CN112308313B - 一种学校连续点选址方法、装置、介质及计算机设备 - Google Patents

一种学校连续点选址方法、装置、介质及计算机设备 Download PDF

Info

Publication number
CN112308313B
CN112308313B CN202011182460.2A CN202011182460A CN112308313B CN 112308313 B CN112308313 B CN 112308313B CN 202011182460 A CN202011182460 A CN 202011182460A CN 112308313 B CN112308313 B CN 112308313B
Authority
CN
China
Prior art keywords
clustering
school
point
calculating
determining
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
Application number
CN202011182460.2A
Other languages
English (en)
Other versions
CN112308313A (zh
Inventor
杨滔
罗维祯
林旭辉
邓成汝
王浩辰
刘李君
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.)
China Academy Of Urban Planning & Design
Original Assignee
China Academy Of Urban Planning & Design
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 China Academy Of Urban Planning & Design filed Critical China Academy Of Urban Planning & Design
Priority to CN202011182460.2A priority Critical patent/CN112308313B/zh
Publication of CN112308313A publication Critical patent/CN112308313A/zh
Application granted granted Critical
Publication of CN112308313B publication Critical patent/CN112308313B/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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • 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—Systems or methods specially adapted for 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Abstract

本公开提供了一种学校连续点选址方法、装置、计算机设备及介质，所述方法包括：导入并计算城市住房的空间信息；使用聚类算法对所述空间信息进行第一次聚类；根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；根据所述学校建造数量，确定第二次聚类的数量并进行第二次聚类，得到每个学校对应的覆盖范围。与现有技术相比，本公开的方法第一次提出了较为完善的针对于学校连续点选址问题的模型。现有技术模型只考虑了距离因素所造成的影响，本公开的方法以人口数量、密度作为权值进行聚类划分，并利用距离因素确定具体位置，考虑因素更多，选址更为合理。

