CN112070304B - 一种城市群要素相互作用测度方法、设备及存储介质 - Google Patents
一种城市群要素相互作用测度方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112070304B CN112070304B CN202010939772.7A CN202010939772A CN112070304B CN 112070304 B CN112070304 B CN 112070304B CN 202010939772 A CN202010939772 A CN 202010939772A CN 112070304 B CN112070304 B CN 112070304B
- Authority
- CN
- China
- Prior art keywords
- space
- time
- city
- interaction
- distance
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000001419 dependent effect Effects 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市群要素相互作用测度方法、设备及存储介质,根据城市群中各个空间单元的城市要素指标数据和各个空间单元之间的空间距离和时间距离;将各个空间单元之间的空间距离和时间距离、对各个自变量对应的城市要素指标数据进行加权,建立地理时空加权神经网络模型,训练得到相互作用指标的相互作用度量值。本实施例提供的方法通过构建对城市之间各要素的时空邻近关系进行度量时空加权神经网络,捕获不同地理空间复杂的非线性关系,弥补了传统分析方法中缺少时空关联的视角和忽略了城市内部与城市之间空间影响的不足,有助于利用要素之间的相互作用机理调整城市群空间布局和结构,辅助城市群协同服务与综合决策。
Description
技术领域
本发明涉及城市规划和地理学技术领域,尤其涉及的是一种城市群要素相互作用测度方法、设备及存储介质。
背景技术
城市群是由多个空间上相互邻近的城市形成的相对独立的城市群落集合体,其作为一个开放、复杂的巨系统,在地理空间上投影为各具相应功能的各个城市要素,如产业、人口、交通和生态等诸多元素等。城市群中各种要素(人口、居住区、工业园区、商业区、物流园区、高铁、高速公路、资本等)在空间中的变化不断的重塑城市内部和城市之间的空间和结构。因此,测度城市群各个空间各种要素的空间联接和相互作用作是理解城市群空间演化规律、剖析城市演化动力、制定城市群综合决策的关键问题之一。
目前,对于城市各要素之间的相互作用机制的度量方法多采用单维度的要素之间的相互作用关系。然而,产业、人口、交通和环境等要素均是城市要素的重要组成成分,其间相辅相成、密不可分;因此,仅通过单维度要素评价结果将难以准确地、全面地反映城市群网络空间联系以及其相互作用机制。
因此,现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处,本发明的目的在于提供一种城市群要素相互作用测度方法、设备及存储介质,克服现有技术中的对于城市要素之间的相互作用的测度方法均采用单维度的度量要素之间的相互作用关系,导致测度出的结果不能准确的反映城市要素之间的关联关系的缺陷。
本发明实施例公开的方案如下:
第一方面,本实施例提供了一种城市群要素相互作用测度方法,其中,包括:
获取预设时间范围和预设空间内城市群对应的基础地理数据,以及预先对各个城市群区域划分出的空间单元,得到各个空间单元的城市要素指标数据;
以目标城市群要素指标为因变量,并根据所述因变量确定相互作用指标;其中,所述相互作用指标包括:因变量和多个自变量,所述自变量为与所述因变量相关联的城市要素指标;
将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值;其中,所述相互作用度量模型中含有对各个城市之间时空邻近关系进行度量的时空加权神经网络。
可选的,所述获取预设时间范围和预设空间内城市群对应的基础地理数据的步骤之前,还包括:
收集各个城市群要素指标以及将城市群区域进行空间划分,得到多个空间单元,各个空间单元之间的关系包括:处于同一个城市的城市内部空间单元和处于不同城市的城市间空间单元。
可选的,所述相互作用度量模型包括时空地理加权回归模块和线性回归模块;所述时空地理加权回归模块包括城市内部时空加权神经网络单元、城市之间时空加权神经网络单元和时空权重融合单元;
所述将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值的步骤包括:
分别将各个空间单元之间的空间距离和时间距离输入城市内部时空加权神经网络单元,得到城市内部时空加权神经网络单元和城市之间时空加权神经网络单元输出的第一时空权重值和第二时空权重值;
以处于同一个城市内的各个空间单元之间的空间距离为预设数值,对所述各个空间单元之间的空间距离进行更新后,得到更新后的重置空间距离;
