CN113449936A - 城市空间演进模拟预测方法、装置、电子设备及存储介质 - Google Patents
城市空间演进模拟预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113449936A CN113449936A CN202111008749.7A CN202111008749A CN113449936A CN 113449936 A CN113449936 A CN 113449936A CN 202111008749 A CN202111008749 A CN 202111008749A CN 113449936 A CN113449936 A CN 113449936A
- Authority
- CN
- China
- Prior art keywords
- land
- grid
- urban
- data
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004088 simulation Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000011161 development Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 131
- 238000010276 construction Methods 0.000 claims description 103
- 238000012549 training Methods 0.000 claims description 53
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 230000001413 cellular effect Effects 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 82
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N20/00—Machine learning
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市空间演进模拟预测方法、装置、电子设备及存储介质,包括:获取与城市空间结构对应的空间特征数据;将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图。本发明能够对城市用地类型发展进行预测、分析,其土地使用功能类型预测结果十分全面,精准度高,从而有利于为城市动态监测、规划实施评估和空间治理提供技术支撑。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种城市空间演进模拟预测方法、装置、电子设备及存储介质。
背景技术
城市空间形态是城市人类活动与城市功能组织在空间上的投影,是城市经济、社会存在和发展的空间形式,表现了城市各种物质要素在空间范围内的分布特征和组合关系,反映了城市资源要素的分布状况和利用程度。城市空间发展演变过程是自上而下的城市规划引导和自下而上的自组织、自适应二者互相结合、互相影响的复杂、动态过程。
目前,已有研究大都是面向城镇化进程中非建设用地转为建设用地时的几何形状方面的分析,缺乏从城市土地使用功能视角的钻探。部分研究涉及到了用地功能,但是在类型上或者是建设用地与非建设用地二分法,或者是土地使用功能分类较为简单,主要分为建设用地、水体、农用地、林地等,本质上是城镇化快速进程中非建设用地转为建设用地现象显著的城市空间不断扩张、蔓延的应用场景,缺乏对建设用地使用功能的进一步细分。因此,既不利于在城市形态与功能设计之间进行精细建模分析,也不利于深层次探究城市功能设计对城市形态结构的影响和调控。同时,已有研究多是对历史进行回溯、分析和解释,对于未来不同规划情景和策略下城市形态的联动发展和演变同样缺乏有效预测评估手段。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种城市空间演进模拟预测方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供一种城市空间演进模拟预测方法,包括:
获取与城市空间结构对应的空间特征数据;
将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;
将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
进一步地,还包括:
在城市时空演化元胞自动机模型的基础上,使用神经网络训练所述城市时空演化元胞自动机模型形成土地使用功能类型转换规则,并基于与所述土地使用功能类型转换规则对应的转换准确率确定所述预设的城市空间演进模拟预测模型;其中,所述土地使用功能类型转换规则为:所述样本自变量与所述土地使用功能类型预测结果之间的转化规则。
进一步地,还包括:
获取空间特征数据;所述空间特征数据包括:邻域各类建设用地总数、兴趣点poi数据、常住人口数据、地铁站点数据、功能区范围数据、规划道路数据、规划绿地数据、区政府位置数据、现状道路数据、现状绿地数据、现状水体数据、规划用地数据、现状用地数据、环路数据、开发边界数据、区县数据;
将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取;样本自变量包括:邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地以及现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内、中心城区外中的至少一种;
