CN112700045A - 一种基于土地储备实施监测模型的智能选址系统 - Google Patents

Abstract

本发明涉及一种基于土地储备实施监测模型的智能选址系统，包括土地储备供应项目库：提供设定区域内建设用地数据，并依据法定规划调整实时更新；土地储备实施监测模块：以可建设用地为基本单元，实时集成规划、现状、审批数据，判读用地储备实施阶段，识别潜力用地；项目选址模块：调用潜力用地数据，基于遗传选址算法和GIS选址算法自动生成两种用地方案，利用集对分析法综合比选，求解最优选址方案。本发明通过动态跟踪土地审批状态，智能识别具有开发潜力的候选地块，改变了传统选址模式的主观性、落地难问题，运用智能算法进行全局优化搜索，寻找选址目标约束下的最适宜用地布局，可确保项目选址综合效益最大化。

Description

一种基于土地储备实施监测模型的智能选址系统

技术领域

本发明涉及一种计算机建设项目选址领域，尤其是涉及一种基于土地储备实施监测模型的智能选址系统。

背景技术

城市发展已进入存量挖潜阶段，深化土地资源配置改革，需要盘活存量建设用地，提高用地整体效率和效益，建设项目科学选址对于土地合理利用和城市空间布局优化至关重要。建设项目选址需要综合考虑人口、土地、建筑、规划、产业、交通、社会经济等众多因素，在有限的资金和用地规模约束下，选择自然资源条件好、基础设施优、社会经济基础好的空间位置，以实现土地资产利用率最大化、综合效益最大化，本质上是一个多目标空间优化问题。

目前建设项目选址计算机模型的研究较少，大量建设项目仍通过人工方式选址，难以避免用地冲突，现有信息化技术辅助建设项目选址案例主要集中在三个方向，早期研究方向为AHP指标评价体系结合综合评价方法，中期发展为基于GIS空间分析技术的项目选址，近年来随着人工智能的发展，出现了一批运用智能算法寻求选址最优布局的技术，典型模型包括线性规划、目标规划等数学模型和模拟退火法、遗传算法、蚁群算法等机器学习算法。上述技术在解决建设项目选址问题时具有一定可行性，但也存在盲目随机地组合选址方案，未事前评估土地潜力和不同决策主体需求的匹配度，过早陷入局部最优解等问题，导致选址方案空间布局过于零碎，后期用地审批难，项目仍难以“落地”。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于土地储备实施监测模型的智能选址系统，其特征在于，包括：

土地储备供应项目库：提供设定区域内的城市规划用地性质为建设用地的土地，并根据用地规划变化，动态更新可建设用地数据；

土地储备实施监测模块：以可建设用地为基本单元，实时采集设定区域内的审批信息数据，判读设定区域内可建设用地的储备实施阶段，并结合储备实施和规划、现状、权属等信息，筛选出潜力用地，存储至土地储备供应项目库，并监测审批数据变化同步更新潜力用地；

项目选址模块：调用土地储备供应项目库中的潜力用地数据，并根据用户的需求维度建立项目选址指标体系，同时基于遗传选址算法和GIS选址算法获取符合用户的需求维度用地数据结果一和用地数据结果二，利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。

在上述的一种土地储备实施监测模型的智能选址系统，所述土地储备实施监测模块具体包括：

土地储备实施进度监测单元：采集设定区域内的规划审批数据，判读设定区域内可建设用地的储备实施阶段，当审批数据更新时，对设定区域内可建设用地的储备实施状态进行更新；

潜力用地识别单元：建立智能判断规则库，根据可建设用地审批阶段，结合规划情况、现状建设情况、土地权属等信息，从可建设用地中识别潜力用地，并监测审批数据和现状建设情况的变化，实时更新潜力用地数据。

在上述的一种土地储备实施监测模型的智能选址系统，项目选址模块具体包括：

指标体系构建单元：根据用户的需求维度确定影响因子，并根据层次分析法建立影响因素权重体系；

遗传选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果一；

GIS选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果二；

判定单元：利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。

在上述的一种土地储备实施监测模型的智能选址系统，土地储备实施进度监测单元的具体步骤包括：

步骤1、收集整理研究区域内的规划建设用地以及审批数据，梳理建设项目审批业务逻辑，建立土地储备实施监测模型，设定土地储备实施周期包含n个阶段P，且阶段之间存在时间先后顺序，记为P₁，P₂，P₃，...，P_n。其中，n＞＝2且n∈Z+；每个阶段包含多个审批过程，每个过程产生一个图层L，审批过程存在时间先后顺序，记为土地储备实施监测模型：

(1)P₁包含a个图层：

a＞＝1且a∈Z+

(2)P₂包含b个图层：

b＞＝1且b∈Z+

(3)...