将各个空间单元之间的重置空间距离和时间距离输入城市之间时空加权神经网络单元,得到城市之间时空加权神经网络单元输出的第二时空权重值;
将所述第一时空权重值和第二时空权重值输入值所述时空权重融合单元,得到所述时空权重融合单元输出的时空权重融合值;
将所述时空权重融合值和各个所述自变量对应的城市要素指标数据输入所述线性回归模块,得到所述线性回归模块输出的与所述因变量对应的城市要素指标数据的预测值;
根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值。
可选的,所述城市内部时空加权神经网络单元包括第一输入层、第一全连接层和第一输出层;其中,输入层为所述各个空间单元之间的空间距离和时间距离真实值,输出层为第一时空权重值;
所述城市之间时空加权神经网络单元包括第二输入层、第二全连接层和第二输出层;其中,第二输入层为所述更新后的重置空间距离的数据值和时间距离的真实值,输出层为第二时空权重值。
可选的,所述根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值,的步骤包括:
计算所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值之间的残差平方和最小值,拟合得到回归系数,所述回归系数为所述相互作用度量值。
可选的,所述城市内部时空加权神经网络单元的公式为:
所述城市之间时空加权神经网络单元的公式为:
可选的,所述相互作用度量模型的公式为:
其中,(si,ti)为第i个空间单元的中心的坐标,si表示空间坐标,ti表示时间坐标;βk(OLR)是第k个自变量对应的回归系数,W(si,ti)in为第一时空权重值,W(si,ti)out为第二时空权重值,εi为第i个空间单元的随机误差项。
可选的,所述各个自变量对应的城市要素指标数据输入至预设相互作用度量模型的步骤之前,还包括:
将出因变量之外的其他要素指标数据进行降维归一化,并根据因变量对其他要素指标数据进行主成分分析后,选择出至少一个自变量要素指标。
第二方面,本实施例提供了一种终端设备,其中,包括处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现所述的城市群要素相互作用测度方法的步骤。
第三方面,本实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现所述的城市群要素相互作用测度方法的步骤。
有益效果,本发明提供了一种城市群要素相互作用测度方法、设备及存储介质,通过获取预设时间范围和预设空间内城市群对应的基础地理数据,并以目标城市群要素指标为因变量,并根据所述因变量确定相互作用指标;利用将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据进行加权,建立预设相互作用度量模型,训练得到相互作用指标的相互作用度量值。本实施例所提供的方法通过构建对城市之间各要素的时空邻近关系进行度量时空加权神经网络,捕获不同地理空间复杂的非线性关系,弥补了传统分析方法中缺少时空关联的视角和忽略了城市内部与城市之间空间影响的不同,可以直接用于评价城市群各要素之间的关系,有助于利用要素之间的相互作用机理调整城市群空间布局和结构,辅助城市群协同服务与综合决策。
附图说明
图1是本实施例所提供的城市群要素相互作用测度方法的步骤流程图;
图2是本实施例所提供的相互作用度量模型的网络结构示意图;
图3是本实施例所述城市群要素相互作用测度方法应用实施例的步骤流程图;
图4是本发明所述终端设备的原理结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
城市群是由多个空间上相互邻近的城市形成的相对独立的城市群落集合体。城市群是国家推进新型城镇化进程、参与国际竞争与分工的主体地域单元,是国家新的经济增长极,在国家经济和社会发展中的地位日益重要。城市群的特点反映在经济紧密联系、之间的产业分工与合作,交通与社会生活、城市规划和基础设施建设相互影响。
城市群各要素相互作用是指某一特定空间要素会影响同一城市内部、周边城市的相关要素。例如:某城市的居住区、工业区和商业区的升级与城市其他因素存在空间关联。这种空间关联的关联强度和关联关系的量化,可以对城市要素空间迁移属性的判断和甄别,这可以极大的加深对城市要素空间变迁特征的理解,对城市群协同发展与综合服务具有重要意义。
目前,对于城市各要素之间的相互作用机制的度量方法主要缺陷如下:
第一,现有方法中多采用单维度的要素之间的相互作用关系,但是产业、人口、交通和环境等要素均是城市要素的重要组成成分,其间相辅相成、密不可分;因此,仅通过单维度要素评价结果将难以准确地、全面地反映城市群网络空间联系以及其相互作用机制。
第二,集中在城市内部各要素之间关系的测量,没有从城市群视角多个城市之间的不同城市要素的相互作用机制。由于城市之间政策、治理水平、社会经济发展阶段等存在差异,城市群要素之间的相互作用关系在城市内部与城市之间的影响是有差异的。