将所述样本自变量输入至所述城市时空演化元胞自动机模型,使用神经网络训练所述城市时空演化元胞自动机模型形成所述土地使用功能类型转换规则;
并通过反复对参数的选择调优,当与所述土地使用功能类型转换规则对应的召回率、F1系数、准确率、kappa系数满足预设要求时停止训练,确定为预设的城市空间演进模拟预测模型。
进一步地,所述将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取之后,还包括:
使用皮尔森相关系数法对提取到的样本自变量进行相关性检验。
第二方面,本发明实施例提供了一种城市空间演进模拟预测装置,包括:
获取模块,用于获取与城市空间结构对应的空间特征数据;
提取模块,用于将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;
预测模块,用于将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
进一步地,还包括:训练模块,
所述训练模块,用于在城市时空演化元胞自动机模型的基础上,使用神经网络训练所述城市时空演化元胞自动机模型形成土地使用功能类型转换规则,并基于与所述土地使用功能类型转换规则对应的转换准确率确定所述预设的城市空间演进模拟预测模型;其中,所述土地使用功能类型转换规则为:所述样本自变量与所述土地使用功能类型预测结果之间的转化规则。
进一步地,所述训练模块,还用于:
获取空间特征数据;所述空间特征数据包括:邻域各类建设用地总数、兴趣点poi数据、常住人口数据、地铁站点数据、功能区范围数据、规划道路数据、规划绿地数据、区政府位置数据、现状道路数据、现状绿地数据、现状水体数据、规划用地数据、现状用地数据、环路数据、开发边界数据、区县数据;
将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取;样本自变量包括:邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地以及现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内、中心城区外中的至少一种;
将所述样本自变量输入至所述城市时空演化元胞自动机模型,使用神经网络训练所述城市时空演化元胞自动机模型形成所述土地使用功能类型转换规则;
并通过反复对参数的选择调优,当与所述土地使用功能类型转换规则对应的召回率、F1系数、准确率、kappa系数满足预设要求时停止训练,确定为预设的城市空间演进模拟预测模型。
进一步地,所述训练模块在执行将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取之后,还用于:
使用皮尔森相关系数法对提取到的样本自变量进行相关性检验。
第三方面,本发明实施例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,所述处理器执行所述程序时实现如上第一方面所述的城市空间演进模拟预测方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上第一方面所述的城市空间演进模拟预测方法的步骤。
由上述技术方案可知,本发明实施例提供的城市空间演进模拟预测方法、装置、电子设备及存储介质,通过获取与城市空间结构对应的空间特征数据;将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。本发明能够对城市用地类型发展进行预测、分析,其土地使用功能类型预测结果十分全面,精准度高,从而有利于为城市动态监测、规划实施评估和空间治理提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的城市空间演进模拟预测方法的流程示意图;
图2为本发明一实施例提供的城市空间演进模拟预测装置的结构示意图;
图3为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面将通过具体的实施例对本发明提供的城市空间演进模拟预测方法进行详细解释和说明。
图1为本发明一实施例提供的城市空间演进模拟预测方法的流程示意图;如图1所示,该方法包括:
步骤101:获取与城市空间结构对应的空间特征数据。
在本步骤中,可以理解的是,基于各城市的空间结构数据库获取空间特征数据;在本步骤中的空间特征数据是指:空间数据特征数据,如邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地、现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内及中心城区外等。需要说明的是,本实施例不对空间特征数据进行限制,根据需求获取所需的空间特征数据。
步骤102:将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系。
在本实施中,可以理解的是,根据获取得到的空间特征数据按预设的规则进行预设的城市空间演进模拟预测模型所需的自变量提取,所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;其中,用地类指标提取是指:根据明确制定的用地类型映射规则,获取城市空间格网的所属用地类型。首先将格网数据和当年的现状用地数据和规划用地数据进行ArcMap的相交操作,得到带有用地功能属性的小地块,然后利用Python中pandas工具包的groupby + apply function操作组合,将切割地块按照格网ID进行groupby分组汇总,然后将用地小类至大类的转换规则应用到每一组中并找到面积最大的地块,将其用地类型赋予至所属格网。距离类指标提取是指:使用ArcMap的生成近邻表工具,将格网的中心点与上述城市绿地、水体、地铁站点、功能区数据进行近邻分析,对于每个中心点求得距离其最近的目标物的距离,并保存成表格。