CN110674975A - 城市规划时用于减少碳排放的空间布局方法及装置 - Google Patents

城市规划时用于减少碳排放的空间布局方法及装置 Download PDF

Info

Publication number
CN110674975A
CN110674975A CN201910814717.2A CN201910814717A CN110674975A CN 110674975 A CN110674975 A CN 110674975A CN 201910814717 A CN201910814717 A CN 201910814717A CN 110674975 A CN110674975 A CN 110674975A
Authority
CN
China
Prior art keywords
carbon emission
urban
model
data
predicted
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.)
Granted
Application number
CN201910814717.2A
Other languages
English (en)
Other versions
CN110674975B (zh
Inventor
刘利轩
史玉岩
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.)
North China University of Water Resources and Electric Power
Original Assignee
North China University of Water Resources and Electric Power
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 North China University of Water Resources and Electric Power filed Critical North China University of Water Resources and Electric Power
Priority to CN201910814717.2A priority Critical patent/CN110674975B/zh
Publication of CN110674975A publication Critical patent/CN110674975A/zh
Application granted granted Critical
Publication of CN110674975B publication Critical patent/CN110674975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于城市布局规划技术领域，公开一种城市规划时用于减少碳排放的空间布局方法及装置，该方法包括：步骤1：设定城市碳排放量目标值及城市规划候选地集；步骤2：建立城市人群出行模型；步骤3：建立城市规划模型；步骤4：通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；步骤5：通过所述碳排放量预测模型得出预测碳排放量；步骤6：判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局；该装置包括：设定模块；第一模型构建模块；第二模型构建模块；第三模型构建模块；预测模块；判断模块。本发明实现了城市规划时的低碳排放量目标。