(4)P_n包含m个图层：

m＞＝1且m∈Z+

所有建设用地与P₁中的所有图层的并集进行空间叠置，相交的地块记为P₁阶段，剩余地块与P₂阶段所有图层的并集进行空间叠置，提取相交的地块记为P₂阶段，依次类推，直到P_n-1阶段，不属于前述P₁至P_n-1阶段的所有地块记为P_n，通过土地储备实施监测模型自动判读研究范围内所有可建设用地的土地储备实施的阶段。所述可建设用地数据是指规划用地性质为建设用地且不属于交通水利设施用地、军事设施用地、市政用地、生态底线区的土地。

步骤2、当检测到审批数据存在更新时，调用土地储备实施监测模型开展空间计算，自动对可建设用地的储备实施状态进行更新。

在上述的一种土地储备实施监测模型的智能选址系统，土地储备实施监测单元进行用地划分的具体步骤包括：

步骤1、建立潜力用地识别规则库。以可建设用地为空间单元，将潜力用地识别依据的现状地类、土地审批阶段、规划用地性质、现状用地性质、现状建设情况等属性描述为规则，设定规则库t项规则，记为R₁，R₂，R₃，…，R_t，t＞＝1且t∈Z+，使用产生式表示法表示规则，利用统一的数据结构在计算机中存储起来，便于规则的修改、扩充、删减。

步骤2、潜力地复核筛选，建立潜力用地判别模型，为不同用地类型制定不同判断公式，判断过程采用合取式，所有前提条件符合时，则判定结论成立，该地块判别为潜力用地；合取前提条件中存在一个不符合，则整个推理结束，判定结论不成立，该地块判别为非潜力用地。设定A为用地类型，具有a₁、a₂两种取值，a₁代表存量建设用地，a₂表示新增建设用地，以步骤1中建立的规则库为前提条件，当前提条件全部成立时，判断结论成立，该地块判别为潜力用地，潜力用地判断公式定义为：

输入设定区域内建设用地，利用空间运算提取各项规则关联的属性信息，通过潜力用地判断公式筛选出潜力用地，追加至土地储备供应项目库中。

在上述的一种土地储备实施监测模型的智能选址系统，指标体系构建单元具体包括：

步骤1、根据建设项目选址实操经验，确定建设项目用地评价考虑因素。因素记为B_i，i＞＝1且i∈Z+；

步骤2、采用层次分析法建立四层阶梯层次结构，分别为总体评价层、因素层、指标层和备选方案层。最高层为总体评价层A，是备选方案的综合评价结果；因素层B为影响选址的若干类因素，即为上述步骤1中所描述B₁，B₂，B₃，…，B_i，i＞＝1且i∈Z+；指标层C为影响每个因素的若干个指标因子C_ij，i，j＞＝1且i，j∈Z+，即C_ij为第i个评价因素(B_i)的第j个评价指标；最低层为备选方案层D。

步骤3、设因素层共有k个因素，指标层共有l个指标。针对因素层B中每两两因素B_i，B_j(i≠j)之间相对重要性b_ij，获取专家打分，汇总建立因素层总体评价的判断矩阵B＝(b_ij)_k×k(k＞＝1且k∈Z+)。同理根据指标层两两指标之间的相对重要性评分c_ij建立判断矩阵C＝(c_ij)_l×l(l＞＝1且l∈Z+)。

步骤4、求得矩阵B最大特征值λ_b，并通过CI＝(λ_b-k)/(k-1)计算得出一致性指标CI。引入随机一致性指标RI计算得到一致性比率CR＝CI/RI，当比率CR小于0.1时，判断矩阵满足一致性条件，否则需重新构造比对矩阵。同理利用矩阵C的最大特征值λ_c对矩阵C进行一致性判断。

步骤5、求得矩阵B和C最大特征值所对应的特征向量w_b＝[w_b1，w_b2，…，w_bk]和w_c＝[w_c1，w_c2，…，w_cl]，其中，w_bi表示因素B_i对目标层的权重，w_ci表示指标C_i对因素层的权重，w_b、w_c即为因素层和指标层对总目标的相对权重。

步骤6、根据各因素对项目选址的影响范围和影响程度，设定指标的作用半径和初始作用分，根据因素影响规律，并结合地理加权回归结果予以验证、调整，由此建立量化模型，用于计算每个指标计量值，并采用极差变换法对指标计量值进行标准化。指标量化模型包括线性衰减、指数衰减、幂衰减、无衰减，其中，无衰减代表当评价单元位于因素影响半径内时，取最高分，否则，取0分。指标量化模型计算公式如下：

式中，q表示评价单元的单因子作用分值，M表示指标的初始作用分，即最高分，r表示因子的作用半径，dist表示评价单元到因子对象的空间距离。

在上述的一种土地储备实施监测模型的智能选址系统，遗传选址算法单元获取用地数据结果一具体包括：

步骤1、设S_i为第i个地块的综合分值，则

q_i、w_i分别对应于权利要求6中所述的因子量化分值及其权重。建立总体适应度指标量化函数模型：

式中，x_i为第i个地块的遗传编码，为0或1；k为选中即遗传编码为1的地块个数

步骤2、根据备选项目地块总数，设置遗传算法的初始种群大小N。对所有地块赋予唯一的ID编号，从备选地块中随机生成多种候选用地方案，并以二进制编码形式对已选地块和未选地块进行编码，形成N条染色体。

