CN112884208A - 一种城市街区智能划分方法 - Google Patents

一种城市街区智能划分方法 Download PDF

Info

Publication number
CN112884208A
CN112884208A CN202110106907.6A CN202110106907A CN112884208A CN 112884208 A CN112884208 A CN 112884208A CN 202110106907 A CN202110106907 A CN 202110106907A CN 112884208 A CN112884208 A CN 112884208A
Authority
CN
China
Prior art keywords
block
minimum
objective function
area
unit
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
CN202110106907.6A
Other languages
English (en)
Inventor
孙立坚
孙立
张玉
郭庆胜
常迎辉
苏德国
亢晓琛
王涛涛
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.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
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 Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202110106907.6A priority Critical patent/CN112884208A/zh
Publication of CN112884208A publication Critical patent/CN112884208A/zh
Pending legal-status Critical Current

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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及空间区域规划技术领域，具体涉及一种城市街区智能划分方法。包括以下步骤：(1)将城市切割划分为若干个最小分割单元，计算面积；(2)估算每个最小分割单元的人口数量；(3)计算每个最小分割单元的功能混合度；(4)构建街区约束条件，将城市划分为若干街区，将每个最小分割单元归入各个街区；(5)构建街区面积均衡目标函数、街区人口均衡目标函数、街区功能混合度最大化目标函数和街区边界紧凑度最高目标函数；(6)构建综合目标函数。本发明利用智能划分方法将城市空间划为街区，可以保证各个街区人口数量均衡、面积相对均衡、街区内部功能较为完善，在城市空间优化及精细化治理等领域具有重要意义。

