CN113919729A - 一种区域三生空间影响与协作水平评估方法及系统 - Google Patents
一种区域三生空间影响与协作水平评估方法及系统 Download PDFInfo
- Publication number
- CN113919729A CN113919729A CN202111236038.5A CN202111236038A CN113919729A CN 113919729 A CN113919729 A CN 113919729A CN 202111236038 A CN202111236038 A CN 202111236038A CN 113919729 A CN113919729 A CN 113919729A
- Authority
- CN
- China
- Prior art keywords
- index
- influence
- target
- data
- target area
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- XEFQLINVKFYRCS-UHFFFAOYSA-N Triclosan Chemical compound OC1=CC(Cl)=CC=C1OC1=CC=C(Cl)C=C1Cl XEFQLINVKFYRCS-UHFFFAOYSA-N 0.000 claims 1
- 229960003500 triclosan Drugs 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 40
- 238000010801 machine learning Methods 0.000 abstract description 16
- 238000007726 management method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域三生空间影响与协作水平评估方法及系统,涉及城乡规划管理技术领域。该方法包括获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;根据评价指标获取目标区域的实时指标数据;对实时指标数据进行归类处理并建立目标指标体系;计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;基于各个二级指标的权重值建立目标区域的影响与协作水平模型;根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。本发明基于大数据和机器学习算法对区域三生空间功能间影响与协作水平进行精确、全面、快速有效评估。
Description
技术领域
本发明涉及城乡规划管理技术领域,具体而言,涉及一种区域三生空间影响与协作水平评估方法及系统。
背景技术
随着我国社会发展,村镇三生空间成为构建空间规划体系、完善国土空间开发保护制度和各类尺度空间落实主体功能区规划的重要基础。因此,探究城市村镇空间功能间影响与协作的时空演化规律,促进城市村镇空间的重构与转型是当前的迫切需求。
“三生空间”主要指广大生产、生活和生态空间的统一体,其变迁能够较好地表征出村镇空间变化。但是目前,在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种区域三生空间影响与协作水平评估方法及系统,基于大数据和机器学习算法对区域三生空间功能间影响与协作水平进行精确、全面、快速有效评估。
本发明的实施例是这样实现的:
第一方面,本发明实施例提供一种区域三生空间影响与协作水平评估方法,包括以下步骤:
获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
根据评价指标获取目标区域的实时指标数据;
对实时指标数据进行归类处理并建立目标指标体系;
计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
为解决现有技术中的在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估的技术问题,本发明在长时间序列、时间多尺度上运用大数据及机器学习算法计算三生空间功能间影响与协作水平,对其水平进行有效评估。首先,明确目标区域并且基于确定的目标区域设定合理的目标区域三生空间的评价指标,然后基于设定的评价指标获取目标区域内的相关指标数据,以便进行后续的精准分析,对获取的实时指标数据进行归类处理,然后计算各个二级指标的权重,并建立用于评估目标区域三生空间影响与协作水平的影响与协作水平模型,通过影响与协作水平模型结合上述目标指标体系中的各个指标数据进行水平评估,最终得到一个精确全面的评估结果。
基于第一方面,在本发明的一些实施例中,上述获取并根据目标区域的基础信息设定目标区域三生空间的评价指标的方法包括以下步骤:
根据预设定的目标区域获取目标区域的基础信息;
对目标区域的基础信息进行统计分析并提取指标数据;
根据指标数据设定目标区域三生空间的评价指标。
基于第一方面,在本发明的一些实施例中,上述对实时指标数据进行归类处理并建立目标指标体系的方法包括以下步骤:
采用单一空间模式对实时指标数据进行归类处理并建立目标指标体系。
基于第一方面,在本发明的一些实施例中,上述计算目标指标体系中的各个二级指标的权重,以得到对应的权重值的方法包括以下步骤:
采用神经网络算法与扰动算法计算目标指标体系中的各个二级指标的权重,以得到第一权重矩阵;
采用熵值法计算目标指标体系中的各个二级指标的权重,以得到第二权重矩阵;
根据第一权重矩阵和第二权重矩阵采用加权平均法计算获取目标指标体系中的各个二级指标的综合权重值。
基于第一方面,在本发明的一些实施例中,上述采用神经网络算法与扰动算法计算目标指标体系中的各个二级指标的权重的方法包括以下步骤:
对实时指标数据进行归一化处理并进行数据扩张,以得到更新样本数据;
根据更新样本数据进行神经网络训练,确定算法参数以得到目标神经网络算法;
基于更新样本数据进行数据重组,以得到多组新的输入数据集;
将各组新的输入数据集中的影响因素值分别导入到目标神经网络算法中,生成各个影响因素值对应的两个预测数据;
计算各个影响因素值对应的两个预测数据之间的差值,以得到各个影响因素对应的扰动值;
计算各个影响因素对应的扰动值的绝对值并进行归一化处理,以得到各个影响因素的权重值。
基于第一方面,在本发明的一些实施例中,上述采用熵值法计算目标指标体系中的各个二级指标的权重的方法包括以下步骤:
采用极差法对目标指标体系中的各个二级指标进行数据标准化处理,以得到标准指标数据;
基于标准指标数据计算各个二级指标对应的熵值系数。
基于第一方面,在本发明的一些实施例中,上述基于各个二级指标的权重值建立目标区域的影响与协作水平模型的方法包括以下步骤:
基于各个二级指标的权重值计算目标区域三生空间之间的影响度;
基于各个二级指标的权重值计算目标区域三生空间之间的影响与协作度;
根据目标区域三生空间之间的影响度和影响与协作度建立目标区域的影响与协作水平模型。
第二方面,本发明实施例提供一种区域三生空间影响与协作水平评估系统,包括指标设定模块、数据获取模块、归类模块、权重计算模块、模型建立模块以及评估模块,其中:
指标设定模块,用于获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
数据获取模块,用于根据评价指标获取目标区域的实时指标数据;
归类模块,用于对实时指标数据进行归类处理并建立目标指标体系;
权重计算模块,用于计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
模型建立模块,用于基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
评估模块,用于根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
为解决现有技术中的在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估的技术问题,本发明在长时间序列、时间多尺度上运用大数据及机器学习算法计算三生空间功能间影响与协作水平,对其水平进行有效评估。首先,通过指标设定模块明确目标区域并且基于确定的目标区域设定合理的目标区域三生空间的评价指标,然后数据获取模块基于设定的评价指标获取目标区域内的相关指标数据,以便进行后续的精准分析,通过归类模块对获取的实时指标数据进行归类处理,然后通过权重计算模块计算各个二级指标的权重,并通过模型建立模块建立用于评估目标区域三生空间影响与协作水平的影响与协作水平模型,评估模块通过影响与协作水平模型结合上述目标指标体系中的各个指标数据进行水平评估,最终得到一个精确全面的评估结果。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种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述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果:
本发明实施例提供一种区域三生空间影响与协作水平评估方法及系统,解决了现有技术中的在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估的技术问题,本发明在长时间序列、时间多尺度上运用大数据及机器学习算法计算三生空间功能间影响与协作水平,对其水平进行精确全面有效评估。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例一种区域三生空间影响与协作水平评估方法的流程图;
图2为本发明实施例一种区域三生空间影响与协作水平评估方法的示意图;
图3为本发明实施例一种区域三生空间影响与协作水平评估系统的原理框图;
图4为本发明实施例提供的一种电子设备的结构框图。
图标:100、指标设定模块;200、数据获取模块;300、归类模块;400、权重计算模块;500、模型建立模块;600、评估模块;101、存储器;102、处理器;103、通信接口。
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、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,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”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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
如图1-图2所示,第一方面,本发明实施例提供一种区域三生空间影响与协作水平评估方法,包括以下步骤:
S1、获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
进一步地,根据预设定的目标区域获取目标区域的基础信息;对目标区域的基础信息进行统计分析并提取指标数据;根据指标数据设定目标区域三生空间的评价指标。
在本发明的一些实施例中,首先进行评价指标的确定,以便为后续数据的采集提供指导。评价指标确定:主要指在确定研究区域后,根据该地区的统计年鉴等已有文献资料,结合实际调研数据,确定评价该地区“三生空间”的各二级指标,如一、二、三产业产值、农业人口数、人均国内生产总值、人口密度、林地面积、草地面积、月平均降雨量、月平均日照量等。一二级指标可参考表1。
表1:
S2、根据评价指标获取目标区域的实时指标数据;
在本发明的一些实施例中,根据上一步确定的二级指标,通过收集研究区的历史统计年鉴等资料结合实际调研走访,收集研究区的至少7期各指标数据,并对各数据归一化进行无量纲处理。当收集的数据有7期时,将数据集划分为3-2-2的数据结构;当收集的数据有8期时,将数据集划分为3-3-2的数据结构;当收集的数据有9期时,将数据集划分为3-3-3的数据结构;当收集的数据期数增加时,都将期数均分为3期。将3期的数据集中的GDP数值作为输出数据集【O1】、【O2】、【O3】,其余数据作为输入数据集【I1】、【I2】、【I3】,用于后续机器学习算法的训练。
S3、对实时指标数据进行归类处理并建立目标指标体系;
进一步地,采用单一空间模式对实时指标数据进行归类处理并建立目标指标体系。
在本发明的一些实施例中,对三生空间各二级指标归类,三生空间具有空间尺度的差异性、功能的复合性、范围的动态性及用地的异质性等特征。因此,在“三生空间”识别分类上,存在单一空间和复合空间两种划分模式。单一空间模式是根据空间主导功能综合划定生产、生活、生态三类单一空间。复合空间模式是基于生活生产空间、生产生态空间、生态生产空间等复合空间,其计算指标、方法等较繁杂且缺乏科学性。为了简化模型、方便分析计算、把握本质规律,本发明采用以主导功能划分研究区的“三生空间”。具体的识别过程可按表2(表2为生产-生活-生态空间功能定量识别与分析示意表)方法确定,表中“三生空间”价值采用专家打分法、文献查阅法、类比法得出,再对某一类型用地的各功能的价值排序,根据主导价值确定其所属的“三生空间”类型。
表2:
S4、计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
进一步地,采用神经网络算法与扰动算法计算目标指标体系中的各个二级指标的权重,以得到第一权重矩阵;采用熵值法计算目标指标体系中的各个二级指标的权重,以得到第二权重矩阵;根据第一权重矩阵和第二权重矩阵采用加权平均法计算获取目标指标体系中的各个二级指标的综合权重值。
进一步地,对实时指标数据进行归一化处理并进行数据扩张,以得到更新样本数据;根据更新样本数据进行神经网络训练,确定算法参数以得到目标神经网络算法;基于更新样本数据进行数据重组,以得到多组新的输入数据集;将各组新的输入数据集中的影响因素值分别导入到目标神经网络算法中,生成各个影响因素值对应的两个预测数据;计算各个影响因素值对应的两个预测数据之间的差值,以得到各个影响因素对应的扰动值;计算各个影响因素对应的扰动值的绝对值并进行归一化处理,以得到各个影响因素的权重值。
进一步地,采用极差法对目标指标体系中的各个二级指标进行数据标准化处理,以得到标准指标数据;基于标准指标数据计算各个二级指标对应的熵值系数。
在本发明的一些实施例中,主要运用神经网络算法与扰动算法结合计算出各二级指标权重,再运用熵值法计算各二级指标权重,接着将两个权重矩阵进行重新赋权修正以提高系数的精度,以得到精准的各个二级指标的权重。
机器学习(神经网络算法)与扰动算法结合计算权重值:
第一步骤:将上述输出数据集【O1】、【O2】、【O3】运用最大最小归一化方法归一化,并将【O1】、【O2】、【O3】更新,同时将输出数据集【I1】、【I2】、【I3】运用最大最小归一化方法归一化,并将【I1】、【I2】、【I3】更新。
第二步骤:扩大样本数据——将更新后的输入数据集【I1】、【I2】、【I3】与更新后的输出数据集【O1】、【O2】、【O3】与中的每个样本依次相互作差后取绝对值得到扩展后的样本数据二(含I1*I2*I3个样本,且I1+I2+I3=I)。
第三步骤:将数据二分为训练集数据与验证集数据,并重新归一化处理处理并将各数据集更新。
第四步骤:引入改进后的机器学习算法——使用训练集中的样本数据训练机器学习-神经网络算法,接着用验证集中的数据对机器学习算法进行验证,用于获取最优参数进而确定机器学习算法参数,具体步骤如下:
正向计算各层节点的转换值、反向计算各层单元激活值误差、计算误差函数对于各参数的偏导值,利用梯度下降法赋值参数矩阵、重复上述正向计算与反向计算,直至各所述神经网络的预测输出值与实际值误差在5%以内,记录机器学习算法参数,用于后续的分析;将验证集数据输入各训练好的神经网络模型,预测相应的GDP值,当预测结果误差大于5%时,则需返回对该机器学习算法进行训练,而当误差值小于5%时,停止算法训练,存储参数用于后续分析。
第五步骤:针对划分的三组数据集,分别将输入数据集中的影响因素值依次轮流在其原值的基础上分别加和减6%构成多组新的输入数据集。
第六步骤:将两组新的输入数据集输入到第四步骤下已存储的一个机器学习神经网络算法中,得到两个预测数据M1和M2。