Description

城市规划时用于减少碳排放的空间布局方法及装置
技术领域
本发明属于城市布局规划技术领域，尤其涉及一种城市规划时用于减少碳排放的空间布局方法及装置。
背景技术
城市正处在快速成长过程中，规模和形态急剧变化，交通需求总量快速增长，需求层次变化多样，而基础设施建设和城市框架却需要相当长的时间才能稳定。目前的交通拥堵对城市的居民来说已属常态，而且随着小汽车进入家庭呈爆发式的趋势增长，城市的交通状况会进一步的恶化，城市的交通拥堵问题更加突出，城市的拥堵状况会逐步的从现在的一二线城市转向三线的地县级城市。城市的交通拥堵浪费掉大量的社会资源并对环境造成严重的污染，据不完全统计，每年因堵车造成的经济损失高达千亿元，2009年，单北京市每年因堵车造成的经济损失就达几百亿元(李保华，低碳交通引导下的城市空间布局模式及优化策略研究——以郑州为例，西安建筑科技大学，2013)。在城市的大气污染中，机动车尾气污染贡献率达20％—50％，而且比重还在不断增加之中。因此，城市在发展的过程中，在交通方面面临着严峻的挑战，要真正的实现城市和环境的协调发展、和谐共生，城市的交通以低碳的模式发展和运行是其根本出路，城市的低碳交通有着其深刻的内涵，关系到人类的健康。
城市的空间布局模式对城市交通量的生成、城市交通的分布情况有直接的影响，城市地块的可达性对居民的交通方式选取也会有直接的作用。如何进行科学合理的空间布局，从而引导交通的良性发展在城市低碳交通建设领域有着重要的位置，并且为城市其他要素的建设和发展提供实体框架。
发明内容
本发明的目的在于针对现有的城市规划存在的碳排放量高的问题，提供一种城市规划时用于减少碳排放的空间布局方法及装置。
为了实现上述目的，本发明采用以下技术方案：
一种城市规划时用于减少碳排放的空间布局方法，包括：
步骤1：设定城市碳排放量目标值及城市规划候选地集；
步骤2：建立城市人群出行模型；
步骤3：建立城市规划模型；
步骤4：通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
步骤5：通过所述碳排放量预测模型得出预测碳排放量；
步骤6：判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
进一步地，所述城市规划候选地集用于作为居住地、工业用地、商业用地或绿地。
进一步地，所述步骤2包括：
步骤2.1：确定所述城市规划候选地集的地理位置信息；
步骤2.2：基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure BDA0002186024430000021
Figure BDA0002186024430000022
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
进一步地，所述步骤3包括：
步骤3.1：统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；
步骤3.2：对步骤3.1中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
进一步地，所述步骤4包括：
步骤4.1：根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
步骤4.2：统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
步骤4.3：将步骤4.2中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
步骤4.4：通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
步骤4.5：通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
步骤4.6：根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
步骤4.7：根据建筑规模得出预测建筑碳排放量；
步骤4.8：根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
步骤4.9：综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
一种城市规划时用于减少碳排放的空间布局装置，包括：
设定模块，用于设定城市碳排放量目标值及城市规划候选地集；
第一模型构建模块，用于建立城市人群出行模型；
第二模型构建模块，用于建立城市规划模型；
第三模型构建模块，用于通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
预测模块，用于通过所述碳排放量预测模型得出预测碳排放量；
判断模块，用于判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
进一步地，所述第一模型构建模块包括：
信息确定子模块，用于确定所述城市规划候选地集的地理位置信息；
第一模型构建子模块，用于基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure BDA0002186024430000041
Figure BDA0002186024430000042
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
进一步地，所述第二模型构建模块包括：
第一统计子模块，用于统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；
第二模型构建子模块，用于对第一统计子模块中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
进一步地，所述第三模型构建模块包括：
第二统计子模块，用于根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
第三统计子模块，用于统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
预测子模块，用于将第三统计子模块中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
第一确定子模块，用于通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
第二确定子模块，用于通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
设定子模块，用于根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
第一碳排放量得出子模块，用于根据建筑规模得出预测建筑碳排放量；
第二碳排放量得出子模块，用于根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
第三碳排放量得出子模块，用于综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
与现有技术相比，本发明具有的有益效果：