Description

一种城市街区智能划分方法
技术领域
本发明涉及空间区域规划技术领域，具体涉及一种城市街区智能划分方法。
背景技术
街区是由城市道路网围合形成的、具有一定尺度和规模的场所，是城市的 基本单元，也是人们日常生活的重要载体。街区优化整理可以改善人居环境、 提高城市治理能力。街区包含了丰富的城市形态学和文化学内涵，也是城市文 化和城市生活得以延续的基础。当前中国主要以街道和社区作为基础人居管理 单元和人口普查单元，而城市社区和街道普遍以沿革性规划为主，存在空间结 构设置不合理、公共产品和服务供给不足等问题。归根到底,主要原因在于街道 或社区的空间划分不明确，对于管辖的范围在空间上没有统一的划分标准，甚 至出现“飞地式”社区或街道，为城市综合治理工作带来诸多不便。
然而街区划分是一项复杂问题，受到区域面积、人口密度、功能完善等诸 多因素的影响，对于不同城市或者同一城市的不同地区，其街区尺度大小也存 在一定的差异，还要保证每个街区的边界完整、不重叠、不疏漏等特性，是一 项耗力大、耗时多的工程。此外，由于手工划分受主观性与计算能力的限制， 广域范围内无法精确地按照优化目标进行街区划分。计算机技术的迅速发展和 应用，为现代化街区划分以及提高城市治理能力等带来了根本性突破。
街区划分是一个典型的有关资源配置的数学问题，针对此类问题，目前空 间计算及空间优化领域已有相关专利尝试提出了面向空间资源的分配解决方案。 例如《一种估计资源均衡分配的空间分区优化方法》(申请号：201010188482.X) 公开了一种基于Delaunay三角网的空间分区优化方法；《一种顾及多尺度的土地 资源优化配置方法》(申请号：201810054741.6)公开了一种基于运筹学原理的 顾及多尺度的土地资源优化配置方法；《一种基于情景的空间分区多目标优化决 策方法》(申请号：201310616547.X)公开了一种基于情景分析(如矿山生态修 复、农业面源污染控制、河流生态修复等)的空间分区多目标优化决策方法。 以上专利对多种资源空间分配问题提出了相应的解决方法，但是对于城市治理 领域的街区划分问题，还没有专利提出切实可行的划分方法。
发明内容
为了解决上述技术问题，本发明提出了一种顾及区域面积、人口数量、城 市功能完善的智能化街区划分方法，实现了街区初步划分的智能化决策处理。
为了实现上述目的，本发明的技术方案是：(1)依据道路、铁路、河流等 阻碍边界将城市切割划分为若干个最小分割单元，并计算每个最小分割单元的 面积；
具体为：①根据国家标准将城市道路进行分级，分为快速路、主干路、次 干路以及支路，为避免最小分割单元的面积零碎，取次干路以上的道路以及河 流、铁路作为障碍边界；
②按照①的边界进行城市区域分割；
③检查分割结果是否存在微小单元问题，若存在则将微小单元合并到临近 的分割单元，重复②，若不存在，则得到正确的最小分割单元Ci，其中，i为最 小分割单元的序号；
④计算每个最小分割单元Ci的面积Ai；
(2)估算每个最小分割单元的人口数量；
具体为：利用房屋建筑调查数据、社区人口统计数据叠加计算得到每个最 小分割单元的人口数量，包括①叠加社区单元和建筑调查数据，估算社区内部 每栋建筑的人口总数，公式如下：
Figure BDA0002915931240000031
其中，BPj为社区x中第j个建筑的人口数量，Px为社区x的人口总数，BAj为社区x中第j个建筑的建筑面积，
Figure BDA0002915931240000032
则表示社区x中所有的建筑面积之和；②将上步 得到的每个建筑的人口数量聚合到每个最小分割单元中，得到每个最小分割单 元的人口总数Pi，令决策变量Bij为1或0，分别表示建筑j是否位于最小分割单 元i中，则其最小分割单元人口计算公式如下：
Figure BDA0002915931240000033
其中，Pi是第i个最小分割单元的人口数量，BPj为公式(1)计算得到的建筑j的人口数量，Bij为决策变量，表示建筑j是否位于最小分割单元i中，N为该最小分割 单元中的建筑总数；③对每个最小分割单元的人口数量进行归一化，公式如下：
NPi＝(Pi-MinPi)/(MaxPi-MinPi) (3)
其中MinPi和MaxPi分别指所有最小分割单元中人口数量的最小值和最大值。
(3)计算每个最小分割单元的功能混合度。
具体为：利用信息熵模型和POI数据计算每个最小分割单元的功能混合度， 信息熵是信息论中用于度量信息量的一个概念，一个系统越是复杂，信息熵就 越高；在本专利中，用每个区域POI的信息熵表征功能混合度，其值越高，表 示POI的种类越多，街区功能更加完善。
①首先将POI进行分类，根据其功能，分为餐饮美食、汽车及非四轮车服 务、运动休闲、地产小区、购物、生活服务、医疗卫生、宾馆酒店、旅游景点、 政府机构、文化教育、交通设施(不包括道路等线要素)、金融行业共13类， 依此顺序，按照1～13进行编号；
②计算各最小分割单元功能混合度，公式如下：
Figure BDA0002915931240000041
Figure BDA0002915931240000042
式(4)中，Hi为第i个最小分割单元的功能混合度；Rij为第i个最小分割单元中 第j类型的POI数量占该单元中的POI总数Mi的比例。