步骤3、定义用户至少有2个选址限制条件，要求用地面积至少为S_min，投资金额最多为P_max，则形成如下约束条件。即：

式中，c_i为第i个地块的面积，p_i为第i个地块的土地单价，x_i为第i个地块的遗传编码0或1。

使用上述约束条件对染色体组中的染色体逐条筛查。若不满足约束条件，则视为无效染色体，对染色体进行修复操作；若满足约束条件，则直接进入步骤4。

步骤4、各指标维度分值越高则表示地块质量越优，当选择多个地块时，拟采用多个地块的平均分值作为最终的方案得分。采用步骤1所建立的公式作为适应度函数来计算每个染色体组的适应度值。

步骤5、对染色体进行遗传操作，通过选择、交叉、变异操作，得到一组新的染色体。交叉概率为P_C，变异概率为P_m。

步骤6、设置结束条件函数阈值ε，循环执行步骤3至步骤6，直至最优地块的适应度值和种群的平均适应度值经过多次迭代运算，保持稳定，不再增加时结束运算，并输出适应度值最高的染色体项。

使用的结束条件函数如下：

式中，F_max表示最优地块的适应度值，F_i表示第i个地块的适应度值，N代表种群内的地块个数。最终所输出的适应度最高的染色体项即为用地选址方案一，记为A₁，包含N个地块。

在上述的一种土地储备实施监测模型的智能选址系统，GIS选址算法单元获取用地数据结果二具体包括：

步骤1、评价单元确定：以土地储备供应项目库中潜力地为范围，均匀划分为正方形网格作为基本评价单元。

步骤2、指标量化：沿用指标体系构建单元中所设计的指标体系及指标量化模型，选择合适的衰减模型计算每个因子作用分值，形成每个指标的作用分值图层。

步骤3、适宜度评价：按照前述指标体系构建单元中确定的因素因子权重体系，运用GIS加权空间叠置功能，以网格为单元，对单因素影响分值进行汇总，获得适宜度分值，计算公式如下：

式中，F_i表示第i个单元格的适宜度分值，w_j表示指标体系中第j个影响因子的权重，

表示第i个单元格在第j个影响因子上的分值。

步骤4、筛选候选地块：计算地块所在网格的平均适宜度作为地块适宜度分值，将所有候选地块根据适宜度分值满足阈值要求的地块，作为候选地块。

步骤5、确定选址方案。针对候选地块，建立0-1整数规划模型，选出项目最优位置。选址模型设定有r个候选地块，r＞＝1且r∈Z+，目标为投资利润Z最大化，第j个地块表示为变量x_j，预期收益为c_j，则目标函数为：

其中选址限制条件为用地总投资不超过P_max，总用地面积不小于S_min，单个地块投资额为P_j，单个地块面积为a_j，则模型约束条件为：

最终选择使得投资利益最大化的N个地块组成选址用地数据结果二，记为A₂。

在上述的一种土地储备实施监测模型的智能选址系统，判定单元获取最优地块组合解具体包括：

步骤1、针对两种模型算法计算出的两个选址方案A₁、A₂，利用权利要求6所述的项目用地评价指标体系，构造多方案评价决策矩阵H，即

f_ij表示第i个解决方案中在第j个指标上表现的评价结果。

步骤2、分别取给出两个方案中各类指标的最优值，其中效益型指标以取最大值为优，成本型指标以取最小值为优，组成理想方案A₀，并记A₀中第j个指标的值为f_0j，j＝1，2，...，l。

步骤3、计算被评价方案A_i(i＝1，2)中各指标值f_ij与理想方案A₀中各对应指标值f_0j的同一度a_ij，组成被评价方案指标与理想方案指标基于集对分析的不带权的同一度矩阵O，即

其中，效益型指标

成本型指标

步骤4、根据权利要求6中所述指标体系所得到的各指标权重，第i个指标的权重表示为w_i，指标权重矩阵表示为W＝w₁，w₂，…，w_l。

步骤5、确定被评价方案A_i与理想方案A₀的带权同一度矩阵R，即R＝OW^T，R中的元素a_i是指第i个被评价方案与理想方案的带权同一度之和，即

根据带权同一度矩阵R中a_i的大小即可得出各被评价方案的优劣次序，最大者即为最优方案，从而得到最接近用户需求维度的最优地块组合解。

因此，本发明具有如下优点：1、构建了土地储备监测模型，能够动态监测挖掘城市具有开发潜力的建设用地，匹配建设项目与土地储备供应阶段以及规划布局条件，避免传统的不考虑土地审批信息的选址模式造成的项目落地难问题，提供可实施可落地的候选地块组合，提高土地利用的集约性。2、科学建立项目选址评价指标体系，利用层次分析法确定指标权重，同时GIS分析法和遗传选址算法两种算法进行选址，并利用集对分析法比选出最接近选址条件的最优地块组合解，多重判断有效规避了单种选址方法的算法缺陷，使建设项目取得良好的综合效益。3、实现选址条件智能输入和展示，选址结果多维直观比选方案，极大提高规划选址工作效率。