本发明通过设定城市碳排放量目标值，并设定城市规划候选地集，以距离最短、碳排放量最小为目标，建立城市人群出行模型，保证了城市人群出行模型的低碳排放量，并基于城市现有不同类型用地周边数据建立城市规划模型，通过出行模型及城市规划模型群得出碳排放量预测模型，并通过碳排放量预测模型得出预测碳排放量，最后判断预测碳排放量是否大于城市碳排放量目标值，从而确定城市规划空间布局。通过本发明，实现了城市规划时的低碳排放量目标。
附图说明
图1为本发明实施例一种城市规划时用于减少碳排放的空间布局方法的基本流程图；
图2为本发明实施例一种城市规划时用于减少碳排放的空间布局装置的结构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
实施例一：
如图1所示，一种城市规划时用于减少碳排放的空间布局方法，包括：
步骤S101：设定城市碳排放量目标值及城市规划候选地集；
步骤S102：建立城市人群出行模型；
步骤S103：建立城市规划模型；
步骤S104：通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
步骤S105：通过所述碳排放量预测模型得出预测碳排放量；
步骤S106：判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
具体地，城市规划候选地集用于作为居住地、工业用地、商业用地或绿地。
具体地，步骤S102包括：
步骤S102.1：确定所述城市规划候选地集的地理位置信息；
步骤S102.2：基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，具体地，出行方式可以为步行、骑行、开车、乘坐公交、坐地铁等，距离由出发地至目的地的出行方式及选择路线决定，出发地性质和目的地性质指的是出发地和目的地的特性，如出发地是居住场所(公寓等)、目的地是消费场所(如商场等)，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure BDA0002186024430000061
Figure BDA0002186024430000062
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，本实施例中m为3，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，若εxy＝1表示第x个模块第y个实例被选择，若εxy＝0表示第x个模块第y个实例未被选择，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
具体地，步骤S103包括：
步骤S103.1：统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；具体地，大气环境数据为氮氧化物、硫氧化物、碳氧化物；
步骤S103.2：对步骤S103.1中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
具体地，步骤S104包括：
步骤S104.1：根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
步骤S104.2：统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
步骤S104.3：将步骤S104.2中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
步骤S104.4：通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
步骤S104.5：通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
步骤S104.6：根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
步骤S104.7：根据建筑规模得出预测建筑碳排放量；
步骤S104.8：根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
步骤S104.9：综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
本发明通过设定城市碳排放量目标值，并设定城市规划候选地集，以距离最短、碳排放量最小为目标，建立城市人群出行模型，保证了城市人群出行模型的低碳排放量，并基于城市现有不同类型用地周边数据建立城市规划模型，通过出行模型及城市规划模型群得出碳排放量预测模型，并通过碳排放量预测模型得出预测碳排放量，最后判断预测碳排放量是否大于城市碳排放量目标值，从而确定城市规划空间布局。通过本发明，实现了城市规划时的低碳排放量目标。
实施例二：
如图2所示，一种城市规划时用于减少碳排放的空间布局装置，包括：
设定模块201，用于设定城市碳排放量目标值及城市规划候选地集；
第一模型构建模块202，用于建立城市人群出行模型；
第二模型构建模块203，用于建立城市规划模型；
第三模型构建模块204，用于通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
预测模块205，用于通过所述碳排放量预测模型得出预测碳排放量；
判断模块206，用于判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
具体地，第一模型构建模块202包括：
信息确定子模块2021，用于确定所述城市规划候选地集的地理位置信息；
第一模型构建子模块2022，用于基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure BDA0002186024430000082
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
具体地，第二模型构建模块203包括：
第一统计子模块2031，用于统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；
第二模型构建子模块2032，用于对第一统计子模块2031中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
具体地，第三模型构建模块204包括：
第二统计子模块2041，用于根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
第三统计子模块2042，用于统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
预测子模块2043，用于将第三统计子模块2042中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
第一确定子模块2044，用于通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
第二确定子模块2045，用于通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
设定子模块2046，用于根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
第一碳排放量得出子模块2047，用于根据建筑规模得出预测建筑碳排放量；