(4)构建街区约束条件，将城市划分为若干街区，将每个最小分割单元归 入各个街区，在约束条件下，城市划分为若干街区的方案为多个。
具体为：约束条件是该街区划分模型的重要组成部分，通过等式或不等式的 约束条件，保证模型求解的可行性和收敛性，主要包括街区空间约束、街区人 口数量范围、街区面积范围3类约束条件：
①街区空间连续性约束条件构建：
a.初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}，e为区域链接顺序；
c.设第e个街区中的最小分割单元个数为y，则可定义为集合Ke＝ {Ke1，Ke2，…，Kei，…Key}，则Kei＝1或Kei＝0为决策变量，分别表示最小分割单 元i是否被分配到街区e中；
d.设决策变量tij＝1或tij＝0，分别表示最小分割单元i和j是否在同一个街 区中；
e.防止出现“飞地式”街区，应保证每个街区的边界应当连续，首先计算所有 最小分割单元的二进制邻接矩阵：
Figure BDA0002915931240000051
其中，第1行和第1列为所有最小分割单元编号，内部值表示Ci和Cj两个最小分 割单元是否相邻，若相邻则为1，不相邻则为0，分别记作Cij＝1或Cij＝0。
基于上述邻接矩阵构建每个最小分割单元i的相邻单元集合为Ni＝ {Cj|Cij＝1}；
约束每个最小分割单元必须且仅会被划分到一个街区：
Figure BDA0002915931240000052
其中，Kei指第e个街区中的第i个最小分割单元，该式保证同一个最小分割单元 属于不同街区的决策变量之和为1，即该最小分割单元仅被划分到一个街区；
构建空间连续性约束条件：
Figure BDA0002915931240000061
Figure BDA0002915931240000062
Figure BDA0002915931240000063
其中
Figure BDA0002915931240000064
为决策变量，其为1表示i和j同属于街区e，且相邻；约束条件(8)、(9)、(10)确保属于同一个分区的两个相邻单元才能使决策变量
Figure BDA0002915931240000065
值为1；
②构建其他决策变量约束条件：
Figure BDA0002915931240000066
Figure BDA0002915931240000067
Figure BDA0002915931240000068
③街区人口数量范围约束：
设Pmin和Pmax分别为给定的每个街区的最小人口数量和最大人口数量(指 相对数量)，则定义街区e的人口约束条件如下：
Figure BDA0002915931240000069
Figure BDA00029159312400000610
其中，Pi指计算得到的第i个最小分割单元的人口数量；Kei指第e个街区中的第i个最小分割单元；
④街区面积范围约束
设Amin和Amax分别为预设的每个街区的最小面积和最大面积，定义街区e的 面积范围约束条件如下：
Figure BDA0002915931240000071
Figure BDA0002915931240000072
其中，Ai指第i个最小分割单元的面积；Kei指第e个街区中的第i个最小分割单元。
(5)构建街区面积均衡目标函数、街区人口均衡目标函数、街区功能混合 度最大化目标函数和街区边界紧凑度最高目标函数。
具体为：
①街区面积均衡目标函数
因城市治理需求，各街区的面积不能差异较大，因此以所有街区的面积均衡为 目标构建目标函数，同理，须使得所有街区面积的方差最小，目标函数构建步 骤如下：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000073
其中，Ai指的是第i个最小分割单元的面积，
Figure BDA0002915931240000074
指根据预定的街区数量计算得到 的街区平均面积；c为通过障碍边界切割出的城市最小分割单元总数；k为预期 想要划分的街区数量；xie为二进制决策变量，表示最小分割单元i是否被分配第 e个街区，若是，则xie＝1，否则xie＝0；(18)式表达的是所有街区面积的方差；
②街区人口均衡目标函数
基于各街区人口均衡构建目标函数，要保证各街区人口的均衡性，须使得 所有街区人口数量的方差最小，目标函数构建步骤如下：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000081
其中，Pi指的是第i个最小分割单元的人口数量，
Figure BDA0002915931240000083
指提预定的街区平均人口数量；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数 量；xie为二进制决策变量，表示最小分割单元i是否被分配到街区e，若是，则 xie＝1，否则xie＝0；(19)式表达的是所有街区人口数量的方差；
③街区功能混合度最大化目标函数
利用信息熵模型计算所得的功能混合度，构建最大功能混合度目标函数， 保证每个街区的功能足够完善，目标函数构建步骤如下：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000082
