭代次数或全局最优位置满足最小的界限时，搜索结束，得到公园选址配置的优化结果，否则将继续执行步骤5.3和步骤5.4，循环迭代。
5.根据权利要求4所述的城市公园绿地设施状态评估优化方法，其特征在于：步骤5.2中，所有的粒子都由一个适应值来判断位置的好坏，适应值为小区到选址公园的距离或公园的服务人口或其他。
6.根据权利要求4所述的城市公园绿地设施状态评估优化方法，其特征在于：步骤5.4中，常数C1和C2均取值为2。
CN201910468003.0A 2019-05-31 2019-05-31 一种城市公园绿地设施状态评估优化方法 Pending CN110288202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910468003.0A CN110288202A (zh) 2019-05-31 2019-05-31 一种城市公园绿地设施状态评估优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910468003.0A CN110288202A (zh) 2019-05-31 2019-05-31 一种城市公园绿地设施状态评估优化方法

Publications (1)

Publication Number Publication Date
CN110288202A true CN110288202A (zh) 2019-09-27

Family

ID=68003094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910468003.0A Pending CN110288202A (zh) 2019-05-31 2019-05-31 一种城市公园绿地设施状态评估优化方法

Country Status (1)

Country Link
CN (1) CN110288202A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291437A (zh) * 2020-01-21 2020-06-16 《中国名城》杂志社(扬州市历史文化名城研究院、世界名城研究院) 一种基于gis的滨水公园园路设计方法
CN112561392A (zh) * 2020-12-25 2021-03-26 南京林业大学 一种城市公园绿地服务水平的评价系统及方法
CN112950079A (zh) * 2021-04-01 2021-06-11 中国科学院华南植物园 绿地供需数据处理方法、系统、计算机设备及存储介质
CN112990684A (zh) * 2021-03-09 2021-06-18 中国科学院城市环境研究所 绿地对建筑能耗碳减排生态效应可达性测定方法及系统
CN113032451A (zh) * 2021-02-24 2021-06-25 昆明理工大学 基于遥感影像和gis技术的公园绿地规划实施监测方法
CN113283637A (zh) * 2021-04-20 2021-08-20 深圳大学 一种城市开敞空间服务网络优化方法、装置、设备及介质
CN114202249A (zh) * 2022-01-18 2022-03-18 太原市城乡规划设计研究院 社区生活圈公共服务设施空间供需平衡模型
CN115062897A (zh) * 2022-05-05 2022-09-16 中国测绘科学研究院 一种城市生态空间均衡测度与城市生态格局综合评价方法
CN115249330A (zh) * 2022-09-05 2022-10-28 中国测绘科学研究院 一种植被连接度的评价方法及系统
CN115511308A (zh) * 2022-09-28 2022-12-23 广州市城市规划勘测设计研究院 一种区域无障碍设施布局合理性的评价方法及相关装置
CN115619046A (zh) * 2022-12-05 2023-01-17 湖南工商大学 一种社区生活圈的商业配置方法
CN116128118A (zh) * 2022-12-30 2023-05-16 东南大学 一种公园绿地潜在服务人口测算方法和/或容量预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295093A (zh) * 2013-05-03 2013-09-11 东南大学 一种基于集成度的城市中心区自动选址方法
CN104504603A (zh) * 2014-12-03 2015-04-08 住房和城乡建设部城乡规划管理中心 一种城市园林数字化系统及选址方法
CN106447573A (zh) * 2016-09-08 2017-02-22 河南理工大学 一种基于公共设施差异性的空间可达性分析方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295093A (zh) * 2013-05-03 2013-09-11 东南大学 一种基于集成度的城市中心区自动选址方法
CN104504603A (zh) * 2014-12-03 2015-04-08 住房和城乡建设部城乡规划管理中心 一种城市园林数字化系统及选址方法
CN106447573A (zh) * 2016-09-08 2017-02-22 河南理工大学 一种基于公共设施差异性的空间可达性分析方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
国家税务总局收入规划核算司: "税收统计学", 中国税务出版社, pages: 225 - 233 *
张利彪等: "基于粒子群算法求解多目标优化问题", 《计算机研究与发展》 *
张利彪等: "基于粒子群算法求解多目标优化问题", 《计算机研究与发展》, vol. 41, no. 07, 16 September 2004 (2004-09-16), pages 1286 - 1291 *
忻静: "基于地理国情的公园绿地均等化建设分析", 《测绘地理信息》 *
忻静: "基于地理国情的公园绿地均等化建设分析", 《测绘地理信息》, vol. 44, no. 1, 5 February 2019 (2019-02-05), pages 104 - 107 *
李远: "基于供需平衡的城市公园布局公平性评价研究——以重庆巴南区为例", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2018 (2018-02-15), pages 038 - 2990 *
赵志刚等: "求多目标优化问题的粒子群优化算法", 《计算机工程与应用》 *
赵志刚等: "求多目标优化问题的粒子群优化算法", 《计算机工程与应用》, vol. 45, no. 29, 11 October 2009 (2009-10-11), pages 37 - 40 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291437A (zh) * 2020-01-21 2020-06-16 《中国名城》杂志社(扬州市历史文化名城研究院、世界名城研究院) 一种基于gis的滨水公园园路设计方法
CN112561392A (zh) * 2020-12-25 2021-03-26 南京林业大学 一种城市公园绿地服务水平的评价系统及方法
CN113032451A (zh) * 2021-02-24 2021-06-25 昆明理工大学 基于遥感影像和gis技术的公园绿地规划实施监测方法
CN112990684A (zh) * 2021-03-09 2021-06-18 中国科学院城市环境研究所 绿地对建筑能耗碳减排生态效应可达性测定方法及系统
CN112950079A (zh) * 2021-04-01 2021-06-11 中国科学院华南植物园 绿地供需数据处理方法、系统、计算机设备及存储介质
CN113283637A (zh) * 2021-04-20 2021-08-20 深圳大学 一种城市开敞空间服务网络优化方法、装置、设备及介质
CN114202249A (zh) * 2022-01-18 2022-03-18 太原市城乡规划设计研究院 社区生活圈公共服务设施空间供需平衡模型
CN114202249B (zh) * 2022-01-18 2024-05-14 太原市城乡规划设计研究院 社区生活圈公共服务设施空间供需平衡模型的构建方法
CN115062897A (zh) * 2022-05-05 2022-09-16 中国测绘科学研究院 一种城市生态空间均衡测度与城市生态格局综合评价方法
CN115249330A (zh) * 2022-09-05 2022-10-28 中国测绘科学研究院 一种植被连接度的评价方法及系统
CN115511308A (zh) * 2022-09-28 2022-12-23 广州市城市规划勘测设计研究院 一种区域无障碍设施布局合理性的评价方法及相关装置
CN115619046A (zh) * 2022-12-05 2023-01-17 湖南工商大学 一种社区生活圈的商业配置方法
CN115619046B (zh) * 2022-12-05 2023-03-28 湖南工商大学 一种社区生活圈的商业配置方法
CN116128118A (zh) * 2022-12-30 2023-05-16 东南大学 一种公园绿地潜在服务人口测算方法和/或容量预警方法
CN116128118B (zh) * 2022-12-30 2024-04-30 东南大学 一种公园绿地潜在服务人口测算方法和/或容量预警方法

