CN113592184A - 一种预测适宜运动空间的方法和系统 - Google Patents
一种预测适宜运动空间的方法和系统 Download PDFInfo
- Publication number
- CN113592184A CN113592184A CN202110898416.XA CN202110898416A CN113592184A CN 113592184 A CN113592184 A CN 113592184A CN 202110898416 A CN202110898416 A CN 202110898416A CN 113592184 A CN113592184 A CN 113592184A
- Authority
- CN
- China
- Prior art keywords
- data
- motion
- factor
- urban environment
- model
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 314
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011160 research Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 35
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012732 spatial analysis Methods 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000037081 physical activity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000004445 quantitative analysis 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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种预测适宜运动空间的方法和系统,该方法包括:基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据包括:自然环境数据和社会经济数据;所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;基于获取的运动轨迹数据,生成运动轨迹因子;基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度。
Description
技术领域
本申请涉及预测模型技术领域,特别涉及一种预测适宜运动空间的方法和系统。
背景技术
随着在城镇化快速发展,汽车为主导的城市环境对居民的室外活动影响巨大,居民的运动大量向室内转变,居民对公共空间的使用越来越少;但与在室内进行运动相比,在室外自然环境中可以对参与者有显著更大的积极影响。了解城市环境因子对运动行为的驱动机制对发展和改善公共卫生干预措施至关重要,通过城市规划的措施,鼓励更多的体育运动,不仅可以降低居民的慢性疾病风险,还将有助于提高城市街道活力。
目前体育运动的研究中,对影响运动的城市环境因子的定量分析较为主观,对其相关作用的研究也是简单的线性分析,无法分析不同城市环境因子的作用力大小以及城市环境因子的综合效应,且无法推断出城市环境因子综合作用后的运动适宜空间。
因此,需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本申请的目的在于提供一种预测适宜运动空间的方法和系统,以解决或缓解上述现有技术中存在的问题。
为了实现上述目的,本申请提供如下技术方案:
本申请提供了一种预测适宜运动空间的方法,包括:
步骤S101、基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子;
步骤S102、基于获取的运动轨迹数据,生成运动轨迹因子;
步骤S103、基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;
步骤S104、基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度;其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到。
优选的,步骤S101中,所述基于获取的城市环境数据生成城市环境因子,包括:
基于所述城市环境数据的几何图形类型,将所述城市环境数据分为点数据集、线数据集、面数据集;
基于所述点数据集,按照公式:
计算得到点数据城市环境因子;
其中,Count表示所述点数据城市环境因子,Sgrid为当前所述区域规则网格的面积,n1为当前所述区域规则网格内包含所述点数据集的点总数,i∈[1,n1];
基于所述线数据集,按照公式:
计算得到线数据城市环境因子;
其中,Length表示所述线数据城市环境因子,n2为所述线数据集位于当前所述区域规则网格内的线总数,j∈[1,n2],Lj为所述线数据集中第j条线的长度;
基于所述面数据集,按照公式:
计算得到面数据城市环境因子;
其中,Area表示所述面数据城市环境因子,n3为所述面数据集位于当前所述区域规则网格内的面总个数,k∈[1,n3],Sk为所述面数据集中位于所述区域规则网格内第k个面的面积;
基于相关分析算法,对所述点数据城市环境因子、所述线数据城市环境因子、所述面数据城市环境因子进行筛选,得到城市环境因子。
优选的,所述相关分析算法具体为Pearson相关分析方法,按照公式:
计算得到两个变量之间的Pearson相关系数;其中,两个变量X1,Y1分别为归一化植被指数、陆地地表温度数据、公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据中任意两类数据;Y1指的是两个变量之间的Pearson相关系数,指的是变量X1,Y1之间的协方差,表示变量X1的标准差,表示变量Y1的标准差。
优选的,步骤S102中,所述基于获取的运动轨迹数据,生成运动轨迹因子,包括:
基于空间分析运算,将所述运动轨迹数据与所述区域规则网格进行空间关联赋值,得到运动轨迹网格,其中,所述的赋值具体为:当所述区域规则网格内包含所述运动轨迹数据时,所述运动轨迹网格取值为1;否则所述运动轨迹网格取值为0;
将取值为1的所述运动轨迹网格作为所述运动轨迹因子;