Description

一种学校连续点选址方法、装置、介质及计算机设备
技术领域
本公开涉及城市规划设施选址技术领域，更为具体来说，本公开涉及一种学校连续点选址方法、装置、介质及计算机设备。
背景技术
现有技术中，关于城市规划部分的选址问题研究，大部分都是有关离散型选址方法的研究，通常是通过层次分析法或智能类算法，如遗传算法(Genetic Algorithm)、模拟退火算法(Simulated Annealing)、蚁群算法(AntColony Optimization)等算法模型，试图在几个备选点中找出效果更好，对周围环境更加有利的点。此种方法，在城市升级，环境更新的情况下更为实用，对于连续型选址问题效果较差。而且，该类型方法当数据点较多的时候时间复杂度较高，运行效率较差。
而对于初始规划阶段的连续型选址问题研究数量少，深度浅。而且并没有完善的方法对于学校选址问题进行过研究，现有的研究大多聚焦于物流中心的选址，此类方法将区域的连续性作为约束条件，运用线性最优化算法得出最优解。但此类方法的缺点十分明显，会忽略部分最优解，并且当涉及非线性、多目标问题时效果较差。
发明内容
为解决现有技术的选址方法不能满足学校选址的合理选址位置的技术问题。
为实现上述技术目的，本公开提供了一种学校连续点选址方法，包括：
导入并计算城市住房的空间信息；
使用聚类算法对所述空间信息进行第一次聚类；
根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
根据所述学校建造数量，确定第二次聚类的数量并进行第二次聚类，得到每个学校对应的覆盖范围。
进一步，所述导入并计算城市住房的空间信息之后，还包括：
对所述空间信息根据多层楼房人口密度与楼层数的线性关系引入人口密度权值的聚类。
进一步，所述空间信息包括：
住房面积及分布的信息，以及计算每个楼房多边形的中心点作为代表城市楼房区域的空间信息。
进一步，所述使用聚类算法对所述空间信息进行第一次聚类具体使用Mean Shift聚类算法进行第一次聚类，聚类中的核函数采用高斯核函数，并指定预设的聚类范围。
进一步，所述第二次聚类具体使用K－means聚类算法进行再次聚类，得到每个学校对应的覆盖范围。
进一步，还包括：采用紧密中心性Closeness算法计算每一个聚类点的紧密中心性，选取中心性最高的聚类点作为学校的选址点。。
进一步，还包括：
计算每个学校聚类点对应覆盖范围内的人口数量并与预设阈值进行比较，将低于所述预设阈值的学校聚类点删除。
为实现上述技术目的，本公开还能够提供一种学校连续点选址装置，包括：
导入计算模块，用于导入并计算城市住房的空间信息；
第一次聚类模块，用于使用聚类算法对所述空间信息进行第一次聚类；
确定模块，用于根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
第二次聚类模块，用于根据所述学校建造数量，确定第二次聚类的数量并进行第二次聚类，得到每个学校对应的覆盖范围。
为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现上述的学校连续点选址方法的步骤。
为实现上述技术目的，本公开还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的学校连续点选址方法的步骤。
本公开的有益效果为：
1.与现有技术相比，本公开的方法第一次提出了较为完善的针对于学校连续点选址问题的模型。
2.现有技术模型只考虑了距离因素所造成的影响，本公开的方法以人口数量、密度作为权值进行聚类划分，并利用距离因素确定具体位置，考虑因素更多，选址更为合理。
3.现有的选址算法在连续型问题上因有过多的数据点比较，时间复杂度高，以3000个点为例需要五分钟左右(遗传算法，暴力搜索算法)的时间，而本公开的方法仅需要1.3秒的时间就可以确定位置。
附图说明
图1示出了本公开的实施例1的流程示意图；
图2示出了本公开的实施例2的流程示意图；
图3示出了本公开的实施例3的流程示意图；
图4示出了本公开的实施例4的结构示意图；
图5示出了本公开的实施例6的结构示意图；
图6示出了根据本申请测试案例中的连续型学校选址方法，在EPSG32650号坐标系下，将房屋外围多边形轮廓转换为中心点后的空间坐标图；
图7示出了根据本申请测试案例中的连续型学校选址方法，按楼层增加重叠点数量和分布，使聚类增加人口密度权重后的空间坐标图；
图8示出了根据本申请测试案例中的学校连续点选址方法，使用Means Shift聚类方法进行第一次聚类后的区域划分；
图9示出了18年出台的《城市居住区规划设计标准》GB50180－2018中的楼层与容积率、人口的关系，用来计算人口数量；
图10示出了根据本申请测试案例中的学校连续点选址方法，使用K－Means方法进行第二次聚类后的空间区域划分；
图11示出了根据本申请测试案例中的连续型学校选址方法，利用closeness方法计算紧密中心性，选取最高的点为选址点后的空间区域划分；
图12示出了根据本申请测试案例中的连续型学校选址方法，使用closeness算法前后的学校定址点的位移变化；
图13示出了根据本申请测试案例中的连续型学校选址方法，得到的学校的空间位置以及覆盖人口学校规模的成果。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例一：
如图1所示：
本公开提供了一种学校连续点选址方法，包括：
S1：导入并计算城市住房的空间信息；
进一步，所述空间信息包括：
住房面积及分布的信息，以及计算每个楼房多边形的中心点作为代表城市楼房区域的空间信息。
进一步，所述导入并计算城市住房的空间信息之后，还包括：
对所述空间信息根据多层楼房人口密度与楼层数的线性关系引入人口密度权值的聚类。
因为人口密度与楼房层数存在线性关系，将楼房的每一层楼层作为一个点，多层楼房的空间点重叠分布，使得之后的聚类变为包含人口密度权值的聚类。
S2：使用聚类算法对所述空间信息进行第一次聚类；
具体地，所述使用聚类算法对所述空间信息进行第一次聚类具体使用Mean Shift聚类算法进行第一次聚类，聚类中的核函数采用高斯核函数，并指定预设的聚类范围。
MeanShift聚类算法的优势是，用户不需要事先指定有多少聚类点，直接依靠指定的聚类范围，进行自动聚类。
MeanShift聚类算法的主要计算思路为：
在给定区域内随机选择一个点作为中心质点，计算所有点到中心质点的向量，将向量相加并平均，得到其漂移向量(mean shift vector)，该数值将指向点密度增加最大的区域，并标记其余点(被该类的访问级别为1)，以供后续分类使用。不断重复该步骤，直到偏移量很小时停止。
对于内部点的分类，根据每个类，对每个点的访问频率，取访问频率最大的类，作为当前点集的所属类。
中心质点更新公式：
Figure BDA0002750547690000071
漂移向量公式：
Figure BDA0002750547690000072
其中，K为核函数，本公开使用高斯核函数(j∈N(xi))。
对于聚类范围带宽(Bandwidth)的指定，本公开主要通过《城市居住区规划设计标准》里对十五分钟生活圈的定义来设定聚类范围半径长度，“十五分钟生活圈居住区宜将文化活动中心、街道服务中心、街道办事处、养老院等设施集中布局，形成街道综合服务中心。”
经过多次尝试，发现当Bandwidth设置为400米的时候，聚类结果中每一类的空间范围满足十五分钟生活圈的要求。故最终Bandwidth设置为400米。