规模类指标提取是指:对于常住人口数量提取,根据区县-街道-地块的人口分配比例,计算地块-格网的人口分配比例,最终落实到每个格网中。对于POI点数据,可以通过计算核密度生成密度栅格数据,然后使用arcpy的zonal statistics as table工具将落在每个格网内部的栅格像元所代表的核密度值取平均值,得到该格网的poi密度值。邻域元胞的影响及效应指标提取是指:通过GeoDa软件构建百米格网的一阶Queen型空间权重矩阵,根据矩阵计算每个元胞周围元胞中(最多八个)同期现状用地中属于建设用地的个数。类别型自变量是指,例如格网是否在开发边界内、格网所在区县等,使用空间连接工具将各类空间分区多边形数据的类别属性字段按照空间位置连接到格网上,并存成表格形式。优选的,自变量还可以为:九类现状用地性质、九类规划用地性质、常住人口数、领域各建设用地总数、距离区政府距离、距离现状绿地距离、距离现状道路距离、距离规划道路距离、距离功能区距离、距离地铁点距离、距离现状水体距离、POI核密度、所在区县、所在环路、开发边界内外。进一步地,可以将上述的九类现状用地性质、九类规划用地性质、常住人口数、领域各建设用地总数、距离区政府距离、距离现状绿地距离、距离现状道路距离、距离规划道路距离、距离功能区距离、距离地铁点距离、距离现状水体距离、POI核密度、所在区县、所在环路、开发边界内外,划分为:用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;如九类现状用地性质、九类规划用地性质属于用地类指标;常住人口数、POI核密度属于规模类指标;距离区政府距离、距离现状绿地距离、距离现状道路距离、距离规划道路距离、距离功能区距离、距离地铁点距离、距离现状水体距离属于距离类指标等。
步骤103:将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
在本步骤中,需要说明的是,所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
在本实施例中,需要说明的是,本发明实施例提供的城市空间演进模拟预测方法是基于百米网格尺度的土地使用功能类型数据,建立以数学方法为核心的城市空间演进分析和预测模型(即预设的城市空间演进模拟预测模型),对用地规划与用地现状的交互作用发展历程、关联关系和演进机制进行模拟,对不同规划情景下的城市用地类型发展进行预测、分析和评价。举例来说:如根据预设的城镇化转型发展形势以及待预测的城市的总体规划确立的目标,构建预设的城市空间演进模拟预测模型,在模型中考虑土地使用功能类型转换规则,模拟及预测尺度精细,数据分析客观清晰,模型智能化效果显著,能够为城市动态监测、规划实施评估和空间治理提供技术支撑。
在本实施例中,需要说明的是,本发明实施例提供了一种精细尺度的且考虑了城市土地使用功能的城市空间演进模拟及预测方法(即本发明实施例提供的城市空间演进模拟预测方法)。运用地理信息系统、空间计量、机器学习等空间信息技术和人工智能技术建立以“功能设计-空间形态”为核心的城市空间演进分析仿真模型,模拟城市空间形态发展在时间、空间和土地使用功能等维度演进情况,对未来的发展进行预测和评估,为推动规划制定、实施和体检评估的科学性提供技术支撑,同时对规划方案可能影响的预测、比较和优选,能够更好地支撑国土空间规划成为“可感知、能学习、善治理、自适应的智慧型生态规划”。由于当前城市空间演进分析和仿真模拟研究中,主要是面对快速城镇化进程中城市扩张、非建设用地转为建设用地的情况,缺乏对建设用地进一步细分,更缺乏对建设用地内部不同类型之间相互转换,以及建设用地转为非建设用地的分析模拟,不能适应当前国土空间规划新形势,需要加强模型精细尺度下模拟及预测的技术手段。因此,本实施例通过对不同模型的使用和评估,在城市时空演化元胞自动机模型的基础上,使用神经网络训练城市土地使用类型转换规则,构建了预设的城市空间演进模拟预测模型。
可以理解的是,在对城市空间演进进行模拟预测之前,首先要根据训练样本得的预设的城市空间演进模拟预测模型,基于训练好的、最终确定的模型,对城市空间演进后的土地使用功能类型进行预测。
为了更好的理解本发明,下面结合实施例进一步阐述本发明的内容,但本发明不仅仅局限于下面的实施例。
步骤1:基于ArcGIS的python进行编程,将空间特征数据分别落位于100米的格网中,完成自变量的提取,构成元胞自动机模拟的数据基础。
1.1、选择100米格网作为元胞自动机模拟的元胞大小。元胞自动机(cellularautomata,CA)是一种时间、空间、状态都离散,空间相互作用和时间因果关系为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。元胞尺度会对元胞自动机模型的模拟精度产生影响,元胞尺度越精细模拟精度越高,因此结合实际城市建设情况,选取100米尺度的格网作为元胞单元进行分析预测;
1.2、创建格网。使用ArcMap软件中的fishnet工具创建边长为100米的正方形格网,并赋予每个格网唯一的ID编号。
1.3、用地类指标提取:根据明确制定的用地类型映射规则,获取北京城市空间格网的所属用地类型。首先将格网数据和当年的现状用地数据和规划用地数据进行ArcMap的相交操作,得到带有用地功能属性的小地块,然后利用Python中pandas工具包的groupby +apply function操作组合,将切割地块按照格网ID进行groupby分组汇总,然后将用地小类至大类的转换规则应用到每一组中并找到面积最大的地块,将其用地类型赋予至所属格网。
1.4、距离类指标提取:使用ArcMap的生成近邻表工具,将格网的中心点与上述城市绿地、水体、地铁站点、功能区数据进行近邻分析,对于每个中心点求得距离其最近的目标物的距离,并保存成表格。