其中，Hi指的计算得到的第i个最小分割单元的功能混合度；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策 变量，表示最小分割单元i是否被分配第e个到街区，若是，则xie＝1，否则xie＝0； (20)式表达的是所有街区功能混合度之和；
④街区边界紧凑度最高目标函数
该目标函数是为了保证街区边界的形状紧凑、规则，避免出现形状狭长、 分散、不规则的街区，目标函数构建步骤如下：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.紧凑度指数：
Figure BDA0002915931240000091
其中，A为形状面积，P为形状周长；
d.目标函数为：
基于(21)式，定义街区边界紧凑度目标函数：
Figure BDA0002915931240000092
其中，Ai指的通过计算得到的第i个最小分割单元的面积；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策变 量，表示最小分割单元i是否被分配到街区e，若是，则xie＝1，否则xie＝0；Le指 第e个街区的周长；(22)式可以保证所有街区的紧凑度之和最小。
(6)构建综合目标函数。
具体为：基于上述步骤，该街区优化方法是一个较为复杂的多目标问题， 其优化目标共有4个，分别为：人口均衡、面积均衡、功能混合度最高、边界 紧凑度最大。采用基于分解的多目标综合方法，将被优化的所有子目标组合为 单个目标，组合方法如下：
F＝ω1F(Pop)+ω2F(Area)-ω3F(Diversity)-ω4F(Compactness) (23)
其中F为综合后的目标函数，F(Pop)、F(Area)、F(Diversity)、F(Compactness)分别指步骤(5)中确立的目标函数，考虑到不同量纲的可比较性，F(Pop)、F(Area)、 F(Diversity)、F(Compactness)中的参数都是归一化后的数值。其中F(Pop)和 F(Area)为最小化函数，F(Diversity)和F(Compactness)为最大化函数，因此乘以 -1来保证目标函数的符号一致性；ω1、ω2、ω3、ω4分别为4个子目标函数的权 重，需要根据实际需求以及期望的目标之间的重要程度确定，本领域的技术人 员在应用该方法时可做出相应的调整。
(7)将步骤(4)中多个街区划分方案依次代入步骤(6)的综合目标函数 中，计算目标函数值，以目标函数最小值方案作为最终街区划分方案。
(8)最终构建的街区划分模型如下：
Minimize：
F＝F(Pop)+F(Area)-F(Diversity)-F(Compactness) (24)
Subject to：
Figure BDA0002915931240000101
Figure BDA0002915931240000102
Figure BDA0002915931240000103
Figure BDA0002915931240000104
Figure BDA0002915931240000105
Figure BDA0002915931240000106
Figure BDA0002915931240000107
Figure BDA0002915931240000108
Figure BDA0002915931240000111
Figure BDA0002915931240000112
Figure BDA0002915931240000113
本发明利用计算机技术，统筹考虑人口规模密度、地域面积、街区功能等 因素，优化街道行政区划设置，优化调整街道社区规模，提升城市精细化管理 水平，具有潜在的价值。
附图说明
下面结合附图对本发明进行进一步说明。
图1为本发明一种城市街区智能划分方法流程示意图；
图2为本发明实施例利用街道切割的最小分割单元结果；
图3为本发明实施例计算得到的最小分割单元人口数量；
图4为本发明实施例计算得到的最小分割单元功能混合度；
图5为本发明实施例最终街区划分结果。
具体实施方式
为详细说明本发明的技术内容，以下结合实施例和附图予以说明。
以武汉市汉口片区的街区划分为例，第一步将武汉市汉口片区切割为462 个最小分割单元，如图2所示，，并计算每个最小分割单元的面积，并进行归一 化，归一化后最大值为1，最小值为0.1767；
第二步，利用公式(1)和公式(2)计算相对人口数量，如图3所示，并利用公 式(3)对其进行归一化，归一化后最大值为1，最小值为0.1952；
第三步，利用POI数据和公式(4)、(5)计算每个最小分割单元的功能混合度， 如图4所示，并对其进行归一化，归一化后最大值为1，最小值为0.1881；
第四步按照规划目标将城市划分为61个街区，将每个最小分割单元归入各 个街区，在约束条件下，将每个最小分割单元归入61个街区的方案为无穷个；
第五步构建街区面积均衡目标函数、街区人口均衡目标函数、街区功能混合 度最大化目标函数和街区边界紧凑度最高目标函数。