将所述运动轨迹因子进行随机分配,得到所述运动轨迹训练因子和所述运动轨迹验证因子。
优选的,步骤S103中,所述基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型,具体为:
以所述运动轨迹训练因子为所述最大熵模型的因变量、所述城市环境因子为所述最大熵模型的自变量,基于公式:
计算所述最大熵模型的熵;
其中,X2表示所述城市环境因子,X2呈离散型随机分布,P(X2)为X2的概率,N1为所述最大熵模型的自变量的个数,m∈[1,N1],xm为第m个随机变量,P(xm)为xm的概率;
所述熵满足下列不等式:
0≤H(P)≤log|X2|
H(P)为条件熵,当H(P)等于log|X2|时,右边等号成立,熵最大。
优选的,在步骤S104之后,所述预测适宜运动空间的方法还包括:
基于所述运动轨迹因子中的运动轨迹验证因子,对所述运动适宜度模型进行有效性验证;
基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性;
基于刀切法,对所述城市环境因子对所述运动适宜度模型的贡献度进行评估。
优选的,所述基于所述运动轨迹因子中的运动轨迹验证因子,对所述运动适宜度模型进行有效性验证,具体为,按照公式:
计算得到所述运动适宜度模型的命中率;
其中,P为命中率,1表示所述运动适宜度模型预测成功的所述区域规则网格与所述运动轨迹验证因子位置相同的所述区域规则网格的数量,N5为所述运动轨迹因子对应的所述区域规则网格的数量,所述运动适宜度模型预测成功定义为:运动适宜度的取值落入所述运动适宜度模型预先定义的预测成功的阈值范围。
优选的,所述基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性,具体为:
根据所述受试者工作特征曲线的下面积,对所述运动适宜度模型的预测可靠性进行分级,得到运动适宜度模型的所述预测可靠性等级。
优选的,所述基于刀切法,对所述城市环境因子对所述运动适宜度模型的贡献度进行评估,包括:
基于刀切法,对单个所述城市环境因子不被纳入所述运动适宜度模型而对所述运动适宜度模型产生影响的大小进行评估;
基于刀切法,对单个所述城市环境因子对所述运动适宜度模型的贡献进行评估;
基于所述城市环境因子与所述运动适宜度,绘制响应曲线,对所述城市环境因子与所述运动适宜度的关系进行评价。
本申请实施例还提供一种预测适宜运动空间的系统,该系统包括:
城市环境因子生成单元,配置为:基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子。
运动轨迹因子生成单元,配置为:基于获取的运动轨迹数据,生成运动轨迹因子。
运动适宜度模型生成单元,配置为:基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型。
运动适宜度预测单元,配置为:基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度;其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到。
与最接近的现有技术相比,本申请实施例的技术方案具有如下有益效果:
本申请基于获取的研究区域的城市环境数据生成城市环境因子,基于获取的运动轨迹数据,生成运动轨迹因子;基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,生成所述研究区域的运动适宜度;并探究运动适宜度与城市环境因子之间的关系,分析运动适宜度与城市环境因子之间的相互影响。通过本申请提供的方法,可确定各城市环境因子对运动适宜度的影响机制,发现部分地区现有城市规划中的不足,可对城市运动设施的规划建设、更新改造提出建议,提供设计健康城市的参考依据,体现“以人为本”的城市理念。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为本申请的一种预测适宜运动空间的方法的技术流程图;
图2为本申请实施例所述城市环境因子处理流程图;
图3为基于相关分析得到的B市城市环境因子的相关性矩阵;
图4为本申请实施例根据运动轨迹数据生成运动轨迹因子的流程图;
图5为本实施例计算得到研究区域的运动适宜度;
图6为本实施例基于运动轨迹验证因子对所述运动适宜度模型进行有效性验证结果图;
图7为本实施例所述运动适宜度的受试者工作特征(ROC)曲线;
图8为基于刀切法得到各个所述城市环境因子对所述运动适宜度模型的贡献度;
图9为本实施例根据所述城市环境因子与运动适宜度值绘制的响应曲线图;
图10为本申请实施例提供的一种预测适宜运动空间的系统结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上,本领域的技术人员将清楚,在不脱离本申请的范围或精神的情况下,可在本申请中进行修改和变型。例如,示为或描述为一个实施例的一部分的特征可用于另一个实施例,以产生又一个实施例。因此,所期望的是,本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
示例性方法
为了便于理解本申请实施例中的技术方案,需要说明的是:
本申请实施例提供一种预测适宜运动空间的方法,该方法基于最大熵模型,根据所获取的城市环境数据和运动轨迹,得到研究区域的运动适宜度,用于确定影响运动适宜度的城市环境因子,分析所述城市环境因子与运动适宜度之间的相互关系。
本申请所述的运动空间,指的是所述运动适宜度符合居民进行户外锻炼条件的城市区域,所述运动包括但不限于:步行、跑步、骑行等体力活动。
本申请所述城市环境数据用于表征城市的物理环境。城市的物理环境是影响运动的重要因素。
图1为本申请的一种预测适宜运动空间的方法的技术流程图。如图1所示,该预测适宜运动空间的方法,包括:
步骤S101、基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子。
步骤S101包括:
1、获取所述研究区域的城市环境数据。
所述研究区域的城市环境数据包括:自然环境数据和社会经济数据。所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子。