附图说明

附图1是本发明的整体流程图。

附图2是本发明的土地储备实施进度监测流程图。

附图3是本发明的潜力用地识别流程图。

附图4是本发明的潜力用地更新流程图。

附图5是本发明的遗传选址算法单元选址结果展示。

附图6是本发明的GIS选址算法单元选址结果展示。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面以武汉市某工业项目选址为例，介绍利用上述系统进行土地智能选址的具体过程。

(一)土地储备供应项目库建立

建立土地储备供应项目库，根据武汉市城市总体规划确定的集中建设区边界，从武汉市控制性详细规划和分区规划中提取全市规划建设用地(C)，作为选址的项目库。通过计算机程序定期检测规划用地数据的变化，对建设用地进行更新。

(二)土地储备实施监测模块

土地储备实施监测模块包括土地储备实施监测单元和潜力用地识别单元。储备实施监测单元用于初步筛选可利用的建设用地，潜力用地识别单元用于进一步复核可利用建设用地。

土地储备实施进度监测单元：首先定义土地储备实施状态为六个阶段，依次是计划(P₁)、拟收储(P₂)、已收储(P₃)、供应(P₄)、规划建管(P₅)、保留及未利用(P₆)。其中计划阶段包括土地储备计划、土地供应计划、城市更新计划、房屋征收计划4个图层，拟收储阶段包括规划意见、储备要点、新增建设用地报批、新增建设用地批复4个图层，已收储阶段包括建设用地批准书、国有土地上房屋征收完毕确认书、收回或收购批复、储备土地证、储备完成5个图层，供应阶段包括公开成交信息、土地供应2个图层，规划建管阶段包括规划用地许可证、建设工程许可证、规划条件核实证明3个图层，保留及未利用(P₆)阶段无对应图层，在土地储备供应项目库中建立土地储备实施监测数据集，分层存储5个阶段(P₁-P₅)的空间数据，所涉及的业务流程请参阅附图2。从土地储备供应项目库中提取全市规划建设用地数据，与土地储备实施6个阶段对应的图层依次进行叠加，将全市建设用地全部划分到上述六个阶段之一，具体的判别逻辑参见表1，依据判别逻辑在ArcGIS中使用ModelBuilder工具构建模型，生成一个土地储备实施监测数据，存储至土地储备实施项目库中。模型具体逻辑结构图参见附图2，通过计算机程序设置模型每晚定期执行，更新全市规划建设用地储备实施状态。同时全市规划建设用地数据作为系统的一个图层在用户界面上展示，储备实施状态的六个阶段分别用红色、黄色、橙色、绿色、紫色、深灰色六种颜色表示，通过颜色反映建设用地各地块所属的最新状态。

表1：土地储备实施状态业务逻辑

潜力用地识别单元：在建设用地储备实施数据基础上，挖掘现状利用效率低下可通过开发建设提升价值的潜力用地，为建设项目选址提供更适宜的数据源。潜力用地识别逻辑过程参见附图3，具体步骤如下：

步骤1：建立潜力用地识别规则库，将潜力用地识别标准编码为规则，采用统一的数据结构建立规则库进行存储，便于规则的增加、删除、拓展，规则库具体内容参见表2.

表2：潜力用地识别规则库

步骤2：潜力用地识别。在以潜力用地识别规则库为依据，提取每个地块在各项规则上对应的取值信息，分别判断各项规则的符合情况。其中，容积率阈值(α)设置为1.8，建筑密度阈值(β)设置为35％，建筑高度最大值阈值(h)设置为100米，建筑年代最大值阈值(y)设置为20年。潜力用地判断规则采用合取式，针对存量建设用地，当所有规则(R₁、R₂、R₃、R₄)均符合时，判定为潜力用地。针对新增建设用地，当规则R₁符合时，判断为潜力用地。其余情况判定为非潜力用地。

(三)项目选址模块

(1)项目选址指标体系构建

步骤1：通过文献调研、实地调查与专家咨询相结合的方法，综合考虑用地的现状及规划特性及周边影响因素，建立工业项目用地评价指标体系，设定B₁，B₂，...，B₈共8个评价指标。