①街区面积均衡目标函数
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000121
k为预期想要划分的街区数量，本实验中，综合考虑每个街区的面积及人口，约 以8∶1的比例将最小分割单元合并为k个街区，最终预设k＝61；xie为二进制 决策变量，表示最小分割单元i是否被分配第e个街区，若是，则xie＝1，否则 xie＝0；
Figure BDA0002915931240000122
指根据预定的街区数量计算得到的街区平均面积，通过计算，
Figure BDA0002915931240000123
为 3.65。c＝462，为通过障碍边界切割出的城市最小分割单元总数；
②街区人口均衡目标函数
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000124
k＝61，为预期想要划分的街区数量，Pi指的是第i个最小分割单元的相对人口 数量，
Figure BDA0002915931240000133
指提预定的街区平均相对人口数量，通过计算
Figure BDA0002915931240000134
为3.89；c＝462，为通 过障碍边界切割出的城市最小分割单元总数；xie为二进制决策变量，表示最小 分割单元i是否被分配到街区e，若是，则xie＝1，否则xie＝0；
③街区功能混合度最大化目标函数
利用信息熵模型计算所得的功能混合度，构建最大功能混合度目标函数， 保证每个街区的功能足够完善，目标函数构建步骤如下：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure BDA0002915931240000131
k＝61，为预期想要划分的街区数量；其中，Hi指的计算得到的第i个最小分割 单元的功能混合度；c＝462，为通过障碍边界切割出的城市最小分割单元总数； xie为二进制决策变量，表示最小分割单元i是否被分配第e个到街区，若是，则 xie＝1，否则xie＝0；
④街区边界紧凑度最大目标函数
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.紧凑度指数：
Figure BDA0002915931240000132
其中，A为形状面积，P为形状周长；
d.目标函数为：
基于(21)式，定义街区边界紧凑度目标函数：
Figure BDA0002915931240000141
其中，Ai指的通过计算得到的第i个最小分割单元的面积；c为通过障碍边界切割出的城市最小分割单元总数；k＝61，为预期想要划分的街区数量；xie为二进 制决策变量，表示最小分割单元i是否被分配到街区e，若是，则xie＝1，否则 xie＝0；Le指第e个街区的周长；(22)式可以保证所有街区的紧凑度之和最小。
第六步构建综合目标函数：
F＝ω1F(Pop)+ω2F(Area)-ω3F(Diversity)-ω4F(Compactness) (23)
其中F为综合后的目标函数，F(Pop)、F(Area)、F(Diversity)、F(Compactness)分别指步骤(5)中确立的目标函数；其中F(Pop)和F(Area)为最小化函数， F(Diversity)和F(Compactness)为最大化函数，因此乘以-1来保证目标函数的符 号一致性；ω1、ω2、ω3、ω4分别为4个子目标函数的权重，本实验中设定其权 重均为1。
第七步将第四步中街区划分方案按照第六步的综合目标函数求解最优解，以 目标函数最小值方案作为最终街区划分方案。计算的最小目标函数值为0.4817， 最终街区划分方案的划分结果如图5所示。
表1
Figure BDA0002915931240000142
Figure BDA0002915931240000151
本公开提供的城市街区智能划分方法，以武汉市汉口片区的街道区域为例进 行了示例实施，示例区域(简称示例区，内部单元简称街区)总面积25.1平方 千米，当前共划分形成了196个街区。根据图1所示的方法实施流程，进行了 街区重划分，然后对比原有的示例区形态、人口、功能混合度进行了效果评估。 表1为原划分状态与方法实施后的最终方案的效果对比，从表1可以看出，本 公开提供的方案实施后，从示例区形态来看，内部街区数量从原来的195个单 元优化为61个单元，压缩比为31.28％，街区平均紧凑度由0.7504提高到0.7545， 示例区破碎度由0.076个/hm2下降到0.024个/hm2，说明实施后的街区形态更紧 凑度，示例区内街区更集聚；从街区人口数量来看，街区人口数的标准差从原 来的38513降到27843，说明街区的人口数波动幅度大幅降低，也就是示例区人 口相对原来更均衡了；从街区功能混合度来看，功能混合度指数均值从原来的 0.053提高到0.146，说明街区的功能混合度大幅提高。结合划分前后的地图效 果及上述验证可以看出，本公开提出的城市街区智能划分方法极大的优化了城 市街区结构，具有十分可观的优化效果。
以上所述，均属本发明的较佳实施例而已，本发明并不限于上述实施方式 的结构，只要以其相同的手段达到本发明的技术效果，都应属于本发明的保护 范围。