第七步骤:计算M1和M2的差值,这个差值即为该影响因素对应于GDP的扰动值。
第八步骤:多次进行过程第五、六、七步骤,最终得出每个影响因素的扰动影响值,求各扰动值的绝对值,对这些绝对值进行归一化处理,获得计算各影响因素的权重值。
第九步骤:将第三到第八步骤这个过程运行20次,取20次计算结果的平均值作为最终的影响因素权重值。
通过熵值法确定各指标的权重系数步骤如下:
一、数据的标准化处理:
采用极差法对各指标进行数据标准化处理:
二、由R=(rij)m×n计算第i项指标下第j个方案占该指标的比重fij:
三、第i个评价指标fi输出的熵:
四、各目标的熵值系数:
将两种方法计算的权重值进行重新赋权修正以提高系数的精度,经研究计算分析,扰动算法权重值精度较高,更符合实际情况,故将参数A、B分别设置为2/3与1/3,可参考表3。综合权重是在综合考虑熵值法权重与扰动算法计算权重值的基础上,采用加权平均发消除两种方法的计算误差。具体的加权系数按扰动算法系数(A)为2/3,熵值法系数(B)为1/3计算。
表3:
S5、基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
进一步地,基于各个二级指标的权重值计算目标区域三生空间之间的影响度;基于各个二级指标的权重值计算目标区域三生空间之间的影响与协作度;根据目标区域三生空间之间的影响度和影响与协作度建立目标区域的影响与协作水平模型。
在本发明的一些实施例中,建立针对研究区域的评价指标,计算“三生空间”之间的多切片影响度矩阵【Mi】,计算“三生空间”之间的影响与协作度【Ni】,以建立目标区域的影响与协作水平模型。
地区的发展必然是生产空间、生活空间及生态空间的有机影响度协作,通过对“三生空间”的影响度计算来判别相互之间的影响程度,这些对地区的更新探索具有指导意义。具体计算公式如下:
式中:M为研究区三生空间功能之间的影响度,取值范围为[0,1],M值的大小是由三生空间的评价值决定的,该值越大说明研究区的三生空间功能之间相互作用、相互影响越强烈;Pi、Li、Ei分别为研究区生产功能、生活功能、生态功能的综合评价值,i=1,2,3,…,n,其中i指各二级指标的指标数;为进一步分析研究区“生产—生活”功能、“生产—生态”功能、“生活—生态”功能两两之间相互作用程度,影响度计算模型可采用以下公式[15]:
②影响与协作度计算
影响度虽然能反映三生空间功能之间的相互作用关系,但不能表征各功能之间是在高水平上相互促进还是在低水平上相互制约,因此,本文引入影响与协作水平以构建三生空间功能影响度协作模型,具体计算公式如下:
式中,M为三生空间影响度;N为生三生空间影响与协作水平;P、L、E分别为生产空间、生活空间、生态空间的评价值;a、b、M分别为生产空间、生活空间、生态空间的待定系数。不同地区不同时期的三生空间子系统的发展权重并不完全一样,将子系统的权重赋值均等不符合实际情况,同时也降低了该模型的使用效度。本发明中的子系统权值经过多方法综合分析得出,同时考虑时间尺度下的子系统权值变化。
本发明中“三生空间”功能两两之间的影响与协作水平计算公式如下:
式中,a、b、M三个权重的确定不按相同值对其赋值,而是根据神经网络算法对其进行确定。
根据Mi、Ni与评价指标体系,评估研究区的影响与协作水平,分析长时序的发展质量。
本发明将三生空间功能影响度划分为4种类型,如表4所示,表4为三生空间影响度类型划分表。
表4:
本发明将三生空间功能影响与协作水平划分为两大类八小类,具体见表5,表5为三生空间影响与协作水平类型划分表。
表5:
根据Mi、Ni与评价指标体系,评估研究区的影响与协作水平,分析长时序的发展质量。
S6、根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
为解决现有技术中的在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估的技术问题,本发明在长时间序列、时间多尺度上运用大数据及机器学习算法计算三生空间功能间影响与协作水平,对其水平进行有效评估。首先,明确目标区域并且基于确定的目标区域设定合理的目标区域三生空间的评价指标,然后基于设定的评价指标获取目标区域内的相关指标数据,以便进行后续的精准分析,对获取的实时指标数据进行归类处理,然后计算各个二级指标的权重,并建立用于评估目标区域三生空间影响与协作水平的影响与协作水平模型,通过影响与协作水平模型结合上述目标指标体系中的各个指标数据进行水平评估,最终得到一个精确全面的评估结果。
本发明中的模型可用于实际研究与分析,且可以更加精确、全面、快速的反映研究区的客观规律,有效弥补了现有影响与协作水平模型的不足。
如图3所示,第二方面,本发明实施例提供一种区域三生空间影响与协作水平评估系统,包括指标设定模块100、数据获取模块200、归类模块300、权重计算模块400、模型建立模块500以及评估模块600,其中:
指标设定模块100,用于获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
数据获取模块200,用于根据评价指标获取目标区域的实时指标数据;
归类模块300,用于对实时指标数据进行归类处理并建立目标指标体系;
权重计算模块400,用于计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