第二碳排放量得出子模块2048，用于根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
第三碳排放量得出子模块2049，用于综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
以上所示仅是本发明的优选实施方式，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，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种城市规划时用于减少碳排放的空间布局方法，其特征在于，包括：
步骤1：设定城市碳排放量目标值及城市规划候选地集；
步骤2：建立城市人群出行模型；
步骤3：建立城市规划模型；
步骤4：通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
步骤5：通过所述碳排放量预测模型得出预测碳排放量；
步骤6：判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
2.根据权利要求1所述的城市规划时用于减少碳排放的空间布局方法，其特征在于，所述城市规划候选地集用于作为居住地、工业用地、商业用地或绿地。
3.根据权利要求2所述的城市规划时用于减少碳排放的空间布局方法，其特征在于，所述步骤2包括：
步骤2.1：确定所述城市规划候选地集的地理位置信息；
步骤2.2：基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure FDA0002186024420000011
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
4.根据权利要求3所述的城市规划时用于减少碳排放的空间布局方法，其特征在于，所述步骤3包括：
步骤3.1：统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；
步骤3.2：对步骤3.1中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
5.根据权利要求4所述的城市规划时用于减少碳排放的空间布局方法，其特征在于，所述步骤4包括：
步骤4.1：根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
步骤4.2：统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
步骤4.3：将步骤4.2中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
步骤4.4：通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
步骤4.5：通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
步骤4.6：根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
步骤4.7：根据建筑规模得出预测建筑碳排放量；
步骤4.8：根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
步骤4.9：综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
6.一种城市规划时用于减少碳排放的空间布局装置，其特征在于，包括：
设定模块，用于设定城市碳排放量目标值及城市规划候选地集；
第一模型构建模块，用于建立城市人群出行模型；
第二模型构建模块，用于建立城市规划模型；
第三模型构建模块，用于通过所述城市人群出行模型及所述城市规划模型群得出碳排放量预测模型；
预测模块，用于通过所述碳排放量预测模型得出预测碳排放量；
判断模块，用于判断所述预测碳排放量是否大于所述城市碳排放量目标值，若否，则确定城市规划空间布局。
7.根据权利要求6所述的城市规划时用于减少碳排放的空间布局装置，其特征在于，所述第一模型构建模块包括：
信息确定子模块，用于确定所述城市规划候选地集的地理位置信息；
第一模型构建子模块，用于基于所述地理位置信息，将该地理位置附近人群出行活动划分为3个模块，分别为等候、行驶、到达，每个模块有多个实例，通过出行方式、距离、碳排放量、出发地性质及目的地性质5个属性对人群出行活动模块的实例进行刻画，以距离最短、碳排放量最小为目标，形成城市人群出行模型：
Figure FDA0002186024420000031
其中，p为人群出行活动，Sp为人群出行活动对应距离，Cp为人群出行活动对应碳排放量，m为模块的数量，ux为第x个模块对应的实例数量，x∈[1，m]，εxy表示实例的选择标识，Sxy为第x个模块第y个实例的人群出行活动对应距离，Cxy表示第x个模块第y个实例的人群出行活动对应碳排放量。
8.根据权利要求6所述的城市规划时用于减少碳排放的空间布局装置，其特征在于，所述第二模型构建模块包括：
第一统计子模块，用于统计城市现有不同类型用地周边城市居住的人口密度数据、城市居住人口年龄分布数据、交通量数据、工厂类型数据、大气环境数据；
第二模型构建子模块，用于对第一统计子模块中各数据进行归一化处理，并按照用地类型进行聚类，得出城市规划模型。
9.根据权利要求6所述的城市规划时用于减少碳排放的空间布局装置，其特征在于，所述第三模型构建模块包括：
第二统计子模块，用于根据所述城市规划候选地集的地理位置信息，统计对应地理位置周边的交通量数据，并作为候选地的预计交通量数据；
第三统计子模块，用于统计城市规划候选地集的地理位置周边的城市居住的人口密度数据、城市居住人口年龄分布数据、预计交通量数据、即将入驻的工厂类型数据、大气环境数据；
预测子模块，用于将第三统计子模块中各数据进行归一化处理，输入所述城市规划模型，得出候选地的预测用地类型；
第一确定子模块，用于通过所述人群出行模型确定预测用地类型对应最优出行路线及出行方式；
第二确定子模块，用于通过最优出行路线及出行方式确定预测用地类型对应的最优预测交通碳排放量；
设定子模块，用于根据候选地的地理位置信息及对应预测用地类型设定对应建筑规模；
第一碳排放量得出子模块，用于根据建筑规模得出预测建筑碳排放量；
第二碳排放量得出子模块，用于根据候选地的地理位置周边的城市居住的人口密度数据得出预测人口碳排放量；
第三碳排放量得出子模块，用于综合预测交通碳排放量、预测建筑碳排放量及预测人口碳排放量，得出预测用地类型对应的综合预测碳排放量，完成碳排放量预测模型构建。
CN201910814717.2A 2019-08-30 2019-08-30 城市规划时用于减少碳排放的空间布局方法及装置 Active CN110674975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910814717.2A CN110674975B (zh) 2019-08-30 2019-08-30 城市规划时用于减少碳排放的空间布局方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910814717.2A CN110674975B (zh) 2019-08-30 2019-08-30 城市规划时用于减少碳排放的空间布局方法及装置