Claims (9)

1.一种城市街区智能划分方法，其特征在于包括以下步骤：
(1)依据道路、铁路、河流等阻碍边界将城市切割划分为若干个最小分割单元，并计算每个最小分割单元的面积；
(2)估算每个最小分割单元的人口数量；
(3)计算每个最小分割单元的功能混合度；
(4)构建街区约束条件，将城市划分为若干街区，将每个最小分割单元归入各个街区，在约束条件下，城市划分为若干街区的方案为多个；
(5)构建街区面积均衡目标函数、街区人口均衡目标函数、街区功能混合度最大化目标函数和街区边界紧凑度最高目标函数；
(6)构建综合目标函数；
(7)将步骤(4)中多个街区划分方案依次代入步骤(6)的综合目标函数中，计算目标函数值，以目标函数最小值方案作为最终街区划分方案；
(8)构建最终街区划分模型。
2.根据权利要求1所述的一种城市街区智能划分方法，其特征在于：步骤(1)中，根据国家标准将城市道路进行分级，分为快速路、主干路、次干路以及支路，取次干路以上的道路以及河流、铁路作为障碍边界。
3.根据权利要求1或2所述的一种城市街区智能划分方法，其特征在于：步骤(3)利用信息熵模型和POI数据计算每个最小分割单元的功能混合度；包括①首先将POI进行分类，根据其功能，分为餐饮美食、汽车及非四轮车服务、运动休闲、地产小区、购物、生活服务、医疗卫生、宾馆酒店、旅游景点、政府机构、文化教育、交通设施、金融行业共13类，依此顺序，按照1～13进行编号；②计算各最小分割单元功能混合度，公式如下：
Figure FDA0002915931230000021
Figure FDA0002915931230000022
Hi为第i个最小分割单元的功能混合度；Rij为第i个最小分割单元中第j类型的POI数量占该单元中的POI总数Mi的比例。
4.根据权利要求3所述的一种城市街区智能划分方法，其特征在于：步骤(4)街区约束条件包括街区空间约束条件、街区人口数量范围约束条件和街区面积范围约束条件。
5.根据权利要求4所述的一种城市街区智能划分方法，其特征在于：步骤(5)的街区面积均衡目标函数包括：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure FDA0002915931230000023
其中，Ai指的是第i个最小分割单元的面积，
Figure FDA0002915931230000024
指根据预定的街区数量计算得到的街区平均面积；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策变量，表示最小分割单元i是否被分配第e个街区，若是，则xie＝1，否则xie＝0；目标函数式表达的是所有街区面积的方差。
6.根据权利要求4所述的一种城市街区智能划分方法，其特征在于：步骤(5)的街区人口均衡目标函数包括：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure FDA0002915931230000031
其中，Pi指的是第i个最小分割单元的人口数量，
Figure FDA0002915931230000033
指提预定的街区平均人口数量；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策变量，表示最小分割单元i是否被分配到街区e，若是，则xie＝1，否则xie＝0；目标函数式表达的是所有街区人口数量的方差。
7.根据权利要求4所述的一种城市街区智能划分方法，其特征在于：步骤(5)的街区功能混合度最大化目标函数包括：
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.目标函数为：
Figure FDA0002915931230000032
其中，Hi指的计算得到的第i个最小分割单元的功能混合度；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策变量，表示最小分割单元i是否被分配第e个到街区，若是，则xie＝1，否则xie＝0；目标函数式表达的是所有街区功能混合度之和。
8.根据权利要求4所述的一种城市街区智能划分方法，其特征在于：步骤(5)的街区边界紧凑度最高目标函数包括
a.设初始最小分割单元为集合C＝{C1，C2，…，Ci，…，Cc}；
b.设最终划分街区为集合K＝{K1，K2，…，Ke，…，Kk}；
c.紧凑度指数：
Figure FDA0002915931230000041
其中，A为形状面积，P为形状周长；
d.目标函数为：
Figure FDA0002915931230000042
其中，Ai指的通过计算得到的第i个最小分割单元的面积；c为通过障碍边界切割出的城市最小分割单元总数；k为预期想要划分的街区数量；xie为二进制决策变量，表示最小分割单元i是否被分配到街区e，若是，则xie＝1，否则xie＝0；Le指第e个街区的周长；目标函数式可以保证所有街区的紧凑度之和最小。
9.根据权利要求4所述的一种城市街区智能划分方法，其特征在于：步骤(6)的综合目标函数包括
F＝ω1F(Pop)+ω2F(Area)-ω3F(Diversity)-ω4F(Compactness)
其中F为综合后的目标函数，F(Pop)、F(Area)、F(Diversity)、F(Compactness)分别指步骤(5)中确立的目标函数；其中F(Pop)和F(Area)为最小化函数，F(Diversity)和F(Compactness)为最大化函数，因此乘以-1来保证目标函数的符号一致性；ω1、ω2、ω3、ω4分别为4个子目标函数的权重。
CN202110106907.6A 2021-01-26 2021-01-26 一种城市街区智能划分方法 Pending CN112884208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110106907.6A CN112884208A (zh) 2021-01-26 2021-01-26 一种城市街区智能划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110106907.6A CN112884208A (zh) 2021-01-26 2021-01-26 一种城市街区智能划分方法