第三,传统的统计学回归方法,如最小二乘回归等忽略了统计空间单元的时空相关性,且很难拟合各要素之间的非线性关系。因此,本发明提出了一种新的时空地理神经网络加权回归方法来度量城市群之间的多要素相互作用关系。
本实施例公开的方法通过构建相互作用度量模型,所述相互作用度量模型中含有对各个城市之间时空邻近关系进行度量的时空加权神经网络,利用所述相互作用度量模型对城市群之间的多要素相互作用关系进行度量,实现了更深层次的对城市要素之间空间变迁特征的分析,进而为城市群之间交通与社会生活、城市规划和基础设施建设提供服务。
下面结合附图,对本发明所公开的所述方法做更为详细的解释。
示例性方法
第一方面,本实施例提供了一种城市群要素相互作用测度方法,如图1所示,包括:
步骤S1、获取预设时间范围和预设空间内城市群对应的基础地理数据,以及预先对各个城市群区域划分出的空间单元,得到各个空间单元内各个城市群要素指标对应的城市要素指标数据。
本步骤中首先获取一定时间范围和一定空间内的城市群的基础地理数据,并根据获取到的基础地理数据计算各个空间单元中各个城市要素指标对应的数据。
具体的,基础地理数据为城市群中各个城市的统计年鉴、遥感影像、手机数据、社交媒体等数据源,获取该城市群中各个城市的行政区域不同时期各类城市群要素指标数据和行政区范围的数据,组成基础地理数据。
为了便于对城市群内的各类城市群要素之间的相互作用关系进行研究,在本步骤之前,还包括:
收集各个城市群要素指标以及将城市群区域进行空间划分,得到多个空间单元,各个空间单元之间的关系包括:处于同一个城市的城市内部空间单元和处于不同城市的城市间空间单元。
各个空间单元为对城市群区域进行栅格化处理,统一划分为网格空间单元。城市群以地级市为单位区分不同城市,根据此规则,两个任意的空间单元之间分为城市内部空间单元与城市间空间单元。
具体的,城市群要素指标为城市群中各种要素,例如:国土、产业、人口、交通和生态五大指标建立起城市要素指标体系。例如:住宅用地、交通运输用地,人口密度,进出口额、绿化覆盖率、空气质量等等。
步骤S2、以目标城市群要素指标为因变量,并根据所述因变量确定相互作用指标;其中,所述相互作用指标包括:因变量和多个自变量,所述自变量为与所述因变量相关联的城市要素指标。
从多个城市群要素指标中选出一个目标城市群要素指标作为因变量,并将与所述因变量相关联的多个城市群要素指标做为自变量,并将因变量和自变量一起称为相互作用指标。
为了实现更好数据处理效果本步骤中还包括:将出因变量之外的其他要素指标数据进行降维归一化,并根据因变量对其他要素指标数据进行主成分分析后,选择出至少一个自变量要素指标。
步骤S3、将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值;其中,所述相互作用度量模型中含有对各个城市之间时空邻近关系进行度量的时空加权神经网络。
利用上述步骤S2和步骤S3中计算得到的各个空间单元之间的城市要素指标数据对预设相互作用度量模型进行训练,根据训练结果得到各个城市之间时空邻近关系度量的相互作用度量值。
具体的,结合图2所示,所述相互作用度量模型包括时空地理加权回归模块和线性回归模块;所述时空地理加权回归模块包括城市内部时空加权神经网络单元、城市之间时空加权神经网络单元和时空权重融合单元。
具体的,所述将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值的步骤包括:
分别将各个空间单元之间的空间距离和时间距离输入城市内部时空加权神经网络单元,得到城市内部时空加权神经网络单元和城市之间时空加权神经网络单元输出的第一时空权重值和第二时空权重值;
以处于同一个城市内的各个空间单元之间的空间距离为预设数值,对所述各个空间单元之间的空间距离进行更新后,得到更新后的重置空间距离;
将各个空间单元之间的重置空间距离和时间距离输入城市之间时空加权神经网络单元,得到城市之间时空加权神经网络单元输出的第二时空权重值;
将所述第一时空权重值和第二时空权重值输入值所述时空权重融合单元,得到所述时空权重融合单元输出的时空权重融合值;
将所述时空权重融合值和各个所述自变量对应的城市要素指标数据输入所述线性回归模块,得到所述线性回归模块输出的与所述因变量对应的城市要素指标数据的预测值;
根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值。
结合图2所示,可以得到所述城市内部时空加权神经网络单元包括第一输入层、第一全连接层和第一输出层;其中,输入层为所述各个空间单元之间的空间距离和时间距离真实值,输出层为第一时空权重值;
所述城市之间时空加权神经网络单元包括第二输入层、第二全连接层和第二输出层;其中,第二输入层为所述更新后的重置空间距离的数据值和时间距离的真实值,输出层为第二时空权重值。
可选的,所述根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值,的步骤包括:
计算所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值之间的残差平方和最小值,拟合得到回归系数,所述回归系数为所述相互作用度量值。