1.5、规模类指标提取:对于常住人口数量提取,根据区县-街道-地块的人口分配比例,计算地块-格网的人口分配比例,最终落实到每个格网中。对于POI点数据,可以通过计算核密度生成密度栅格数据,然后使用arcpy的zonal statistics as table工具将落在每个格网内部的栅格像元所代表的核密度值取平均值,得到该格网的poi密度值。
1.6、邻域元胞的影响及效应指标提取:通过GeoDa软件构建百米格网的一阶Queen型空间权重矩阵,根据矩阵计算每个元胞周围元胞中(最多八个)同期现状用地中属于建设用地的个数。
1.7、类别型自变量,例如格网是否在开发边界内、格网所在区县等,使用空间连接工具将各类空间分区多边形数据的类别属性字段按照空间位置连接到格网上,并存成表格形式。
步骤2:变量选择。使用皮尔森相关系数法对步骤1中提取的变量进行相关性检验,以消除多重共线性对于模型的扰动。
具体的:使用皮尔森相关系数法对步骤1中提取的变量进行相关性检验,查看变量间彼此的相关性,以此消除多重共线性对于模型的扰动。皮尔森相关系数(PearsonCorrelation Coefficient)用于度量两个变量之间的相关程度,其系数取值总是在-1.0到1.0之间,接近0的变量被成为无相关性,接近1或者-1被称为具有强相关性,计算公式如下:
样本相关系数:
步骤3:模型训练及选择。基于元胞自动机训练模型形成用地类型转换规则,训练得到多类用地类型间的映射关系,通过不断对参数选择调优、对算法试验分析、对结果评定解释的过程确定最终的模型,以便更精细地反映现实的土地类型转换情景。
3.1、使用逻辑回归、随机森林及神经网络,分别基于元胞自动机构建分类模型。逻辑回归算法的优点是可以给出每个模型自变量对于每个预测类别的权重,可解释性强;神经网络算法的优点是对于非线性的数据特征拟合能力更强,精度更高;随机森林算法是以决策树为基础构建的一种团体学习算法。
3.2、针对三种模型,采用交叉验证的方法对数据进行学习曲线的训练。交叉验证,就是重复的使用数据,把得到的样本数据进行切分,组合为不同的训练集和测试集,用训练集来训练模型,用测试集来评估模型预测的好坏,是在机器学习建立模型和验证模型参数时常用的办法。学习曲线则将训练集误差和交叉验证集误差作为训练集实例数量的函数绘制的图表,查看训练集和测试集随着整体训练样本的增大的训练精度变化,筛选没有过拟合现象的模型。
3.3、使用召回率、F1系数、Kappa系数和准确率,对3.2中筛选的模型进行总体精度评价。召回率是对原始样本的评价,它表示的是样本中的正例有多少被预测正确了;F1系数是精确度和查全率的加权调和平均值;准确率表示所有的预测样本中预测正确的比例;Kappa系数是一种比例,表示分类与完全随机的分类产生错误减少的比例;计算公式如下:
TP:样本为正,预测结果为正;FP:样本为负,预测结果为正;FN:样本为正,预测结果为负;TN:样本为负,预测结果为负;a1,a2,...,am为每一类的真实样本个数,b1,b2,...,bm为预测出来的每一类的样本个数,n为样本总数。
3.4、制作混淆矩阵评价分预测类别的样本预测精度。混淆矩阵(confusionmatrix),又称为可能性表格或是错误矩阵,是一种用来呈现算法性能可视化效果的矩阵,其每一列代表预测值,每一行代表的是实际的类别。
3.5、自变量贡献度量化。逻辑回归模型采用自变量系数作为自变量贡献度;神经网络模型采用一种较新的方法进行计算,具体为:依次将一个模型的自变量的数据本身打乱顺序,然后用将训练好的模型预测修改过的测试集并评价预测精度,并与未修改过的测试集所得分数进行求差,得到的分数就是该自变量对于模型的贡献度。该系数不区分正负,它模拟的是缺失某自变量的时候整体模型的精度下降程度。
步骤4:情景预测。面对某城市未来城市发展,可以制定三种规划情景,对不同情景下的城市空间结构进行预测,并输出预测的城市空间结构预测图。
4.1、情景设计:如首先设计三种规划情景,基于新总规前规划用地汇总作为情景一、基于新总规下的分区规划作为情景二,基于轨道交通一体化发展战略作为情景三。针对不同情景获取相应的空间特征数据,对城市空间发展进行预测。其中,比较重要的一步是情景三对于轨道交通一体化的自变量更改:将全部的轨道站点设置300米的缓冲区,并融合轨道微中心的300米缓冲区,一并视作功能区加入到功能区图层里,重新计算“到功能区的距离”这个自变量。与此同时将上述的缓冲区图层与POI图层相交,选取相交的POI点与原本的POI进行融合,加密轨道周边的POI核密度,以此来突出轨道交通一体化发展战略的目标,轨道与城市更加协调融合发展,土地集约化利用程度更高,更凸显多元城市功能,提供多样化城市生活服务。
4.2)预测结果输出。将上述步骤串联整合成城市空间演进模拟及预测方案,并将结果输出为城市空间结构预测图,城市空间结构预测图为网格图,所述网格图中的每个网格通过网格的颜色来表征:与网格ID对应的区域在进行城市空间演进后的土地使用功能类型预测结果;如绿色的网格代表非建设用地、黄色的网格代表居住用地、灰色代表二类工业用地等。
本实施例的,有益效果至少包括如下三类:
(1)研究构建的模型(即预设的城市空间演进模拟预测模型)具有城市空间数据批量处理能力,可在较短时间内完成城市空间分析和模拟预测,能够有效地提高现有工作效率,在规划工作中具有普适性。
(2)研究尺度聚焦到百米网格,并对用地类型进行细致的划分,可以精确的模拟不同用地类型之间的流转关系和预测不同规划方案下的未来用地类型。
(3)本发明实施例提供的城市空间演进模拟预测方法,可对历史规划方案实施产生的现状结果进行评估,对规划方案的未来实施可能结果进行预测,对规划方案进行比较和优选等,提高了对规划编制、管理和实施进行体检评估、监督检查的辅助决策能力,保障了规划工作的科学性