Publications (1)

Publication Number Publication Date
CN112884208A true CN112884208A (zh) 2021-06-01

Family

ID=76053426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110106907.6A Pending CN112884208A (zh) 2021-01-26 2021-01-26 一种城市街区智能划分方法

Country Status (1)

Country Link
CN (1) CN112884208A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114003828A (zh) * 2021-11-02 2022-02-01 东南大学 一种基于poi数据的城市街区功能混合度表达方法
CN114819852A (zh) * 2022-05-24 2022-07-29 黄小兵 用于智慧城市的物流规划系统及方法
CN115936270A (zh) * 2023-03-15 2023-04-07 智慧足迹数据科技有限公司 街区网格优化方法、装置、计算机设备及可读存储介质
CN117688120A (zh) * 2024-02-02 2024-03-12 中国测绘科学研究院 基于多源数据精细划分公开人口空间数据集的方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818534A (zh) * 2017-10-31 2018-03-20 武汉大学 一种具有空间约束的人类活动网络区域划分方法
WO2018113787A1 (zh) * 2016-12-23 2018-06-28 中兴通讯股份有限公司 一种区域划分方法及装置和存储介质
CN108665149A (zh) * 2018-04-23 2018-10-16 深圳市城市规划设计研究院有限公司 一种基于城市功能混合度的测算方法及系统
CN109583698A (zh) * 2018-10-29 2019-04-05 北京工业大学 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
CN109829029A (zh) * 2019-01-30 2019-05-31 中国测绘科学研究院 一种顾及居住建筑属性的城市人口空间化方法及系统
CN110956089A (zh) * 2019-11-04 2020-04-03 李苗裔 基于ict技术的历史街区步行性测度方法
CN111401692A (zh) * 2020-02-24 2020-07-10 中国科学院城市环境研究所 一种度量城市空间功能紧凑度的方法
WO2020151089A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018113787A1 (zh) * 2016-12-23 2018-06-28 中兴通讯股份有限公司 一种区域划分方法及装置和存储介质
CN107818534A (zh) * 2017-10-31 2018-03-20 武汉大学 一种具有空间约束的人类活动网络区域划分方法
CN108665149A (zh) * 2018-04-23 2018-10-16 深圳市城市规划设计研究院有限公司 一种基于城市功能混合度的测算方法及系统
CN109583698A (zh) * 2018-10-29 2019-04-05 北京工业大学 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
WO2020151089A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN109829029A (zh) * 2019-01-30 2019-05-31 中国测绘科学研究院 一种顾及居住建筑属性的城市人口空间化方法及系统
CN110956089A (zh) * 2019-11-04 2020-04-03 李苗裔 基于ict技术的历史街区步行性测度方法
CN111401692A (zh) * 2020-02-24 2020-07-10 中国科学院城市环境研究所 一种度量城市空间功能紧凑度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUEWEI WU ETC.: "Urban Functional Area Division Based on Cell Tower Classification", 《IEEE》, pages 171503 - 171514 *
张章等: "一种组织机构信息多级地理网格划分的方法", 《测绘科学》, pages 52 - 56 *
胡晓鸣等: "基于ＰＯＩ的城市功能区及其混合度识别研究", 《西南大学学报（自然科学版）》, pages 164 - 173 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114003828A (zh) * 2021-11-02 2022-02-01 东南大学 一种基于poi数据的城市街区功能混合度表达方法
CN114003828B (zh) * 2021-11-02 2022-04-19 东南大学 一种基于poi数据的城市街区功能混合度表达方法
CN114819852A (zh) * 2022-05-24 2022-07-29 黄小兵 用于智慧城市的物流规划系统及方法
CN114819852B (zh) * 2022-05-24 2022-11-22 深圳市神州龙智慧城市科技有限公司 用于智慧城市的物流规划系统及方法
CN115936270A (zh) * 2023-03-15 2023-04-07 智慧足迹数据科技有限公司 街区网格优化方法、装置、计算机设备及可读存储介质
CN117688120A (zh) * 2024-02-02 2024-03-12 中国测绘科学研究院 基于多源数据精细划分公开人口空间数据集的方法及系统
CN117688120B (zh) * 2024-02-02 2024-04-19 中国测绘科学研究院 基于多源数据精细划分公开人口空间数据集的方法及系统