自然环境数据包括归一化植被指数、陆地地表温度数据。户外运动依赖于自然环境空间,绿地对这种线性体力活动有明显的支持作用,多光谱卫星(光栅信息)可以监测城市区域的绿地表面,归一化植被指数(Normal Difference Vegetation index,简称NDVI),是遥感测量结果表现绿地分布较好的指标,因此选择NDVI作为可能驱动运动行为的自然环境因素之一。由于城市的热岛效应Urban Heat Island(UHI),城市中心的陆地地表温度(Land Surface Temperature,简称LST)往往比周边更高;热岛的影响可能导致严重的健康问题,甚至增加了一些城市的死亡率,因此选择LST作为第二个可能驱动运动行为的自然环境因素。
社会经济数据包括5类兴趣点(POI)设施和街道属性。
其中,5类兴趣点(POI)设施具体为:公交站点、地铁站点、生活服务类兴趣点、风景名胜类兴趣点、体育休闲类兴趣点。其中,每类兴趣点数据包括该兴趣点的位置信息和属性信息;该兴趣点的位置信息表征了该兴趣点在研究区域的空间位置,该兴趣点的属性信息用于描述该兴趣点的属性特征。比如,公交站点的位置信息说明了公交站点在研究区域所处的地理位置,公交站点的属性信息描述了该公交站点的名称、公交线路、运行时间等。
生活服务类兴趣点包括个人护理、便利商超、快递点等类别。风景名胜类兴趣点数据,包括风景区、广场、公园以及学校等类别。体育休闲类兴趣点数据,包括健身房、体育馆、居民活动中心等类别。
街道属性具体为研究区域的人行道长度和建筑物面积。
2、根据所述研究区域的城市环境数据,生成城市环境因子。
图2为本申请实施例所述城市环境因子处理流程图。如图2所示,该处理过程包括:
步骤一、基于所述城市环境数据的几何图形类型,将所述城市环境数据分为点数据集、线数据集、面数据集,根据所述城市环境数据的几何图形类型生成对应的城市环境因子;其中,所述几何图形类型为点、线、面任一一种。
所述点数据集包括:公交站点、地铁站点、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据。
所述线数据集包括:人行道长度数据。
所述面数据集包括:建筑物面积数据。
步骤二、将公交站点、地铁站点、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据的点空间连接到所述研究区域的规则网格上,按公式(1)计算,赋予每个规则网格各类型POI总数的属性,即可得到点数据城市环境因子。上述每一类数据对应一个点数据城市环境因子。公式(1)如下:
其中,Count表示所述点数据城市环境因子,Sgrid为当前所述区域规则网格的面积,n1为当前所述区域规则网格内包含所述点数据集的点总数,i∈[1,n1]。
其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到,详细处理过程如下:
在本申请的一些实施例中,所述预先获取的研究区域的边界数据为矢量数据。
在本申请的一些实施例中,所述预先获取的研究区域的边界数据为栅格数据。
对所述预先获取的研究区域的边界数据进行投影转换,以生成统一空间参考系的边界数据。
所获取的研究区域的边界数据为矢量数据时,根据研究需要确定网格的大小,在矢量数据的范围内生成符合大小的规则网格,在本实施例中,规则网格的大小设为(1km×1km)。
所获取的研究区域的边界数据为栅格数据时,根据需要确定规则网格的大小,将所述栅格数据按照规则网格的大小进行重采样,将重采样的规则网格转换为矢量数据,得到所述区域规则网格。
在本实施例中,所获取的研究区域的边界数据为矢量数据。
对于线数据集,首先将每个所述区域规则网格的唯一ID标识到所述线数据集每条线上,再按公式(2)汇总每个所述区域规则网格上所包含线的总长度,即可得到所述线数据城市环境因子。公式(2)如下:
其中,Length表示所述线数据城市环境因子,n2为所述线数据集位于当前所述区域规则网格内的线总数,j∈[1,n2],Lj为所述线数据集中第j条线的长度。
对于面数据集,将每个所述区域规则网格的唯一ID标识到每个单独的面上,再按公式(3)汇总每个所述区域规则网格上面的总面积,即可得到所述面数据城市环境因子。公式(3)如下:
其中,Area表示所述面数据城市环境因子,n3为所述面数据集位于当前所述区域规则网格内的面总个数,k∈[1,n3],Sk为所述面数据集中位于所述区域规则网格内第k个面的面积。
步骤三、基于相关分析算法,对所述点数据城市环境因子、所述线数据城市环境因子、所述面数据城市环境因子进行筛选,得到城市环境因子,具体为:
选取归一化植被指数、陆地地表温度数据、公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据中任意两类数据进行相关分析,探究其两两间是否存在线性相关。选择Pearson相关分析方法,Pearson相关系数用于判断二者是否呈线性关系,其计算公式为:
其中,两个变量X1,Y1分别为归一化植被指数、陆地地表温度数据、公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据中任意两类数据;Y1指的是两个变量之间的Pearson相关系数,指的是变量X1,Y1之间的协方差,表示变量X1的标准差,表示变量Y1的标准差。
对于相关性较大的城市环境因子进行筛选,只保留其中任意之一。
图3为基于相关分析得到的B市城市环境因子的相关性矩阵。从图3可以看出,体育休闲类实施与公共服务类设施之间的相关系数为0.80,具有较强的正相关,表明体育休闲类设施数量高的地方,公共服务设施数量也较高;NDVI与LST之间的相关系数为-0.47,具有一般的负相关,表明NDVI值越高的地方绿色植被多,LST也越低;其余城市环境因子之间无明显的相关作用,因此都纳入后续的所述最大熵模型进行构建。
步骤S102、基于获取的运动轨迹数据,生成运动轨迹因子。
图4为本申请实施例根据运动轨迹数据生成运动轨迹因子的流程图,如图4所示,该流程包括:
1、获取运动轨迹数据。
本申请所述运动包括但不限于:步行、跑步、骑行等体力活动。在本实施例中,以跑步为例进行说明。
本实施例中,跑步轨迹数据来源于某健身App,该App可监测并记录用户的活动信息,并提供对跑步轨迹信息的查询功能。本实施例选用B市中心城区范围内153条跑步轨迹,共527个用户参与,部分受欢迎的跑步轨迹用户数达25个,表明该跑步轨迹数据可以在一定程度上反应居民的跑步偏好地区。
2、根据运动轨迹数据,生成运动轨迹因子。
基于空间分析运算,将所述运动轨迹数据与所述区域规则网格进行空间关联赋值,得到运动轨迹网格,其中,所述的赋值具体为:当所述区域规则网格内包含所述运动轨迹数据时,所述运动轨迹网格取值为1;否则所述运动轨迹网格取值为0。其中,空间分析运算具体为空间连接操作。
将所述运动轨迹因子进行随机分配,得到所述运动轨迹训练因子和所述运动轨迹验证因子。