S3：根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
S4：根据所述学校建造数量，确定第二次聚类的数量并进行第二次聚类，得到每个学校对应的覆盖范围。
具体地，所述第二次聚类具体使用K－means聚类算法进行再次聚类，得到每个学校对应的覆盖范围。
k－means概念
k－means是一种无监督学习，它会将相似的对象归到同一类中。
k－means聚类具有容易实现的优点。
且k－means聚类适用于：数值型数据。
k－means聚类的算法思想：
1.随机计算k个类中心作为起始点。
2.将数据点分配到理其最近的类中心。
3.移动类中心。
4.重复2，3直至类中心不再改变或者达到限定迭代次数。
本公开的有益效果为：
1.与现有技术相比，本公开的方法第一次提出了较为完善的针对于学校连续点选址问题的模型。
2.现有技术模型只考虑了距离因素所造成的影响，本公开的方法以人口数量、密度作为权值进行聚类划分，并利用距离因素确定具体位置，考虑因素更多，选址更为合理。
3.现有的选址算法在连续型问题上因有过多的数据点比较，时间复杂度高，以3000个点为例需要五分钟左右(遗传算法，暴力搜索算法)的时间，而本公开的方法仅需要1.3秒的时间就可以确定位置。
实施例二：
如图2所示：
本公开在实施例一的基础上还可以作如下改进：
所述方法还包括：
S5：采用紧密中心性Closeness算法计算每一个聚类点的紧密中心性，选取中心性最高的聚类点作为学校的选址点。
紧密中心性计算的原理：
某个节点到达其他节点的难易程度，也就是到其他所有结点距离的平均值的倒数。因此，紧密中心性最高的点，则认定为到周边点距离最短的点。
计算公式：
Figure BDA0002750547690000091
其中，节点i≠节点j；
d为节点i到节点j的最短路径距离；
N为节点总数。
实施例三：
如图3所示，本公开在实施例一的基础上还可以作如下改进：
所述方法还包括：
S6：计算每个学校聚类点对应覆盖范围内的人口数量并与预设阈值进行比较，将低于所述预设阈值的学校聚类点删除。
计算每个学校覆盖的人口数量，设定一个最低人口阈值，将低于阈值的聚类点删除。
实施例四：
如图4所示，本公开还能够提供一种学校连续点选址装置，包括：
导入计算模块100，用于导入并计算城市住房的空间信息；
第一次聚类模块200，用于使用聚类算法对所述空间信息进行第一次聚类；
确定模块300，用于根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
第二次聚类模块400，用于根据所述学校建造数量，确定第二次聚类的数量并进行第二次聚类，得到每个学校对应的覆盖范围。
其中，所述的导入计算模块100依次与所述第一次聚类模块200、所述确定模块300以及所述第二次聚类模块400相连接。
实施例五：
本公开还能够提供一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现上述的交通流程式图谱模型中计算因子植入方法的步骤。
本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。
半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM)，即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。
磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。
磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大，但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6250位，道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换，具有很大的脱体容量，而且容量大，速度高，可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。
实施例六：
本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述的交通流程式图谱模型中计算因子植入方法的步骤。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
图5为一个实施例中电子设备的内部结构示意图。如图3所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种学校连续点选址方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种学校连续点选址方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheralcom ponentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi－Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI－FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light－Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地，所述计算机可用存储介质可主要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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
如图6所示，示出了根据本申请测试案例中的连续型学校选址方法，在EPSG32650号坐标系下，将房屋外围多边形轮廓转换为中心点后的空间坐标图；
如图7所示，示出了根据本申请测试案例中的连续型学校选址方法，按楼层增加重叠点数量和分布，使聚类增加人口密度权重后的空间坐标图；
如图8所示，示出了根据本公开测试案例中的学校连续点选址方法，使用MeansShift聚类方法进行第一次聚类后的区域划分；
所述第一次聚类采用本公开上述实施例一中所述的第一聚类进行聚类，优选采用Means Shift聚类方法进行聚类；
如图9所示，示出了18年出台的《城市居住区规划设计标准》GB50180－2018中的楼层与容积率、人口的关系，用来计算城市人口数量；
如图10所示，示出了根据本公开测试案例中的学校连续点选址方法，使用K－Means方法进行第二次聚类后的空间区域划分；
所述第二次聚类采用本公开上述实施例一中所述的第二聚类进行聚类，优选采用K－Means聚类方法进行聚类；
如图11所示，示出了根据本公开测试案例中的连续型学校选址方法，利用closeness方法计算紧密中心性，选取最高的点为选址点后的空间区域划分；
如图12所示，示出了根据本公开测试案例中的连续型学校选址方法，使用closeness算法前后的学校定址点的位移变化；
如图13所示，示出了根据本公开测试案例中的连续型学校选址方法，得到的学校的空间位置以及覆盖人口学校规模的成果。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (7)