Similar Documents

Publication Publication Date Title
CN112884208A (zh) 一种城市街区智能划分方法
CN105243128B (zh) 一种基于签到数据的用户行为轨迹聚类方法
Bao et al. Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method
CN109446628B (zh) 基于复杂网络的多层城市交通网构建及关键节点识别方法
CN101807222A (zh) 基于站点的城市公交线网优化配置方法
Şen et al. A GIS approach to fire station location selection
CN108388970B (zh) 一种基于gis的公交站点选址方法
Mondal et al. Crime hotspot detection using statistical and geospatial methods: a case study of Pune City, Maharashtra, India
Yue et al. Detecting clusters over intercity transportation networks using K-shortest paths and hierarchical clustering: a case study of mainland China
CN109325614A (zh) 一种基于gis的汽车站选址方法
CN115049164B (zh) 耦合社会网络模型和碳抵消的生态网络优化方法
CN107194541A (zh) 一种基于自适应权重Voronoi图的配电网供电分区方法
Pavón-Domínguez et al. Fractal and multifractal characterization of the scaling geometry of an urban bus-transport network
CN114386536B (zh) 区域确定方法、装置、计算设备以及存储介质
CN114662774A (zh) 一种城市街区活力预测方法、存储介质和终端
CN113191553A (zh) 基于建筑物尺度的人口空间分布估算方法及系统
CN114202249B (zh) 社区生活圈公共服务设施空间供需平衡模型的构建方法
CN113554221B (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法
Assad Building GIS framework based on multi criteria analysis for hospital site selection in developing countries
CN111639805B (zh) 一种基于gis的垃圾填埋场的选址方法
CN109508828B (zh) 一种区内出行距离的确定方法
Zhao et al. Optimal site selection strategies for urban parks green spaces under the joint perspective of spatial equity and social equity
Chmielewski et al. Hexagonal Zones in Transport Demand Models
Alkan et al. Gis-supported mapping of suitable parking areas using ahp method: The case of konya
CN110246075B (zh) 一种智慧城市监控卡口布设方法

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