由上面技术方案可知,本发明实施例提供的城市空间演进模拟预测方法,通过获取与城市空间结构对应的空间特征数据;将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。本发明能够对城市用地类型发展进行预测、分析,其土地使用功能类型预测结果十分全面,精准度高,从而有利于为城市动态监测、规划实施评估和空间治理提供技术支撑。
在上述实施例基础上,在本实施例中,还包括:
在城市时空演化元胞自动机模型的基础上,使用神经网络训练所述城市时空演化元胞自动机模型形成土地使用功能类型转换规则,并基于与所述土地使用功能类型转换规则对应的转换准确率确定所述预设的城市空间演进模拟预测模型;其中,所述土地使用功能类型转换规则为:所述样本自变量与所述土地使用功能类型预测结果之间的转化规则。
在本实施例中,需要说的是,元胞自动机(cellular automata,CA)是一种时间、空间、状态都离散,空间相互作用和时间因果关系为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。经研究元胞尺度会对元胞自动机模型的模拟精度产生影响,元胞尺度越精细模拟精度越高,因此结合实际城市建设情况,本发明实施例选取100米尺度的格网作为元胞单元进行分析预测。
在本实施例中,针对土地使用功能类型转换规则:举例来说:某一地块土地使用现状功能为非建设用地,在上述提到的各类自变量的不同权重作用下,某一情景预测结果为工业用地。
在上述实施例基础上,在本实施例中,还包括:
获取空间特征数据;所述空间特征数据包括:邻域各类建设用地总数、兴趣点poi数据、常住人口数据、地铁站点数据、功能区范围数据、规划道路数据、规划绿地数据、区政府位置数据、现状道路数据、现状绿地数据、现状水体数据、规划用地数据、现状用地数据、环路数据、开发边界数据、区县数据;
将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取;样本自变量包括:邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地以及现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内、中心城区外中的至少一种;
将所述样本自变量输入至所述城市时空演化元胞自动机模型,使用神经网络训练所述城市时空演化元胞自动机模型形成所述土地使用功能类型转换规则;
并通过反复对参数的选择调优,当与所述土地使用功能类型转换规则对应的召回率、F1系数、准确率、kappa系数满足预设要求时停止训练,确定为预设的城市空间演进模拟预测模型。
在上述实施例基础上,在本实施例中,所述将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取之后,还包括:
使用皮尔森相关系数法对提取到的样本自变量进行相关性检验。
在本实施例中,可以理解的是,通过使用皮尔森相关系数法对提取到的自变量进行相关性检验,从而消除多重共线性对于模型的扰动,优化输入数据(即自变量),有利于提升预测结果的精准度。
在上述实施例基础上,还包括:为了适应机器学习预测技术的应用,需要对具体用地分类进行归并。因此,本发明还设计了多类用地类型间的映射关系,举例来说:对外交通用地和道路广场用地可以映射为交通用地。仓储用地、市政公用设施用地、待深入研究用地和特殊用地可以映射为其他建设用地。工业用地(M1、M2、M3、M、M4、M8、M9)可以映射为M1-一类工业用地;M2-二类工业用地;M3-三类工业用地;M/M4/M8/M9-公共设施用地。公共设施用地可以映射为公共设施用地。多功能用地(F、F2、F3、F1)可以映射为F/F2/F3-公共设施用地;F1居住用地。居住用地可以映射为居住用地。水域和其他用地可以映射为E6-村建设用地;E6之外-非建设用地。绿地可以映射为非建设用地。
继而在明确上述原始用地类型至自定义用地类型的映射关系(即多类用地类型间的映射关系)后需要获取待预测城市空间格网的各自所属用地类型。将格网数据和当前年度的现状用地数据和规划用地数据进行ArcMap的相交操作,得到每个格网切割的小地块,并计算小地块的面积,将其中同一格网最大面积的地块视为该格网的用地属性,同时基于上述自定义用地类型的映射关系,将原始用地分类归并为九类用地。这一步操作主要使用的是Python中pandas工具包的groupby + apply function操作组合,先将切割地块按照格网ID进行groupby分组汇总,再将用地小类至大类的转换规则应用到每一组中并找到面积最大的地块,将其用地类型赋予至所属格网。
图2为本发明一实施例提供的城市空间演进模拟预测装置的结构示意图,如图2所示,该装置包括:获取模块201、提取模块202和预测模块203,其中:
其中,获取模块201,用于获取与城市空间结构对应的空间特征数据;
提取模块202,用于将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;
预测模块203,用于将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
本发明实施例提供的城市空间演进模拟预测装置具体可以用于执行上述实施例的城市空间演进模拟预测方法,其技术原理和有益效果类似,具体可参见上述实施例,此处不再赘述。
基于相同的发明构思,本发明实施例提供一种电子设备,参见图3,电子设备具体包括如下内容:处理器301、通信接口303、存储器302和通信总线304;
其中,处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信;通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输;处理器301用于调用存储器302中的计算机程序,处理器执行计算机程序时实现上述各方法实施例所提供的方法,例如,处理器执行计算机程序时实现下述步骤:获取与城市空间结构对应的空间特征数据;将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