具体的,所述城市内部时空加权神经网络单元的公式为:
所述城市之间时空加权神经网络单元的公式为:
具体的,所述相互作用度量模型的公式为:
其中,(si,ti)为第i个空间单元的中心的坐标,si表示空间坐标,ti表示时间坐标;βk(OLR)是第k个自变量对应的回归系数,W(si,ti)in为第一时空权重值,W(si,ti)out为第二时空权重值,εi为第i个空间单元的随机误差项。
下面结合图3所示,以本发明提供的方法具体应用实施的步骤为例,对本发明所述的方法做进一步的解释。
(1)对城市群数据进行收集和预处理,使其满足步骤(2)中的要求,具体步骤如下:
选定城市群要素指标。选取了国土、产业、人口、交通和生态五大指标建立起城市要素指标体系。
具体包括:商服用地(x1)、工矿仓储用地(x2)、住宅用地(x2)、公共管理服务用地(x3)、交通运输用地(x4)、其他用地(x5)、地区生产总值(x6)、第一产业产值率(x7)、第二产业产值率(x8)、第三产业产值率(x9)、高新技术产业产值率(x10)、进出口额(x11)、人口密度(x12)、乡村人口(x13)、城镇人口(x14)、高铁通车里程(x15)、普通铁路通车里程(x16)、高速公路通车里程(x17)、省级公路通车里程(x18)、铁路旅客量(x19)、公路旅客量(x20)、航空旅客量(x21)、铁路货运量(x22)、公路货运量(x23)、航空货运量(x24)、水运货运量(x25)、绿化覆盖率(x26)、空气质量(x27)。需要说明的是,城市群要素不限于上述所罗列要素,可以根据需要进行扩充。
城市群空间分区。对城市群区域进行栅格化处理,统一划分为500*500米的网格空间单元。城市群以地级市为单位区分不同城市,根据此规则,空间单元分为城市内部空间单元与城市间空间单元。
(2)根据步骤(1)中城市指标和空间分区,计算城市群每个空间单元的各指标要素。其具体步骤如下:
确定研究时间和空间范围获取数据,根据确定的时间范围和空间范围,通过统计年鉴、遥感影像、手机数据、社交媒体等数据源,获取该城市群各个行政区域不同时期各类城市群要素指标数据和行政区范围等基础地理数据。
把个要素的数据映射到不同的空间单元进行计算,对于行政区域作为统计量的数据源如统计年鉴数据等,同一地区空间单元数值相同。对于地理类数据如道路里程等,直接对空间单元内的要素进行统计。
(3)对指标进行主成分分析,消除多个指标的共线性,具体步骤如下:
选择需要探索的应变量要素指标y,其他指标进行主成分分析输入。对其他要素指标首先进行归一化,进行主成分分析后,挑选出国土、产业、人口、交通和生态每大类要素指标中前三的要素作为指标输入。
(4)构建城市内部和城市之间的时空加权神经网络。
城市群各要素空间相互作用网络分为两个层次,第一是城市内各个空间单元相互作用网络;第二是城市之间的各个空间单元相互网络。
步骤如下:
构建城市内部时空加权神经网络。
用时空加权神经网络(Spatio-temporal weighted neural network STWNN)来衡量城市内部空间单元的时空邻近关系。具体而言,STWNN将不同空间单元不同的时空距离作为输入层,中间层为全连接网络层,时空权重矩阵W(si,ti)作为输出层。地理神经网络网络如附图(2)。
(4)建立城市内部和城市间双层神经网络加权回归模型,也即是相互作用度量模型,其步骤如下:
选择任一需要分析的指标作为因变量y,其他指标经过步骤(2)降维得到n个自变量(x1,xn,…xn)。
结合普通线性回归模型,构建相互作用度量模型,对自变量和因变量相互作用关系进行探索,时空地理加权回归模型(GTWR)的数学模型表达如下:
其中,(si,ti)为第i个空间单元的中心的坐标,si表示空间坐标,ti表示时间坐标。βk(OLR)是第k个自变量回归系数,W(si,ti)为地理加权系数(即包括第一时空权重值和第二时空权重值),εi是第i个空间单元的随机误差项,服从正太分布。
将城市内部和城市之间两个时空加权神经网络进行融合,可获得任意两个空间单元的时空权重矩阵,然后融合普通线性回归模型可得各空间单元的因变量拟合向量y:
(5)训练步骤(4)中模型得到影响因子之间的相互作用回归系数。其步骤如下:
将每个空间单元降维后的自变量进行归一化作为输入,增加模型参数的泛化能力。
本发明所提供的方法提出了城市内与城市之间两个层级的时空加权神经网络模型,并将两个层级的时空加权神经网络模型相融合用于测度城市群各要素之间的相互作用,由于本发明提出了使用神经网络来表示地理空间复杂的非线性时空邻近关系,将时空加权应用到回归模型,因此能够更好地拟合城市要素之间的相互作用关系,并且本发明提出的用两层地理时空加权的方法,来拟合由于城市行政差异导致的不同空间单元相互影响,进而探测城市群多要素之间相互作用关系,因此可以取得更家精准的城市群多要素之间相互作用的度量值。
示例性设备
在上述方法的基础上,本实施例还公开了一种终端设备,包括处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现所述的城市群要素相互作用测度方法的步骤。一种实施方式中,所述终端设备可以为手机、平板电脑或智能电视。