B₁：基础条件：地块面积、地块形状、土地单价

B₂：公用设施：水、电、燃气、电讯、网络

B₃：环境因素：地质情况、空气、水源、地质、污染排放情况

B₄：人力资源：可获得性、工资、效率、施工、运营

B₅：产业因素：基础设施、生活便利度

B₆：交通运输：公路、铁路、航空、水路运输

B₇：税收：不动产税、销售税、专卖权、失业保险、所得税

B₈：投资优惠：国家政策、地方政策

步骤2：研究确定各类因素因子在空间距离上对项目选址的影响范围及程度、在不同区域的影响特征以及典型区域的影响力，通过定性与定量相结合的方式确定单个因素在研究区域内的影响范围和等级梯度，形成各因素对项目选址的影响评价量化分析模型，并采用极差变换法对计量值进行标准化。

步骤3：采用层次分析法和专家打分法相结合的方法，给各类因素因子赋予不同的权重，归纳出影响权重较大的指标，对上述关键因素进行数学建模，通过精细化分析，形成影响因素权重体系，参见表2。

表2.工业项目用地评价指标体系

(1)遗传算法选址模块

步骤1：设S_i为第i个地块的综合分值，则

建立指标量化函数模型：

式中，x_i为第i个地块的遗传编码(0或1)，k为选中(即遗传编码为1)地块个数。

步骤2：根据备选项目地块总数，合理设置遗传算法的初始种群大小N。对所有地块赋予唯一的ID编号，通过计算机自动从备选地块中随机生成多种候选方案，并以二进制编码形式对已选地块和未选地块进行编码，形成N条染色体。例如，存在6个备选地块，选中其中编号为2和6的地块，则形成编码为“010001”的染色体。

表3.染色体编码表

步骤3：由于投资金额、投资面积的限制，并非地块质量越好，面积越大的地块越适宜。因此需要根据投资金额对选址方案做限定。假设用户要求选择面积至少(S_min)为15公顷，且投资金额最多(P_max)为1亿元地块，则形成如下约束条件。即：

式中，c_i为第i个地块的面积，p_i为第i个地块的土地单价，x_i为第i个地块的遗传代码(0或1)。

使用上述约束条件对染色体组中的染色体逐条筛查。若不满足约束条件，则视为无效染色体，对染色体进行修复操作，例如，当不满足面积约束条件时，补充选择地块数；若满足约束条件，则直接进入步骤4。

步骤4：在本实施例中，各指标维度分值越高则表示地块质量越优，当选择多个地块时，拟采用多个地块的平均分值作为最终的方案得分。因此可直接采用步骤1所建立的公式作为适应度函数来计算每个染色体组的适应度值。

步骤5：对染色体进行遗传操作，通过选择、交叉、变异等操作，得到一组新的染色体。设交叉概率为P_C，变异概率为P_m。

选择操作模拟了生物进化过程中自然选择规律，其作用是提高群体的平均适应度函数值，使得低适应度函数个体趋向于被淘汰而高适应度函数值个体趋向于被复制。在本实施例中，选择操作采用了最优保存法，即保留适应度函数值高的个体不受交叉和变异的影响，无条件遗传给后代。其它染色体则进入交叉、变异流程。

交叉是将两个染色体重新组合的操作，可用于将两个染色体组合产生新个体，以提高算法的全局搜索能力。在本实施例中，交叉操作采用了多点交叉算法，即允许染色体的切断点有多个，在每个切断点，两个个体间进行染色体交叉，生成两个新的个体。

变异操作模拟了生物进化过程中偶然的基因突变现象，能增加群体中个体的多样性。变异操作将以一个很小的概率P_m从染色体组中随机选取若干个体，对于选中的个体又随机选取染色体中的某一位或多维进行数码翻转，在本实施例中，变异操作是对于二进制数字串中某一位置上的值1变为0或值0变为1。

步骤6：设置结束条件函数，循环执行步骤4至步骤6，直至最优个体的适应度函数值和群体的平均适应度函数值经过多次迭代运算，保持稳定，不再增加时结束运算，并输出适应度值最高的染色体项。

在本实施例中，使用的结束条件函数如下：

通过遗传算法形成的选址结果参见图5。点击方案可查看其包含的地块信息及该方案在各个指标维度的分值。

(2)GIS选址评估模块

步骤1：依据项目选址指标体系，获取项目选址影响因素B₁，B₂，...，B₈。以土地储备供应项目库中的潜力地为范围，均匀划分为正方形网格作为基本评价单元。

步骤2：单因素作用分值计算。设定指标体系中每个因素的初始作用分与作用范围，对每个指标分别建立衰减模型。

1)基础条件：满足地块面积、形状及单价要求得分为5，每偏差20％扣一分。

2)公用设施：基础设施七通一平得分为5，六通一平得分为4，五通一平得分为3，四通一平得分为2，其余得分为0

3)环境因素：满足国家、省市级于工业选址中对于环境的保护标准要求

4)人力资源：周边人口对于工业就业人口需求、工资水平、施工条件以及运营等方面的匹配度

5)产业因素：工业项目周边生活配套、产业配套的可达度

6)交通运输：离城市主干道、次干道、铁路距离，距离越近越优，500m以内5分

7)税收：周边不动产税、所得税等税收水平与工业项目的匹配度

8)投资优惠：具有国家优惠政策区域得5分，具有省级优惠政策区域得3分，具有市级优惠政策区域得1分，无优惠政策区域得0分

步骤3：适宜度评价：运用GIS空间分析功能，包括叠置分析、缓冲区分析、网络分析，计算影响因子分值图层，形成8个单因素影响分值图层(q₁，q₂，q₃，…，q₈)，根据适宜度分值计算公式，通过空间加权叠加方法计算得到每个单元格的适宜度，计算公式如下：