基于相同的发明构思,本发明又一实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法,例如,获取与城市空间结构对应的空间特征数据;将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
此外,在本发明中,诸如“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城市空间演进模拟预测方法,其特征在于,包括:
获取与城市空间结构对应的空间特征数据;
将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;
将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
2.根据权利要求1所述的城市空间演进模拟预测方法,其特征在于,还包括:
在城市时空演化元胞自动机模型的基础上,使用神经网络训练所述城市时空演化元胞自动机模型形成土地使用功能类型转换规则,并基于与所述土地使用功能类型转换规则对应的转换准确率确定所述预设的城市空间演进模拟预测模型;其中,所述土地使用功能类型转换规则为:所述样本自变量与所述土地使用功能类型预测结果之间的转化规则。
3.根据权利要求2所述的城市空间演进模拟预测方法,其特征在于,还包括:
获取空间特征数据;所述空间特征数据包括:邻域各类建设用地总数、兴趣点poi数据、常住人口数据、地铁站点数据、功能区范围数据、规划道路数据、规划绿地数据、区政府位置数据、现状道路数据、现状绿地数据、现状水体数据、规划用地数据、现状用地数据、环路数据、开发边界数据、区县数据;
将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取;样本自变量包括:邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地以及现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内、中心城区外中的至少一种;
将所述样本自变量输入至所述城市时空演化元胞自动机模型,使用神经网络训练所述城市时空演化元胞自动机模型形成所述土地使用功能类型转换规则;
并通过反复对参数的选择调优,当与所述土地使用功能类型转换规则对应的召回率、F1系数、准确率、kappa系数满足预设要求时停止训练,确定为预设的城市空间演进模拟预测模型。
4.根据权利要求3所述的城市空间演进模拟预测方法,其特征在于,所述将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取之后,还包括:
使用皮尔森相关系数法对提取到的样本自变量进行相关性检验。
5.一种城市空间演进模拟预测装置,其特征在于,包括:
获取模块,用于获取与城市空间结构对应的空间特征数据;
提取模块,用于将所述空间特征数据落入到预设的网格中按预设规则进行自变量提取;其中,所述预设的网格中包括n个格网,n为正整数;每个格网用于表示城市空间结构中的土地区域,并与所述城市空间结构中的土地区域具有唯一对应关系,每个格网具有唯一的ID标号,所述ID标号与格网对应的土地区域具有唯一的对应关系;每个格网中至少包括一块地块,并将同一格网中面积最大的地块的土地使用功能类型作为当前格网的土地使用功能类型;所述自变量为用地类指标、规模类指标、距离类指标、领域元胞的影响及效应指标以及类别型自变量;所述自变量与预设的网格中的格网具有对应关系;
预测模块,用于将提取到的所述自变量输入至预设的城市空间演进模拟预测模型中,得到与所述自变量对应的土地使用功能类型预测结果,并基于所述土地使用功能类型预测结果、及与所述自变量对应的格网所表示的土地区域得到城市空间结构预测图;其中,所述土地使用功能类型预测结果是指进行城市空间演进后的土地使用功能类型预测结果;所述城市空间结构预测图为网格图,所述网格图中的每个格网通过格网的颜色来表征:与格网ID对应的土地区域在进行城市空间演进后的土地使用功能类型预测结果;其中,所述土地使用功能类型预测结果包括:一类工业用地、二类工业用地、三类公共用地、公共设施用地、居住用地、其他建设用地、非建设用地、交通用地以及村建设用地中的至少一种;所述预设的城市空间演进模拟预测模型为采用样本自变量作为输入数据,以及与所述样本自变量对应的城市空间结构预测图作为输出数据,基于机器学习算法进行训练得到的。
6.根据权利要求5所述的城市空间演进模拟预测装置,其特征在于,还包括:训练模块,
所述训练模块,用于在城市时空演化元胞自动机模型的基础上,使用神经网络训练所述城市时空演化元胞自动机模型形成土地使用功能类型转换规则,并基于与所述土地使用功能类型转换规则对应的转换准确率确定所述预设的城市空间演进模拟预测模型;其中,所述土地使用功能类型转换规则为:所述样本自变量与所述土地使用功能类型预测结果之间的转化规则。
7.根据权利要求6所述的城市空间演进模拟预测装置,其特征在于,所述训练模块,还用于:
获取空间特征数据;所述空间特征数据包括:邻域各类建设用地总数、兴趣点poi数据、常住人口数据、地铁站点数据、功能区范围数据、规划道路数据、规划绿地数据、区政府位置数据、现状道路数据、现状绿地数据、现状水体数据、规划用地数据、现状用地数据、环路数据、开发边界数据、区县数据;