具体的,如图4所示,所述终端设备包括至少一个处理器(processor)20以及存储器(memory)22,还可以包括显示屏21、通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中城市群要素相互作用测度方法的步骤。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
另一方面,本实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现所述的城市群要素相互作用测度方的步骤。
本发明提供了一种城市群要素相互作用测度方法、设备及存储介质,通过获取预设时间范围和预设空间内城市群对应的基础地理数据,并以目标城市群要素指标为因变量,并根据所述因变量确定相互作用指标;利用将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用指标的相互作用度量值。本实施例所提供的方法通过构建对城市之间各要素的时空邻近关系进行度量时空加权神经网络,捕获不同地理空间复杂的非线性关系,弥补了传统分析方法中缺少时空关联的视角和忽略了城市内部与城市之间空间影响的不同,可以直接用于评价城市群各要素之间的关系,有助于利用要素之间的相互作用机理调整城市群空间布局和结构,辅助城市群协同发展与综合服务之间的决策。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种城市群要素相互作用测度方法,其特征在于,包括:
获取预设时间范围和预设空间内城市群对应的基础地理数据,以及预先对各个城市群区域划分出的空间单元,得到各个空间单元的城市要素指标数据;
以目标城市群要素指标为因变量,并根据所述因变量确定相互作用指标;其中,所述相互作用指标包括:因变量和多个自变量,所述自变量为与所述因变量相关联的城市要素指标;
将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值;其中,所述相互作用度量模型中含有对各个城市之间时空邻近关系进行度量的时空加权神经网络;
所述基础地理数据包括:城市群中各个城市的统计年鉴、遥感影像、手机数据、社交媒体数据;
所述获取预设时间范围和预设空间内城市群对应的基础地理数据的步骤之前,还包括:
收集各个城市群要素指标以及将城市群区域进行空间划分,得到多个空间单元,各个空间单元之间的关系包括:处于同一个城市的城市内部空间单元和处于不同城市的城市间空间单元。
2.根据权利要求1所述的城市群要素相互作用测度方法,其特征在于,所述相互作用度量模型包括时空地理加权回归模块和线性回归模块;所述时空地理加权回归模块包括城市内部时空加权神经网络单元、城市之间时空加权神经网络单元和时空权重融合单元;
所述将各个空间单元之间的空间距离和时间距离、各个自变量对应的城市要素指标数据对预设相互作用度量模型进行训练,得到相互作用度量值的步骤包括:
分别将各个空间单元之间的空间距离和时间距离输入城市内部时空加权神经网络单元,得到城市内部时空加权神经网络单元和城市之间时空加权神经网络单元输出的第一时空权重值和第二时空权重值;
以处于同一个城市内的各个空间单元之间的空间距离为预设数值,对所述各个空间单元之间的空间距离进行更新后,得到更新后的重置空间距离;
将各个空间单元之间的重置空间距离和时间距离输入城市之间时空加权神经网络单元,得到城市之间时空加权神经网络单元输出的第二时空权重值;
将所述第一时空权重值和第二时空权重值输入值所述时空权重融合单元,得到所述时空权重融合单元输出的时空权重融合值;
将所述时空权重融合值和各个所述自变量对应的城市要素指标数据输入所述线性回归模块,得到所述线性回归模块输出的与所述因变量对应的城市要素指标数据的预测值;
根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值。
3.根据权利要求2所述的城市群要素相互作用测度方法,其特征在于,所述城市内部时空加权神经网络单元包括第一输入层、第一全连接层和第一输出层;其中,输入层为所述各个空间单元之间的空间距离和时间距离真实值,输出层为第一时空权重值;
所述城市之间时空加权神经网络单元包括第二输入层、第二全连接层和第二输出层;其中,第二输入层为所述更新后的重置空间距离的数据值和时间距离的真实值,输出层为第二时空权重值。
4.根据权利要求3所述的城市群要素相互作用测度方法,其特征在于,所述根据所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值得到相互作用指标的相互作用度量值,的步骤包括:
计算所述因变量对应的城市要素指标数据的预测值和所述因变量对应的城市要素指标数据的真实值之间的残差平方和最小值,拟合得到回归系数,所述回归系数为所述相互作用度量值。