Similar Documents

Publication Publication Date Title
CN110288202A (zh) 一种城市公园绿地设施状态评估优化方法
CN110334864B (zh) 一种基于gis的多规合一城乡空间分区划定的方法
CN110458048A (zh) 顾及城镇格局特征的人口分布时空演变与认知
Munroe et al. Land use policy and landscape fragmentation in an urbanizing region: Assessing the impact of zoning
Zhang et al. Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China
Ballestores Jr et al. An integrated parcel-based land use change model using cellular automata and decision tree
CN110176141B (zh) 一种基于poi及流量特征的交通小区划分方法和系统
CN108304978A (zh) 一种基于数据聚类理论的中期地区电力负荷预测方法
Mougiakou et al. Urban green space network evaluation and planning: Optimizing accessibility based on connectivity and raster gis analysis
CN109583698A (zh) 一种基于模糊数学理论的城市街区空间形态综合评估方法
Yuan et al. Regional land-use allocation using a coupled MAS and GA model: From local simulation to global optimization, a case study in Caidian District, Wuhan, China
WO2022257190A1 (zh) 一种基于量子游走的行为轨迹序列多特征模拟方法
Hansen Empirically derived neighbourhood rules for urban land-use modelling
CN112199456B (zh) 一种基于供给型水文生态系统服务的流域水资源管理方法
Landré et al. Rule versus interaction function: evaluating regional aggregations of commuting flows in Sweden
Zhang et al. Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China
Caglayan et al. Mapping of recreation suitability in the Belgrad Forest Stands
Zhang et al. How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities
CN114723142A (zh) 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法
Fang Site selection of ecotourism: a case study of Zhejiang province
Monem et al. Extracting physical homogeneous regions out of irrigation networks using fuzzy clustering method: a case study for the Ghazvin canal irrigation network
CN110111561A (zh) 一种基于som-pam聚类算法的路网动态划分方法
Padmanaban Integrating of urban growth modelling and utility management system using spatio temporal data mining
Saeidi et al. Designing an integrated urban growth prediction model: A scenario-based approach for preserving scenic landscapes
Novin et al. Spatio-temporal modelling of land use changes by means of CA–Markov model

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927