将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取;样本自变量包括:邻域各类建设用地总数、兴趣点poi核密度、常住人口数、距地铁站距离、距功能区距离、距规划道路距离、距规划绿地距离、距区政府距离、距现状道路距离、距现状绿地距离、距现状水体距离、规划用地-一类工业用地、规划用地-二类工业用地、规划用地-三类工业用地、规划用地-公共设施用地、规划用地-居住用地、规划用地-其他建设用地、规划用地-非建设用地、规划用地-村建设用地、规划用地-交通用地、现状用地-一类工业用地、现状用地-二类工业用地、现状用地-三类工业用地、现状用地-公共设施用地、现状用地-居住用地、现状用地-其他建设用地、现状用地-非建设用地、现状用地-村建设用地以及现状用地-交通用地、环路-二环内、环路-二环至三环间、环路-六环外、环路-三环至四环间、环路-四环至五环间、环路-五环至六环间、开发边界内、开发边界外、中心城区内、中心城区外中的至少一种;
将所述样本自变量输入至所述城市时空演化元胞自动机模型,使用神经网络训练所述城市时空演化元胞自动机模型形成所述土地使用功能类型转换规则;
并通过反复对参数的选择调优,当与所述土地使用功能类型转换规则对应的召回率、F1系数、准确率、kappa系数满足预设要求时停止训练,确定为预设的城市空间演进模拟预测模型。
8.根据权利要求7所述的城市空间演进模拟预测装置,其特征在于,所述训练模块在执行将所述空间特征数据分别落于预设的网格中,按预设规则进行样本自变量提取之后,还用于:
使用皮尔森相关系数法对提取到的样本自变量进行相关性检验。
9.一种电子设备,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,所述处理器执行所述程序时实现如权利要求1~4任一项所述的城市空间演进模拟预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~4任一项所述的城市空间演进模拟预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008749.7A CN113449936B (zh) | 2021-08-31 | 2021-08-31 | 城市空间演进模拟预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008749.7A CN113449936B (zh) | 2021-08-31 | 2021-08-31 | 城市空间演进模拟预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449936A true CN113449936A (zh) | 2021-09-28 |
CN113449936B CN113449936B (zh) | 2022-03-18 |
Family
ID=77819179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008749.7A Active CN113449936B (zh) | 2021-08-31 | 2021-08-31 | 城市空间演进模拟预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449936B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418328A (zh) * | 2021-12-27 | 2022-04-29 | 宁波诺丁汉大学 | 一种城市功能区域规划方法 |
CN117101438A (zh) * | 2023-08-25 | 2023-11-24 | 江苏洁瑞特膜技术有限公司 | 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN112884226A (zh) * | 2021-02-23 | 2021-06-01 | 湖南大学 | 基于多智能体算法的国土空间格局模拟规划方法及系统 |
CN113011720A (zh) * | 2021-03-03 | 2021-06-22 | 东南大学 | 一种基于ca模型的增量递减的城镇开发边界划定方法 |
US20210217117A1 (en) * | 2019-01-25 | 2021-07-15 | Southeast University | Automatic urban land identification system integrating business big data with building form |
CN113297174A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
-
2021
- 2021-08-31 CN CN202111008749.7A patent/CN113449936B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
US20210217117A1 (en) * | 2019-01-25 | 2021-07-15 | Southeast University | Automatic urban land identification system integrating business big data with building form |
CN112884226A (zh) * | 2021-02-23 | 2021-06-01 | 湖南大学 | 基于多智能体算法的国土空间格局模拟规划方法及系统 |
CN113011720A (zh) * | 2021-03-03 | 2021-06-22 | 东南大学 | 一种基于ca模型的增量递减的城镇开发边界划定方法 |
CN113297174A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
Non-Patent Citations (2)
Title |
---|
YUE DENG: "Detecting Urban Polycentric Structure from POI Data", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