7.根据权利要求2-6任一项所述的城市群要素相互作用测度方法,其特征在于,所述各个自变量对应的城市要素指标数据输入至预设相互作用度量模型的步骤之前,还包括:
将出因变量之外的其他要素指标数据进行降维归一化,并根据因变量对其他要素指标数据进行主成分分析后,选择出至少一个自变量要素指标。
8.一种终端设备,其特征在于,包括处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现上述权利要求1-7任一项所述的城市群要素相互作用测度方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-7任一项所述的城市群要素相互作用测度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939772.7A CN112070304B (zh) | 2020-09-09 | 2020-09-09 | 一种城市群要素相互作用测度方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939772.7A CN112070304B (zh) | 2020-09-09 | 2020-09-09 | 一种城市群要素相互作用测度方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070304A CN112070304A (zh) | 2020-12-11 |
CN112070304B true CN112070304B (zh) | 2021-05-18 |
Family
ID=73663011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939772.7A Active CN112070304B (zh) | 2020-09-09 | 2020-09-09 | 一种城市群要素相互作用测度方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070304B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948595B (zh) * | 2021-03-30 | 2023-04-25 | 中国科学院自动化研究所 | 城市群运行状态知识图谱构建方法、系统及设备 |
CN115098914B (zh) * | 2022-06-20 | 2023-03-10 | 北京科技大学 | 一种城市道路塌陷隐患敏感要素智能提取方法及系统 |
CN117236567A (zh) * | 2023-11-13 | 2023-12-15 | 中国联合网络通信集团有限公司 | 城市体检数据的处理方法、装置、服务器及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106211071A (zh) * | 2016-07-04 | 2016-12-07 | 深圳大学 | 基于多源时空轨迹数据的群体活动数据收集方法及系统 |
CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190318315A1 (en) * | 2018-04-13 | 2019-10-17 | CXS Analytics Sdn Bhd | Method for job matching and a system therefor |
-
2020
- 2020-09-09 CN CN202010939772.7A patent/CN112070304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106211071A (zh) * | 2016-07-04 | 2016-12-07 | 深圳大学 | 基于多源时空轨迹数据的群体活动数据收集方法及系统 |
CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
Non-Patent Citations (3)
Title |
---|
GIS-based groundwater potential mapping using artificial neural network and support vector machine models: the case of Boryeong city in Korea;S Lee, SM Hong, HS Jung;《Geocarto international》;20170328;全文 * |
Understanding ridesourcing mobility and the future of electrification: a comparative study in Beijing;Tu Wei, Santi, He Xiaoyi, Zhao Tianhong, Liu Xianglong, Li Qingq;《Journal of Urban Technology》;20200229;全文 * |