式中，F_i表示第i个网格的适宜度分值，w_j表示第j个指标的权重，

表示第i个单元个在第j个指标上的得分。

步骤4：计算地块所覆盖网格的适宜度平均分作为地块最终适宜度得分，并从所有候选地块提取满足预设阈值要求的地块作为候选地块，地块数量须大于等于N。

步骤5：整数规划模型优化选址方案。针对候选地块，建立整数规划模型，设置目标函数和约束条件，其中目标为投资利益最大化，选址约束条件是面积至少为15公顷，投资金额最多为1亿元，从而选出项目最优地块组合解。解算目标函数求出最优解推荐为选址方案，记为A₂，包含N个地块。选址结果展示参见图6，可查看方案在各个指标为度的得分情况。

判定单元：采用集对分析法，基于遗传选址单元所获得的用地方案A₁和基于GIS选址单元所获得的用地方案A₂，制定综合比选方法，判定最佳用地方案。步骤1：针对两种模型算法计算出的两个选址方案A₁、A₂，针对每个方案在工业选址评价指标体系中8项指标的表现评分，构造多方案评价决策矩阵H，即

f_ij表示第i个解决方案中在第j个指标上表现的评价结果。f₁₁如指方案A₁在基础条件指标上的得分。

步骤2：分别取给出两个方案中各类指标的最优值，其中效益型指标以取最大值为优，成本型指标以取最小值为优，组成理想方案A₀，并记A₀中第j(j＝1，2，...，n)个指标的值为f_0j。

步骤3：计算被评价方案A_i(i＝1，2)中各指标值f_ij与理想方案A₀中各对应指标值f_0j的同一度a_ij，组成被评价方案指标与理想方案指标基于集对分析的不带权的同一度矩阵0，即

其中，效益型指标

成本型指标

步骤4：根据工业选址评价指标体系中各因素的权重，其中第i个因素的权重表示为w_i，得到因素权重矩阵W＝[w₁，w₂，…，w_n]

步骤5：确定被评价方案A_i与理想方案A₀的带权同一度矩阵R，即R＝OW^T，R中的元素a_i(i＝1，2)就是第i被评价方案与理想方案的带权同一度之和，即

根据带权同一度矩阵R中a_i的大小即可得出各被评价方案的优劣次序，最大者即为最优方案，从而得到最接近用户需求维度的最优地块组合解。

选址结果详见图5和图6，可查看方案的总得分及8种指标的分项得分，较高总得分的方案即为最终用地方案。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于土地储备实施监测模型的智能选址系统，其特征在于，包括：

土地储备供应项目库：提供设定区域内的城市规划用地性质为建设用地的土地，并根据规划变化，实时更新可建设用地数据；

土地储备实施监测模块：以可建设用地为基本单元，实时采集设定区域内的审批信息数据，判读设定区域内可建设用地的储备实施阶段，并结合储备实施和规划、现状、权属等信息，筛选出潜力用地，存储至土地储备供应项目库，并监测审批数据变化同步更新潜力用地；

项目选址模块：调用土地储备供应项目库中的潜力用地数据，并根据用户的需求维度建立项目选址指标体系，同时基于遗传选址算法和GIS选址算法获取符合用户的需求维度用地数据结果一和用地数据结果二，利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。

2.根据权利要求1所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，所述土地储备实施监测模块具体包括：

土地储备实施进度监测单元：采集设定区域内的规划审批数据，判读设定区域内可建设用地的储备实施阶段，当审批数据更新时，对设定区域内可建设用地的储备实施状态进行更新；

潜力用地识别单元：根据可建设用地审批阶段，结合规划情况、现状建设情况、土地权属等信息，建立智能判断规则库，从可建设用地中识别潜力用地，并监测审批数据和现状建设情况的变化，实时更新潜力用地数据。

3.根据权利要求1所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，项目选址模块具体包括：

指标体系构建单元：根据用户的需求维度确定影响因子，并根据层次分析法建立影响因素权重体系；

遗传选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果一；

GIS选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果二；

判定单元：利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。

4.根据权利要求2所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，土地储备实施进度监测单元的具体步骤包括：

步骤1、收集整理研究区域内的规划建设用地以及审批数据，梳理建设项目审批业务逻辑，建立土地储备实施监测模型，设定土地储备实施周期包含n个阶段P，且阶段之间存在时间先后顺序，记为P₁，P₂，P₃，...，P_n其，其中，n>＝2且n∈Z+，Z+为正整数，每个阶段包含多个审批过程，每个过程产生一个图层L，审批过程存在时间先后顺序，记为土地储备实施监测模型：

(1)P₁包含a个图层：

a>＝1且a∈Z+

(2)P₂包含b个图层：

b>＝1且b∈Z+

(3)...