选取所述运动轨迹网格取值为1的数据作为所述运动轨迹因子进行后续的最大熵模型计算,提取所述运动轨迹网格的中心坐标作为运动轨迹的坐标,其中,所述中心坐标由经度和纬度组成。
3、将所述运动轨迹因子分为运动轨迹训练因子和运动轨迹验证因子。
将所述运动轨迹因子进行随机分配,得到所述运动轨迹训练因子和所述运动轨迹验证因子。
在本实施例中,为了衡量模型结果的有效性,在所述运动轨迹因子中随机选择80%作为所述最大熵模型的训练集,得到所述运动轨迹训练因子,即所述最大熵模型的有效输入量为N×80%。剩下所述运动轨迹因子的20%作为所述最大熵模型的验证集,得到所述运动轨迹验证因子。其中,N表示所述运动轨迹因子的总数。
步骤S103、基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型。
最大熵原理(the principle of maximum entropy,简称MaxEnt或EM)是一种贝叶斯推断方法,是概率模型学习的准则之一,当模型的熵最大,则认为其是最好的模型。
假设离散型随机变量X2的概率分布式P(X2),则其熵是:
熵满足下列不等式:
0≤H(P)≤log|X2| (5)
其中,X2表示所述城市环境因子,X2呈离散型随机分布,P(X2)为X2的概率,N1为所述最大熵模型的自变量的个数,m∈[1,N1],xm为第m个随机变量,P(xm)为xm的概率。
H(P)为条件熵,当H(P)等于log|X2|时,即X2呈均匀分布时,右边等号成立,熵最大。
所述最大熵模型首先确定所求问题中包含信息量最小的分布的先验分布,再结合上述熵满足的不等式(已知的约束条件),将所述条件熵尽可能的最大化,即可计算出真实的概率分布,得到所述研究区域的运动适宜度模型。
在本实施例中,所述生成运动适宜度模型具体为:
以所述运动轨迹训练因子为所述最大熵模型的因变量、所述城市环境因子为所述最大熵模型的自变量,基于Bootstrap方法抽样形成伪样本,对总体进行估计,最大扰动项设置为5000,规则化乘数为1.5。由于抽样的随机性导致所述最大熵模型的结果出现波动,共对所述最大熵模型进行运算30次取其平均值作为所述最大熵模型模拟的最终结果,得到所述运动适宜度模型,即所述研究区域中每个所述区域规则网格满足条件熵最大时的跑步活动概率(0,1),概率越大则表明该网格中的跑步适宜度越高,其综合城市环境越适宜居民进行跑步活动。
步骤S104、基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度。
图5为本实施例计算得到研究区域的运动适宜度。如图5所示,从城市环境因子产生的综合影响来看,所述运动适宜度(跑步适宜度)实际上是该区域周边城市环境因子的体现。将所述运动适宜度模型计算得到的跑步适宜度按照自然断点法分为5级,具体为:level1:0.05-0.20,level 2:0.20-0.32;level 3:0.32-0.46,level 4:0.46-0.59,level 5:0.59-0.80。该区域中跑步适宜度为level 1的有503km2,占比32.73%;level 2的有304km2,占比19.78%;level 3的有280km2,占比18.22%;level 4的有249km2,占比16.20%;level5的有201km2,占比13.08%;大于等于level3的有730km2,占总面积的47.50%。
在步骤S104之后,所述预测适宜运动空间的方法还包括:
1、基于所述运动轨迹验证因子,对所述运动适宜度模型进行有效性验证。
具体为,按照公式:
计算得到所述运动适宜度模型的命中率;
其中,P为命中率,1表示所述运动适宜度模型预测成功的所述区域规则网格与所述运动轨迹验证因子位置相同的所述区域规则网格的数量,n5表示取值为1的所述运动轨迹网格的数量,N5为所述运动轨迹因子对应的所述区域规则网格的数量,所述运动适宜度模型预测成功定义为:运动适宜度的取值落入所述运动适宜度模型预先定义的预测成功的阈值范围。
在本实施例中,所述运动适宜度模型预先定义的预测成功的阈值范围具体为:所述研究区域的运动适宜度(跑步适宜度)取值属于上述level 3、level 4、level 5所定义的数值范围,处于该阈值范围内的所述区域规则网格为适宜运动空间,即根据所述运动适宜度模型预测的结果判断该区域适宜运动。
当所述运动适宜度模型的命中率越高,则表明所述运动适宜度模型预测的准确性越高,所述运动适宜度模型模拟的结果越好。
2、基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性。
根据受试者工作特征(ROC)曲线下面积(AUC)评估所述运动适宜度模型的性能。AUC值越高,所述运动适宜度模型的预测越可靠,且远离0~1的随机分布。本实施例中,AUC划分标准如下:优秀(0.9,1.0]、良好(0.8,0.9]、可接受(0.7,0.8]、差(0.6,0.7]、不足(0.5,0.6],不采用[0,0.5]。
图7为本实施例所述运动适宜度的受试者工作特征(ROC)曲线。如图7所示,B市中心城区跑步适宜度的预测模型检验AUC为0.79,表明所得的所述运动适宜度模型预测准确性良好,居民跑步行为在空间上并不是随机分布的,与其周边的城市环境因子有关,通过所述运动适宜度模型的预测结果,可以很好的区分不同区域发生跑步行为的概率。
3、基于刀切法,评估所述城市环境因子对所述运动适宜度模型的贡献度,包括:
基于刀切法,对单个所述城市环境因子不被纳入所述运动适宜度模型而对其产生的影响大小进行评估;
基于刀切法,对单个所述城市环境因子对于所述运动适宜度模型的贡献进行评估;
图8为基于刀切法得到各个所述城市环境因子对所述运动适宜度模型的贡献度。如图8所示,各个所述城市环境因子对所述运动适宜度模型的贡献度是对不同所述城市环境因子重要性进行重叠测试的平均结果。其中,第一颜色指的是单个所述城市环境因子不被纳入所述运动适宜度模型而对其产生影响的大小,第二颜色指的是该城市环境因子对于所述运动适宜度模型的单独贡献度。单独使用所述城市环境因子时,获得最大增益的所述城市环境因子是风景名胜设施与体育休闲设施,这两类公共设施本身拥有最有用的信息,它们对模型的单独贡献均超过了0.15,这两类设施的存在很好的促进了附近居民跑步出行,它们中包含的公园、广场、体育场等设施都具有较强的健康服务功能,可以为居民提供良好的运动环境;人行道长度对对所述运动适宜度模型的单独贡献也较高,在0.15左右,表明与机动车道路区分开的人行道是居民进行跑步活动的良好条件;此外,建筑物面积与公交站点的数量也在一定程度上对跑步活动有促进作用;NDVI、LST对所述运动适宜度模型的贡献不大,地铁站点的贡献最小。第三颜色指的是所有城市环境因子对所述运动适宜度模型的综合贡献度。