韩赜: "雄安新区建设对北京市土地利用时空格局演变的影响", 《中国优秀博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418328A (zh) * | 2021-12-27 | 2022-04-29 | 宁波诺丁汉大学 | 一种城市功能区域规划方法 |
CN117101438A (zh) * | 2023-08-25 | 2023-11-24 | 江苏洁瑞特膜技术有限公司 | 基于可见光光催化剂pvdf超滤膜生产的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113449936B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
Straka et al. | Predicting popularity of electric vehicle charging infrastructure in urban context | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN113449936B (zh) | 城市空间演进模拟预测方法、装置、电子设备及存储介质 | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型系统 | |
CN112163367B (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
Liu et al. | From measure to guidance: Galactic model and sustainable development planning toward the best smart city | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
Xia et al. | Delineating early warning zones in rapidly growing metropolitan areas by integrating a multiscale urban growth model with biogeography-based optimization | |
Ma et al. | How China’s linked urban–rural construction land policy impacts rural landscape patterns: A simulation study in Tianjin, China | |
CN113344408B (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
Zhao et al. | LandSys II: Agent-based land use–forecast model with artificial neural networks and multiagent model | |
Guo et al. | Simulating urban growth by coupling macro-processes and micro-dynamics: a case study on Wuhan, China | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
Liang et al. | A statistical analysis model of big data for precise poverty alleviation based on multisource data fusion | |
Zhang et al. | Variable stage self-correcting grey clustering model | |
Öztürk et al. | A new matrix form genetic encoding for balanced, compact and connected sectorisation through NSGA-II | |
Li et al. | Construction Technology Safety Management under the Background of BIM and Information System Modeling | |
Malczewski et al. | GIS-MCDA for group decision making | |
Hu et al. | Risk assessment and comparative analysis for technical standards alliance based on fuzzy-AHP method and BP neural network method | |
Zhou | [Retracted] Layout Optimization of Urban Cultural Space Construction Based on Forward Three‐Layer Neural Network Model | |
Tiwari et al. | Predicting Future Urban Growth in Bhopal, India using Artificial Intelligence based Modelling |
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 |