(4)P_n包含m个图层：

m>＝1且m∈Z+

所有建设用地与P₁中的所有图层的并集进行空间叠置，相交的地块记为P₁阶段，剩余地块与P₂阶段所有图层的并集进行空间叠置，提取相交的地块记为P₂阶段，依此类推，直到P_n-1阶段，将不属于前述P₁至P_n-1阶段的所有地块记为P_n，通过土地储备实施监测模型自动判读研究范围内所有可建设用地的土地储备实施的阶段；所述可建设用地数据是指规划用地性质为建设用地且不属于交通水利设施用地、军事设施用地、市政用地、生态底线区的土地；

步骤2、当检测到审批数据存在更新时，自动调用土地储备实施监测模型重新开展空间计算，对可建设用地的储备实施状态进行更新。

5.根据权利要求2所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，潜力用地识别单元进行用地划分的具体步骤包括：

步骤1、建立潜力用地识别规则库，以可建设用地为空间单元，将潜力用地识别依据的现状地类、土地审批阶段、规划用地性质、现状用地性质、现状建设情况等属性描述为规则，设定规则库t项规则，记为R₁，R₂，R₃，...，R_t，t>＝1且t∈Z+，使用产生式表示法表示规则，利用统一的数据结构在计算机中存储，便于规则的修改、扩充、删减；

步骤2、潜力地复核筛选，建立潜力用地判别模型，为不同用地类型制定不同判断公式，判断过程采用合取式，所有前提条件符合时，则判定结论成立，该地块判别为潜力用地；合取前提条件中存在一个不符合，则整个推理结束，判定结论不成立，该地块判别为非潜力用地。设定A为用地类型，具有a₁、a₂两种取值，a₁代表存量建设用地，a₂表示新增建设用地，以步骤1中建立的规则库为前提条件，当前提条件全部成立时，判断结论成立，该地块判别为潜力用地，潜力用地判断公式定义为：

输入设定区域内建设用地，利用空间运算提取各项规则关联的属性信息，通过潜力用地判断公式筛选出潜力用地，追加至土地储备供应项目库中。

6.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，指标体系构建单元具体包括：

步骤1、根据建设项目选址实操经验，确定建设项目用地评价考虑因素，记为B₁，B₂，B₃，...，B_i，i＞＝1且i∈Z+；

步骤2、采用层次分析法建立四层阶梯层次结构，分别为总体评价层、因素层、指标层和备选方案层；最高层为总体评价层A，是备选方案的综合评价结果；因素层B为影响选址的若干类因素，即为上述步骤1中所描述B₁，B₂，B₃，...，B_i，i＞＝1且i∈Z+；指标层C为影响每个因素的若干个指标因子C_ij，i，j＞＝1且i，j∈Z+，即C_ij为第i个评价因素(B_i)的第j个评价指标；最低层为备选方案层D；

步骤3、设因素层共有k个因素，指标层共有l个指标；针对因素层B中每两两因素B_i，B_j(i≠j)之间相对重要性b_ij，获取专家打分，汇总建立因素层总体评价的判断矩阵B＝(b_ij)_k×k(k＞＝1且k∈Z+)；同理根据指标层两两指标之间的相对重要性评分c_ij建立判断矩阵C＝(c_ij)_l×l(l＞＝1且l∈Z+)；

步骤4、求得矩阵B最大特征值λ_b，并通过CI＝(λ_b-k)/(k-1)计算得出一致性指标CI；引入随机一致性指标RI计算得到一致性比率CR＝CI/RI，当比率CR小于0.1时，判断矩阵满足一致性条件，否则需重新构造比对矩阵；同理利用矩阵C的最大特征值λ_c对矩阵C进行一致性判断；

步骤5、求得矩阵B和C最大特征值所对应的特征向量w_b＝[w_b1，w_b2，...，w_bk]和w_c＝[w_c1，w_c2，...，w_cl]，其中，w_bi表示因素B_i对目标层的权重，w_ci表示指标C_i对因素层的权重，w_b、w_c即为因素层和指标层对总目标的相对权重；

步骤6、根据各因素对项目选址的影响范围和影响程度，设定指标的作用半径和初始作用分，根据因素影响规律，并结合地理加权回归结果予以验证、调整，由此建立量化模型，用于计算每个指标计量值，并采用极差变换法对指标计量值进行标准化，指标量化模型包括线性衰减、指数衰减、幂衰减、无衰减，其中，无衰减代表当评价单元位于因素影响半径内时，取最高分，否则，取0分，各类指标量化模型计算公式如下：