基于所述城市环境因子与所述运动适宜度,绘制响应曲线,对所述城市环境因子与所述运动适宜度的关系进行评价,具体为:
在本申请实施例中,所述运动适宜度具体为跑步适宜度。所述运动适宜度模型中,所述城市环境因子对所述运动适宜度模型产生正影响,但所述城市环境因子与所述运动适宜度的关系不是简单的线性递增。选取对所述运动适宜度模型贡献度前六的所述城市环境因子与运动适宜度值分别绘制响应曲线图,如图9所示。从图上可以看出,风景名胜类设施、建筑物以及生活服务类设施三类城市环境因子的密度适中时,跑步适宜度值可达到最高值,这三类城市环境因子可以反应城市环境以及公共设施条件,过高的密度可能带来的是更拥挤的人居环境,不再适宜跑步活动;公交站点、人行道以及体育休闲类设施的密度越高,跑步的适宜度值越大,公交站点以及人行道的密度体现了地区的可达性水平,高可达性往往易于催生高的城市活动,而体育休闲设施更是体育活动的最佳场所。
本申请所提供的方法可用于预测城市的运动适宜度,除了通过所述最大熵模型训练输出的ROC曲线评估所述运动适宜度模型预测的准确性外,还通过事先随机抽取的所述运动轨迹验证因子,对所述运动适宜度模型生成的所述跑步适宜度结果进行验证。在本实施例中,以B市运动适宜度为例,78个所述运动轨迹验证因子中,所述跑步适宜度值处于level 1的所述运动轨迹验证因子只有10个,占比10/78=12.82%;所述跑步适宜度值处于level 2的所述运动轨迹验证因子只有8个,占比8/78=10.26%;所述跑步适宜度值为level 3区域的有13个,占比13/78=16.67%;跑步适宜度值为level 4区域的有19个,占比19/78=24.36%;跑步适宜度值为level 5区域的有28个,占比28/78=35.90%;跑步适宜度值高于level 3的所述运动轨迹验证因子对应的区域规则网格为适宜运动空间,共有60个,占比60/78=76.92%;该结果进一步验证了所述运动适宜度模型的可靠性,体现了9个所述城市环境因子的作用,表明所述运动适宜度模可以预测B市主城区的跑步适宜度,体现出居民的跑步偏好地区。
通过本申请提供的方法,可确定各城市的所述城市环境因子对运动适宜度的影响机制,发现部分地区现有规划中的不足,表明本申请提供的方法对运动适宜度的研究具有巨大潜力。
为了营造更宜居的城市环境,促进居民在城市公共空间中进行跑步活动,城市空间规划应该更加注意空间品质的提升。因此,城市建设不应该是简单的、一味的扩张,而是要对不同的城市空间因地制宜,进行科学、精准地设计。对于人口密度高的居住地区,应当注重跑步等体力活动场所与城市总体空间规划的协调性,增加人行道的数量与长度提高步行可达性,提高运动的便捷性;在就业导向的办公地区,应当在满足区域职能的基础上提高运动的可能性,增加更多的户外体育场所,提升空间功能的多样性;对于混合型地区,增强风景名胜、体育休闲等设施的可达性,吸引更多的居民加入健康的运动中。总之,合理规划城市空间,实现空间复合化、集约化利用,为居民的跑步活动提供充足、良好的公共空间,促进健康的生活方式,是当下城市规划方式向精细化、人性化发展的必然需求。
示例性系统
图10为本申请实施例提供的一种预测适宜运动空间的系统结构示意图,该系统包括:
城市环境因子生成单元401,配置为:基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子;
运动轨迹因子生成单元402,配置为:基于获取的运动轨迹数据,生成运动轨迹因子;
运动适宜度模型生成单元403,配置为:基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;
运动适宜度预测单元404,配置为:基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度;其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到。
在本申请的一些实施例中,城市环境因子生成单元401包括:
数据分类子单元,配置为:基于所述城市环境数据的几何图形类型,将所述城市环境数据分为点数据集、线数据集、面数据集;
数据计算子单元,配置为:基于所述点数据集,按照公式:
计算得到点数据城市环境因子;
其中,Count表示所述点数据城市环境因子,Sgrid为当前所述区域规则网格的面积,n1为当前所述区域规则网格内包含所述点数据集的点总数,i∈[1,n1];
基于所述线数据集,按照公式:
计算得到线数据城市环境因子;
其中,Length表示所述线数据城市环境因子,n2为所述线数据集位于当前所述区域规则网格内的线总数,j∈[1,n2],Lj为所述线数据集中第j条线的长度;
基于所述面数据集,按照公式:
计算得到面数据城市环境因子;
其中,Area表示所述面数据城市环境因子,n3为所述面数据集位于当前所述区域规则网格内的面总个数,k∈[1,n3],Sk为所述面数据集中位于所述区域规则网格内第k个面的面积;
相关分析子单元,配置为:基于相关分析算法,对所述点数据城市环境因子、所述线数据城市环境因子、所述面数据城市环境因子进行筛选,得到城市环境因子。
在本申请的一些实施例中,相关分析子单元包括相关系数计算模块,配置为:所述相关分析算法具体为Pearson相关分析方法,按照公式:
计算得到两个变量之间的Pearson相关系数;其中,两个变量X1,Y1分别为归一化植被指数、陆地地表温度数据、公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据中任意两类数据;Y1指的是两个变量之间的Pearson相关系数,指的是变量X1,Y1之间的协方差,表示变量X1的标准差,表示变量Y1的标准差。
在本申请的一些实施例中,运动轨迹因子生成单元402包括:运动轨迹网格赋值子单元,配置为:基于空间分析运算,将所述运动轨迹数据与所述区域规则网格进行空间关联赋值,得到运动轨迹网格,其中,所述的赋值具体为:当所述区域规则网格内包含所述运动轨迹数据时,所述运动轨迹网格取值为1;否则所述运动轨迹网格取值为0;运动轨迹因子生成子单元,配置为:将取值为1的所述运动轨迹网格作为所述运动轨迹因子;运动轨迹因子划分子单元,配置为:将所述运动轨迹因子进行随机分配,得到所述运动轨迹训练因子和所述运动轨迹验证因子。