Publications (2)

Publication Number Publication Date
CN110674975A true CN110674975A (zh) 2020-01-10
CN110674975B CN110674975B (zh) 2023-04-07

Family

ID=69076128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910814717.2A Active CN110674975B (zh) 2019-08-30 2019-08-30 城市规划时用于减少碳排放的空间布局方法及装置

Country Status (1)

Country Link
CN (1) CN110674975B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882471A (zh) * 2020-06-30 2020-11-03 西安建筑科技大学 新区规划的碳排放量评估方法及系统
CN114154759A (zh) * 2021-03-09 2022-03-08 生态环境部环境规划院 一种自下而上预测城市二氧化碳总量的方法
CN114154871A (zh) * 2021-12-02 2022-03-08 特斯联科技集团有限公司 一种基于大数据处理的建筑物碳排放分析系统
CN116468143A (zh) * 2023-02-17 2023-07-21 广东省城乡规划设计研究院有限责任公司 基于多智能体建模的城市交通碳排放预测方法及装置
CN118485278A (zh) * 2024-06-14 2024-08-13 河北省建筑科学研究院有限公司 一种基于街区更新改造的碳排放预测优化系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006132139A (ja) * 2004-11-04 2006-05-25 Misawa Homes Co Ltd まちづくり計画地の気候特性把握と緑化方法。
CN101763600A (zh) * 2010-01-12 2010-06-30 武汉大学 基于模型簇的土地利用供需预测方法
CN103870678A (zh) * 2014-02-18 2014-06-18 上海零碳建筑科技有限公司 一种基于城市规划的碳排放计量方法
CN104951658A (zh) * 2015-06-20 2015-09-30 西安科技大学 一种基于城市规划的碳排放计量方法
CN106251020A (zh) * 2016-08-05 2016-12-21 辜寄蓉 基于资源环境承载力的土地利用布局优选方法
CN106611290A (zh) * 2016-12-08 2017-05-03 华北水利水电大学 一种基于城市规划的碳排放管理系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006132139A (ja) * 2004-11-04 2006-05-25 Misawa Homes Co Ltd まちづくり計画地の気候特性把握と緑化方法。
CN101763600A (zh) * 2010-01-12 2010-06-30 武汉大学 基于模型簇的土地利用供需预测方法
CN103870678A (zh) * 2014-02-18 2014-06-18 上海零碳建筑科技有限公司 一种基于城市规划的碳排放计量方法
CN104951658A (zh) * 2015-06-20 2015-09-30 西安科技大学 一种基于城市规划的碳排放计量方法
CN106251020A (zh) * 2016-08-05 2016-12-21 辜寄蓉 基于资源环境承载力的土地利用布局优选方法
CN106611290A (zh) * 2016-12-08 2017-05-03 华北水利水电大学 一种基于城市规划的碳排放管理系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
本书编写组: "《低碳经济与公共政策》", 31 March 2013, 国家行政学院出版社 *
管莉花: "《中国经济增长的新要素和新模式》", 31 January 2019, 同济大学出版社 *
阳建强: "《城市规划与设计 第2版 ＝ URBAN PLANNING AND DESIGN》", 31 December 2015, 东南大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882471A (zh) * 2020-06-30 2020-11-03 西安建筑科技大学 新区规划的碳排放量评估方法及系统
CN114154759A (zh) * 2021-03-09 2022-03-08 生态环境部环境规划院 一种自下而上预测城市二氧化碳总量的方法
CN114154871A (zh) * 2021-12-02 2022-03-08 特斯联科技集团有限公司 一种基于大数据处理的建筑物碳排放分析系统
CN116468143A (zh) * 2023-02-17 2023-07-21 广东省城乡规划设计研究院有限责任公司 基于多智能体建模的城市交通碳排放预测方法及装置
CN118485278A (zh) * 2024-06-14 2024-08-13 河北省建筑科学研究院有限公司 一种基于街区更新改造的碳排放预测优化系统及方法

Also Published As

Publication number Publication date
CN110674975B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110674975B (zh) 城市规划时用于减少碳排放的空间布局方法及装置
CN105808877B (zh) 一种基于站点停靠能力的公交线网布设方法
CN110458589B (zh) 基于轨迹大数据的路侧式出租车停靠站选址优选方法
CN114297809A (zh) 一种电动汽车充电站选址定容方法
CN105679009B (zh) 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法
CN106503843A (zh) 一种基于手机信令数据的常规公交线网优化与调整方法
Jiang et al. The impact of the transportation network companies on the taxi industry: Evidence from Beijing’s GPS taxi trajectory data
CN103745089A (zh) 一种多维公共交通运行指数评价方法
CN106056935A (zh) 智能交通诱导系统及方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN201804445U (zh) 一种智能公交营运管理系统
CN107872808A (zh) 一种wlan站址预测分析方法及装置
CN101908275A (zh) 基于多网络的公共交通优化出行方法
CN111861022A (zh) 一种基于大数据分析优化电动汽车充电站选址的方法
CN110414795B (zh) 基于改进两步移动搜索法的新增高铁枢纽可达性影响方法
Zhang et al. pCruise: Reducing cruising miles for taxicab networks
CN111612223A (zh) 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
CN106997662A (zh) 一种城市公交车工况构建方法
CN110675110A (zh) 一种基于地铁网络的快递配送枢纽中心选址方法及装置
CN106373384A (zh) 边远地区客运班车线路实时生成方法
CN113891422A (zh) 一种自组织车联网的数据感知路由方法、系统、存储介质及设备
Li et al. Estimating crowd flow and crowd density from cellular data for mass rapid transit
Cui et al. Study on the selection model of staying adjustment bus lines along rail transit
CN115049215A (zh) 一种城市交通流量空间分布模型的构建方法
Wan et al. Research on coordinated processing scheme of intelligent transportation under big data structure

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
GR01 Patent grant
GR01 Patent grant