基于地理加权中心节点距离的网络社区发现算法;万幼,刘耀林;《武汉大学学报 信息科学版》;20191031;第44卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070304A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070304B (zh) | 一种城市群要素相互作用测度方法、设备及存储介质 | |
Luo et al. | Spatio-temporal analysis on built-up land expansion and population growth in the Yangtze River Delta Region, China: From a coordination perspective | |
Xu et al. | Modelling urban expansion guided by land ecological suitability: A case study of Changzhou City, China | |
CN109636150A (zh) | 一种智慧城市“多规合一”评价体系的建立方法及其系统 | |
CN109002934A (zh) | 一种货运网络新建物流节点相关重要指标预测方法 | |
CN112948748B (zh) | 一种基于多利益主体的重大基础设施选址优化方法及系统 | |
CN107506433A (zh) | 城市发展空间格局情景模拟系统 | |
CN107730027A (zh) | 一种基于区域建筑性质的负荷预测方法及装置 | |
Qiao et al. | Evaluation of intensive urban land use based on an artificial neural network model: A case study of Nanjing City, China | |
CN105005942A (zh) | 一种智能配电网差异化建设模式选择方法 | |
CN110543660B (zh) | 一种低冲击开发模拟方法、系统及相关装置 | |
CN115049215A (zh) | 一种城市交通流量空间分布模型的构建方法 | |
Qu et al. | Investigating the intensive redevelopment of urban central blocks using data envelopment analysis and deep learning: a case study of Nanjing, China | |
Luo et al. | Construct the future wetland ecological security pattern with multi-scenario simulation | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
Zhai et al. | Using spatial heterogeneity to strengthen the neighbourhood effects of urban growth simulation models | |
CN115146990B (zh) | 一种集成多源地理大数据的城市活力定量评价方法 | |
CN114723316B (zh) | 一种基于gis的城区公共设施的可达性评价方法及系统 | |
CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
CN115115198A (zh) | 站城融合项目评价方法、系统、电子设备、存储介质 | |
CN113408867A (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
CN114819112B (zh) | 一种顾及空间分区的土地利用适宜性概率生成方法 | |
CN108364136A (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 | |
Zheng et al. | Land Use Change in the Yangtze River Economic Belt during 2010 to 2020 and Future Comprehensive Prediction Based on Markov and ARIMA Models | |
Abdullahi | Land use change modeling using integration of GIS-based cellular automata and weights-of-evidence techniques |
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 |