在本申请的一些实施例中,运动适宜度模型生成单元403包括:模型生成子单元,配置为:所述基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型,具体为:
以所述运动轨迹训练因子为所述最大熵模型的因变量、所述城市环境因子为所述最大熵模型的自变量,基于公式:
计算所述最大熵模型的熵;
其中,X2表示所述城市环境因子,X2呈离散型随机分布,P(X2)为X2的概率,N1为所述最大熵模型的自变量的个数,m∈[1,N1],xm为第m个随机变量,P(xm)为xm的概率;
所述熵满足下列不等式:
0≤H(P)≤log|X2|
H(P)为条件熵,当H(P)等于log|X2|时,右边等号成立,熵最大。
在本申请的一些实施例中,所述预测适宜运动空间的系统还包括:模型验证和评价单元,配置为:基于所述运动轨迹因子中的运动轨迹验证因子,对所述运动适宜度模型进行有效性验证;基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性;基于刀切法,对所述城市环境因子对所述运动适宜度模型的贡献度进行评估。
在本申请的一些实施例中,模型验证和评价单元包括:模型验证子单元,配置为:基于所述运动轨迹因子中的运动轨迹验证因子,对所述运动适宜度模型进行有效性验证,具体为,按照公式:
计算得到所述运动适宜度模型的命中率;
其中,P为命中率,1表示所述运动适宜度模型预测成功的所述区域规则网格与所述运动轨迹验证因子位置相同的所述区域规则网格的数量,N5为所述运动轨迹因子对应的所述区域规则网格的数量,所述运动适宜度模型预测成功定义为:运动适宜度的取值落入所述运动适宜度模型预先定义的预测成功的阈值范围;模型性能评估子单元,配置为:根据所述受试者工作特征曲线的下面积,对所述运动适宜度模型的预测可靠性进行分级,得到运动适宜度模型的所述预测可靠性等级;模型变量评价子单元,配置为:基于刀切法,对单个所述城市环境因子不被纳入所述运动适宜度模型而对所述运动适宜度模型产生影响的大小进行评估;基于刀切法,对单个所述城市环境因子对所述运动适宜度模型的贡献进行评估;基于所述城市环境因子与所述运动适宜度,绘制响应曲线,对所述城市环境因子与所述运动适宜度的关系进行评价。
本申请实施例提供的一种预测适宜运动空间的系统能够实现上述任一一种预测适宜运动空间的方法实施例的步骤、流程,并达到相同的技术效果,在此不再一一赘述。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种预测适宜运动空间的方法,其特征在于,包括:
步骤S101、基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子;
步骤S102、基于获取的运动轨迹数据,生成运动轨迹因子;
步骤S103、基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;
步骤S104、基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度;其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到。
2.根据权利要求1所述的预测适宜运动空间的方法,其特征在于,步骤S101中,所述基于获取的城市环境数据生成城市环境因子,包括:
基于所述城市环境数据的几何图形类型,将所述城市环境数据分为点数据集、线数据集、面数据集;
基于所述点数据集,按照公式:
计算得到点数据城市环境因子;
其中,Count表示所述点数据城市环境因子,Sgrid为当前所述区域规则网格的面积,n1为当前所述区域规则网格内包含所述点数据集的点总数,i∈[1,n1];
基于所述线数据集,按照公式:
计算得到线数据城市环境因子;
其中,Length表示所述线数据城市环境因子,n2为所述线数据集位于当前所述区域规则网格内的线总数,j∈[1,n2],Lj为所述线数据集中第j条线的长度;
基于所述面数据集,按照公式:
计算得到面数据城市环境因子;
其中,Area表示所述面数据城市环境因子,n3为所述面数据集位于当前所述区域规则网格内的面总个数,k∈[1,n3],Sk为所述面数据集中位于所述区域规则网格内第k个面的面积;
基于相关分析算法,对所述点数据城市环境因子、所述线数据城市环境因子、所述面数据城市环境因子进行筛选,得到城市环境因子。
4.根据权利要求1所述的预测适宜运动空间的方法,其特征在于,步骤S102中,所述基于获取的运动轨迹数据,生成运动轨迹因子,包括:
基于空间分析运算,将所述运动轨迹数据与所述区域规则网格进行空间关联赋值,得到运动轨迹网格,其中,所述的赋值具体为:当所述区域规则网格内包含所述运动轨迹数据时,所述运动轨迹网格取值为1;否则所述运动轨迹网格取值为0;
将取值为1的所述运动轨迹网格作为所述运动轨迹因子;
将所述运动轨迹因子进行随机分配,得到所述运动轨迹训练因子和所述运动轨迹验证因子。
5.根据权利要求1所述的预测适宜运动空间的方法,其特征在于,步骤S103中,所述基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型,具体为:
以所述运动轨迹训练因子为所述最大熵模型的因变量、所述城市环境因子为所述最大熵模型的自变量,基于公式:
计算所述最大熵模型的熵;
其中,X2表示所述城市环境因子,X2呈离散型随机分布,P(X2)为X2的概率,N1为所述最大熵模型的自变量的个数,m∈[1,N1],xm为第m个随机变量,P(xm)为xm的概率;
所述熵满足下列不等式:
0≤H(P)≤log|X2|
H(P)为条件熵,当H(P)等于log|X2|时,右边等号成立,熵最大。
6.根据权利要求1所述的预测适宜运动空间的方法,其特征在于,在步骤S104之后,所述预测适宜运动空间的方法还包括:
基于所述运动轨迹因子中的运动轨迹验证因子,对所述运动适宜度模型进行有效性验证;
基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性;
基于刀切法,对所述城市环境因子对所述运动适宜度模型的贡献度进行评估。
8.根据权利要求6所述的预测适宜运动空间的方法,其特征在于,所述基于受试者工作特征曲线的下面积,对所述运动适宜度模型的性能进行评估,获得所述运动适宜度模型的预测可靠性,具体为:
根据所述受试者工作特征曲线的下面积,对所述运动适宜度模型的预测可靠性进行分级,得到运动适宜度模型的所述预测可靠性等级。
9.根据权利要求6所述的预测适宜运动空间的方法,其特征在于,所述基于刀切法,对所述城市环境因子对所述运动适宜度模型的贡献度进行评估,包括:
基于刀切法,对单个所述城市环境因子不被纳入所述运动适宜度模型而对所述运动适宜度模型产生影响的大小进行评估;
基于刀切法,对单个所述城市环境因子对所述运动适宜度模型的贡献进行评估;
基于所述城市环境因子与所述运动适宜度,绘制响应曲线,对所述城市环境因子与所述运动适宜度的关系进行评价。
10.一种预测适宜运动空间的系统,其特征在于,包括:
城市环境因子生成单元,配置为:基于获取的研究区域的城市环境数据生成城市环境因子;其中,所述城市环境数据有多类,包括:自然环境数据和社会经济数据,所述自然环境数据包括:归一化植被指数、陆地地表温度数据;所述社会经济数据包括:公交站点数据、地铁站点数据、生活服务类兴趣点数据、风景名胜类兴趣点数据、体育休闲类兴趣点数据、人行道数据和建筑物数据;每一类所述城市环境数据对应一个所述城市环境因子;
运动轨迹因子生成单元,配置为:基于获取的运动轨迹数据,生成运动轨迹因子;
运动适宜度模型生成单元,配置为:基于最大熵模型,根据所述城市环境因子和所述运动轨迹因子中的运动轨迹训练因子,生成运动适宜度模型;
运动适宜度预测单元,配置为:基于所述运动适宜度模型,根据所述城市环境因子和所述研究区域的区域规则网格,得到所述研究区域的运动适宜度;其中,所述区域规则网格通过对预先获取的研究区域的边界数据进行分割得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898416.XA CN113592184B (zh) | 2021-08-05 | 2021-08-05 | 一种预测适宜运动空间的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898416.XA CN113592184B (zh) | 2021-08-05 | 2021-08-05 | 一种预测适宜运动空间的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592184A true CN113592184A (zh) | 2021-11-02 |
CN113592184B CN113592184B (zh) | 2022-03-08 |
Family
ID=78255590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110898416.XA Active CN113592184B (zh) | 2021-08-05 | 2021-08-05 | 一种预测适宜运动空间的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592184B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312010A1 (en) * | 2007-05-24 | 2008-12-18 | Pillar Vision Corporation | Stereoscopic image capture with performance outcome prediction in sporting environments |
CN101989373A (zh) * | 2009-08-04 | 2011-03-23 | 中国科学院地理科学与资源研究所 | 基于可见光—热红外的多光谱多尺度森林火情监测方法 |
CN110909951A (zh) * | 2019-11-29 | 2020-03-24 | 青岛理工大学 | 一种历史名城新城区规划辅助设计系统 |
CN110909924A (zh) * | 2019-11-12 | 2020-03-24 | 同济大学 | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 |
CN111079590A (zh) * | 2019-12-04 | 2020-04-28 | 东北大学 | 一种无人驾驶车辆的周边车辆行为预判方法 |
CN111639833A (zh) * | 2020-04-23 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种基于自然和人文多要素的城市人居环境适宜性综合评价方法 |
CN112288238A (zh) * | 2020-10-13 | 2021-01-29 | 扬州大学 | 基于多源数据的城市公园社会效用评价方法 |
CN112819319A (zh) * | 2021-01-29 | 2021-05-18 | 华南理工大学 | 一种城市活力与空间社会特征相关性的测度方法及应用 |
-
2021
- 2021-08-05 CN CN202110898416.XA patent/CN113592184B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312010A1 (en) * | 2007-05-24 | 2008-12-18 | Pillar Vision Corporation | Stereoscopic image capture with performance outcome prediction in sporting environments |
CN101989373A (zh) * | 2009-08-04 | 2011-03-23 | 中国科学院地理科学与资源研究所 | 基于可见光—热红外的多光谱多尺度森林火情监测方法 |
CN110909924A (zh) * | 2019-11-12 | 2020-03-24 | 同济大学 | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 |
CN110909951A (zh) * | 2019-11-29 | 2020-03-24 | 青岛理工大学 | 一种历史名城新城区规划辅助设计系统 |
CN111079590A (zh) * | 2019-12-04 | 2020-04-28 | 东北大学 | 一种无人驾驶车辆的周边车辆行为预判方法 |
CN111639833A (zh) * | 2020-04-23 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种基于自然和人文多要素的城市人居环境适宜性综合评价方法 |
CN112288238A (zh) * | 2020-10-13 | 2021-01-29 | 扬州大学 | 基于多源数据的城市公园社会效用评价方法 |