1.一种学校连续点选址方法，其特征在于，包括：
计算城市住房的空间信息；
使用Mean Shift聚类算法进行第一次聚类，聚类中的核函数采用高斯核函数，并指定预设的聚类范围，对所述空间信息进行第一次聚类；
根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
根据所述学校建造数量，确定第二次聚类的数量并使用K－means聚类算法进行再次聚类，得到每个学校对应的覆盖范围；
采用紧密中心性Closeness算法计算每一个聚类点的紧密中心性，选取中心性最高的聚类点作为学校的选址点。
2.根据权利要求1所述的方法，其特征在于，所述计算城市住房的空间信息之后，还包括：
对所述空间信息根据多层楼房人口密度与楼层数的线性关系引入人口密度权值的聚类。
3.根据权利要求1所述的方法，其特征在于，所述计算城市住房的空间信息包括：
计算城市住房的住房面积及分布的信息，以及计算每个楼房多边形的中心点作为代表城市楼房区域的空间信息。
4.根据权利要求1～3任一项中所述的方法，其特征在于，还包括：
计算每个学校聚类点对应覆盖范围内的人口数量并与预设阈值进行比较，将低于所述预设阈值的学校聚类点删除。
5.一种学校连续点选址装置，其特征在于，包括：
导入计算模块，用于计算城市住房的空间信息；
第一次聚类模块，用于使用Mean Shift聚类算法进行第一次聚类，聚类中的核函数采用高斯核函数，并指定预设的聚类范围，对所述空间信息进行第一次聚类；
确定模块，用于根据所述第一次聚类的聚类结果确定聚类范围内的人口数量，根据计划建设的学校类型及规模确定聚类范围内的学校建造数量；
第二次聚类模块，用于根据所述学校建造数量，确定第二次聚类的数量并使用K－means聚类算法进行再次聚类，得到每个学校对应的覆盖范围；
选址模块，用于采用紧密中心性Closeness算法计算每一个聚类点的紧密中心性，选取中心性最高的聚类点作为学校的选址点。
6.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现如权利要求1～4任一项中所述的学校连续点选址方法的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1～4任一项中所述的学校连续点选址方法的步骤。
CN202011182460.2A 2020-10-29 2020-10-29 一种学校连续点选址方法、装置、介质及计算机设备 Active CN112308313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011182460.2A CN112308313B (zh) 2020-10-29 2020-10-29 一种学校连续点选址方法、装置、介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011182460.2A CN112308313B (zh) 2020-10-29 2020-10-29 一种学校连续点选址方法、装置、介质及计算机设备