式中，f表示评价单元的单因子作用分值，M表示指标的初始作用分，即最高分，r表示因子的作用半径，dist表示评价单元到因子对象的空间距离。

7.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，遗传选址算法单元获取用地数据结果一具体包括：

步骤1、设S_i为第i个地块的综合分值，则

q_i、w_i分别对应于权利要求6中所述的指标及其权重；建立总体适应度指标量化函数模型：

式中，x_i为第i个地块的遗传编码，为0或1；k为选中即遗传编码为1的地块个数；

步骤2、根据备选项目地块总数，设置遗传算法的初始种群大小N；对所有地块赋予唯一的ID编号，从备选地块中随机生成多种候选用地方案，并以二进制编码形式对已选地块和未选地块进行编码，形成N条染色体；

步骤3、定义用户至少有2个选址限制条件，要求用地面积至少为S_min，投资金额最多为P_max，则形成如下约束条件，即：

式中，c_i为第i个地块的面积，p_i为第i个地块的土地单价，x_i为第i个地块的遗传编码0或1；

使用上述约束条件对染色体组中的染色体逐条筛查；若不满足约束条件，则视为无效染色体，对染色体进行修复操作；若满足约束条件，则直接进入步骤4；

步骤4、各指标维度分值越高则表示地块质量越优，当选择多个地块时，拟采用多个地块的平均分值作为最终的方案得分；采用步骤1所建立的公式作为适应度函数来计算每个染色体组的适应度值；

步骤5、对染色体进行遗传操作，通过选择、交叉、变异操作，得到一组新的染色体；交叉概率为P_C，变异概率为P_m；

步骤6、设置结束条件函数阈值ε，循环执行步骤4至步骤6，直至最优地块的适应度值和种群的平均适应度值经过多次迭代运算，保持稳定，不再增加时结束运算，并输出适应度值最高的染色体项；

使用的结束条件函数如下：

式中，F_max表示最优地块的适应度值，Fi表示第i个地块的适应度值，N代表种群内的地块个数；最终所输出的适应度最高的染色体项即为用地数据结果一，记为A₁，包含N个地块。

8.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，GIS选址算法单元获取用地数据结果二具体包括：

步骤1、评价单元确定：以土地储备供应项目库中潜力用地为范围，均匀划分为正方形网格作为基本评价单元；

步骤2、标量化：沿用权力要求6所述的指标体系及指标量化模型，选择合适的衰减模型计算每个因子作用分值，形成各项指标的作用分值图层；

步骤3、适宜度评价：按照权力要求6所述的指标体系，获取因子权重，运用GIS加权空间叠置功能，以网格为单元，对单因子影响分值图层进行叠加汇总，获得适宜度分值，计算公式如下：

式中，Fi表示第i个单元格的适宜度分值，w_j表示指标体系中第j个影响因子的权重，

表示第i个单元格在第j个影响因子上的分值；

步骤4、计算地块所在网格的平均适宜度作为地块适宜度分值，将所有候选地块根据适宜度分值满足要求的地块，作为候选地块；

步骤5、确定选址方案，针对候选地块，建立0-1整数规划模型，选出项目最优位置，选址模型设定有r个候选地块，r＞＝1且r∈Z+，目标为投资利润Z最大化，第j个地块表示为变量x_j，预期收益为c_j，则目标函数为：

其中选址限制条件为用地总投资不超过P_max，总用地面积不小于S_min，单个地块投资额为p_j，单个地块面积为a_j则，则模型约束条件为：

最终选择使得投资利益最大化的N个地块组成用地数据结果二，记为A₂。

9.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，判定单元获取最优地块组合解，具体包括：

步骤1、针对两种模型算法计算出的两个选址方案A₁、A₂，利用权利要求6所述的项目用地评价指标体系，构造多方案评价决策矩阵H，即

f_ij表示第i个解决方案中在第j个指标上表现的评价结果；

步骤2、分别取给出两个方案中各类指标的最优值，其中效益型指标以取最大值为优，成本型指标以取最小值为优，组成理想方案A₀，并记A₀中第j个指标的值为f_0j，j＝1，2，...，l；

步骤3、计算被评价方案A_i(i＝1，2)中各指标值f_ij与理想方案A₀中各对应指标值f_0j的同一度a_ij，组成被评价方案指标与理想方案指标基于集对分析的不带权的同一度矩阵O，即

其中，效益型指标

成本型指标

步骤4、根据权利要求6中所述指标体系所得到的各指标权重，第i个指标的权重表示为w_i，指标权重矩阵表示为W＝[w₁，w₂，...，w_l]；

步骤5、确定被评价方案A_i与理想方案A₀的带权同一度矩阵R，即R＝OW^T，R中的元素a_i就是指第i个被评价方案与理想方案的带权同一度之和，即

根据带权同一度矩阵R中a_i的大小即可得出各被评价方案的优劣次序，最大者即为最优方案，从而得到最接近用户需求维度的最优地块组合解。

Images