CN112819319A (zh) * | 2021-01-29 | 2021-05-18 | 华南理工大学 | 一种城市活力与空间社会特征相关性的测度方法及应用 |
Non-Patent Citations (2)
Title |
---|
乔少杰 等: "大数据环境下移动对象自适应轨迹预测模型", 《软件学报》 * |
刘万军 等: "基于熵理论改进混合高斯模型的运动目标检测算法", 《计算机应用研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592184B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Noelke et al. | Child Opportunity Index 2.0 | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
Jabbari et al. | Combining multi-criteria and space syntax analysis to assess a pedestrian network: The case of Oporto | |
Cervero et al. | Induced travel demand and induced road investment: A simultaneous equation analysis | |
Levine et al. | A choice-based rationale for land use and transportation alternatives: evidence from Boston and Atlanta | |
Yang et al. | Do built environment effects on travel behavior differ between household members? A case study of Nanjing, China | |
Kuzmyak et al. | Use of walk opportunities index to quantify local accessibility | |
Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
Jeong et al. | Integrating buildings into a rural landscape using a multi-criteria spatial decision analysis in GIS-enabled web environment | |
Jahanshahi et al. | Evaluation and relocating bicycle sharing stations in mashhad city using multi-criteria analysis | |
Knap et al. | A composite X-minute city cycling accessibility metric and its role in assessing spatial and socioeconomic inequalities–A case study in Utrecht, the Netherlands | |
CN117726369A (zh) | 一种基于手机信令数据的商业区域选址方法及系统 | |
Chowdhury et al. | An analysis of the built environment and auto travel in Halifax, Canada | |
CN113592184B (zh) | 一种预测适宜运动空间的方法和系统 | |
CN115630129A (zh) | 一种社区体育健身设施步行适应性的评价方法 | |
CN115983681A (zh) | 基于游憩公平性的绿道游憩服务价值评价系统与方法 | |
Yang et al. | An adaptive workflow to generate street network and amenity allocation for walkable neighborhood design | |
Mitra et al. | Issues in upward mobility: Study based on longitudinal data from Delhi slums | |
Balta et al. | Examining the dynamics of residential location choice in metropolitan areas using an Analytical Hierarchy Process | |
Wang et al. | Assessing the equity and evolution of urban visual perceptual quality with time series street view imagery | |
Yang et al. | Unraveling nonlinear and interaction effects of multilevel built environment features on outdoor jogging with explainable machine learning | |
Zhou et al. | Transit district customers in San Mateo County, California: who, why, where, and how | |
Daisy | Microsimulation of activity participation, tour complexity, and mode choice within an activity-based travel demand model system | |
Yang et al. | How the urban microclimate and outdoor thermal comfort can affect intra-city mobility patterns: Evidence from New York City |
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 |