Publications (2)

Publication Number Publication Date
CN112308313A CN112308313A (zh) 2021-02-02
CN112308313B true CN112308313B (zh) 2023-06-16

Family

ID=74331701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011182460.2A Active CN112308313B (zh) 2020-10-29 2020-10-29 一种学校连续点选址方法、装置、介质及计算机设备

Country Status (1)

Country Link
CN (1) CN112308313B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112170B (zh) * 2021-04-22 2024-04-16 新东方教育科技集团有限公司 选址方法、装置、存储介质及电子设备
CN113394880B (zh) * 2021-06-04 2023-04-07 重庆邮电大学 基于区块链使能的智能电网电力故障检测与安全传输方法
CN117274004B (zh) * 2023-11-20 2024-02-27 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359162A (zh) * 2018-08-28 2019-02-19 浙江工业大学 一种基于gis的学校选址方法
CN109840640A (zh) * 2019-03-06 2019-06-04 清华大学 一种电动汽车充电桩的选址方法和系统
CN110162604A (zh) * 2019-01-24 2019-08-23 腾讯科技（深圳）有限公司 语句生成方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359162A (zh) * 2018-08-28 2019-02-19 浙江工业大学 一种基于gis的学校选址方法
CN110162604A (zh) * 2019-01-24 2019-08-23 腾讯科技（深圳）有限公司 语句生成方法、装置、设备及存储介质
WO2020151690A1 (zh) * 2019-01-24 2020-07-30 腾讯科技（深圳）有限公司 语句生成方法、装置、设备及存储介质
CN109840640A (zh) * 2019-03-06 2019-06-04 清华大学 一种电动汽车充电桩的选址方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于GIS的中小学布局选址规划研究;张霄兵;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第第07期期);第C038-338页 *
基于GIS适宜性评价的中小城市公园选址研究;张金光;韦薇;承颖怡;赵兵;;南京林业大学学报(自然科学版);第44卷(第01期);第171-178页 *
基于灰色关联和聚类算法的避难所选址研究;王艳虎;毛政元;王登清;;武汉理工大学学报(信息与管理工程版);第42卷(第01期);第12-16页 *
避难场所选址优化方法研究;陈红月;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第第03期期);第C038-1183页 *

Also Published As

Publication number Publication date
CN112308313A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112308313B (zh) 一种学校连续点选址方法、装置、介质及计算机设备
Siddique et al. Harmony search algorithm and its variants
Church Location modelling and GIS
CN111126700B (zh) 用能预测方法、装置、设备及存储介质
CN105183870A (zh) 一种利用微博位置信息的城市功能区探测方法及系统
CN103828498A (zh) 用于顺序放置数据中心布局内的冷却资源的系统和方法
Yang et al. Modelling and analysis for multi-deep compact robotic mobile fulfilment system
CN114754786B (zh) 一种货车导航寻路方法、装置、设备及介质
Galvan-Nunez et al. Hybrid particle swarm optimization and k-means analysis for bridge clustering based on national bridge inventory data
Cai et al. Discovering regions of anomalous spatial co-locations
CN114021837A (zh) 基于混合机器学习和空间地址匹配的区域用电量预测方法
Nijkamp Information technology and urban planning
CN115169744A (zh) 一种土地利用变化模拟预测方法、装置、设备及介质
CN104573730A (zh) 一种基于决定路径权重的不确定图分割方法及系统
JP3548315B2 (ja) 認知地図を持つ装置
CN116578636B (zh) 一种分布式多智能体合作方法、系统、介质及设备
Hsieh et al. Applying particle swarm optimization to schedule order picking routes in a distribution center
CN114202126A (zh) 一种电力作业智能安全控制方法及系统
Taheri et al. Fuzzy online location management in mobile computing environments
Gu et al. GIS-FLSolution: A spatial analysis platform for static and transportation facility location allocation problem
Moore et al. Non-intrusive debug technique for embedded programming
CN113806539B (zh) 一种文本数据增强系统、方法、设备及介质
Tamas Hierarchical Clustering based on IndoorGML Document
CN110135626A (zh) 信贷管理方法及装置、电子设备、存储介质
CN112232115B (zh) 一种计算因子植入方法、介质及设备

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