模型建立模块500,用于基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
评估模块600,用于根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
为解决现有技术中的在长时间序列、时间多尺度上运用大数据及机器学习算法探讨三生空间功能间影响与协作关系与格局演变的深入分析十分缺乏,无法对其功能水平进行有效评估的技术问题,本发明在长时间序列、时间多尺度上运用大数据及机器学习算法计算三生空间功能间影响与协作水平,对其水平进行有效评估。首先,通过指标设定模块100明确目标区域并且基于确定的目标区域设定合理的目标区域三生空间的评价指标,然后数据获取模块200基于设定的评价指标获取目标区域内的相关指标数据,以便进行后续的精准分析,通过归类模块300对获取的实时指标数据进行归类处理,然后通过权重计算模块400计算各个二级指标的权重,并通过模型建立模块500建立用于评估目标区域三生空间影响与协作水平的影响与协作水平模型,评估模块600通过影响与协作水平模型结合上述目标指标体系中的各个指标数据进行水平评估,最终得到一个精确全面的评估结果。
如图4所示,第三方面,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统和方法,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
第四方面,本申请实施例提供一种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102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种区域三生空间影响与协作水平评估方法,其特征在于,包括以下步骤:
获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
根据评价指标获取目标区域的实时指标数据;
对实时指标数据进行归类处理并建立目标指标体系;
计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
2.根据权利要求1所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述获取并根据目标区域的基础信息设定目标区域三生空间的评价指标的方法包括以下步骤:
根据预设定的目标区域获取目标区域的基础信息;
对目标区域的基础信息进行统计分析并提取指标数据;
根据指标数据设定目标区域三生空间的评价指标。
3.根据权利要求1所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述对实时指标数据进行归类处理并建立目标指标体系的方法包括以下步骤:
采用单一空间模式对实时指标数据进行归类处理并建立目标指标体系。
4.根据权利要求1所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述计算目标指标体系中的各个二级指标的权重,以得到对应的权重值的方法包括以下步骤:
采用神经网络算法与扰动算法计算目标指标体系中的各个二级指标的权重,以得到第一权重矩阵;
采用熵值法计算目标指标体系中的各个二级指标的权重,以得到第二权重矩阵;
根据第一权重矩阵和第二权重矩阵采用加权平均法计算获取目标指标体系中的各个二级指标的综合权重值。
5.根据权利要求4所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述采用神经网络算法与扰动算法计算目标指标体系中的各个二级指标的权重的方法包括以下步骤:
对实时指标数据进行归一化处理并进行数据扩张,以得到更新样本数据;
根据更新样本数据进行神经网络训练,确定算法参数以得到目标神经网络算法;
基于更新样本数据进行数据重组,以得到多组新的输入数据集;
将各组新的输入数据集中的影响因素值分别导入到目标神经网络算法中,生成各个影响因素值对应的两个预测数据;
计算各个影响因素值对应的两个预测数据之间的差值,以得到各个影响因素对应的扰动值;
计算各个影响因素对应的扰动值的绝对值并进行归一化处理,以得到各个影响因素的权重值。
6.根据权利要求4所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述采用熵值法计算目标指标体系中的各个二级指标的权重的方法包括以下步骤:
采用极差法对目标指标体系中的各个二级指标进行数据标准化处理,以得到标准指标数据;
基于标准指标数据计算各个二级指标对应的熵值系数。
7.根据权利要求1所述的一种区域三生空间影响与协作水平评估方法,其特征在于,所述基于各个二级指标的权重值建立目标区域的影响与协作水平模型的方法包括以下步骤:
基于各个二级指标的权重值计算目标区域三生空间之间的影响度;
基于各个二级指标的权重值计算目标区域三生空间之间的影响与协作度;
根据目标区域三生空间之间的影响度和影响与协作度建立目标区域的影响与协作水平模型。
8.一种区域三生空间影响与协作水平评估系统,其特征在于,包括指标设定模块、数据获取模块、归类模块、权重计算模块、模型建立模块以及评估模块,其中:
指标设定模块,用于获取并根据目标区域的基础信息设定目标区域三生空间的评价指标;
数据获取模块,用于根据评价指标获取目标区域的实时指标数据;
归类模块,用于对实时指标数据进行归类处理并建立目标指标体系;
权重计算模块,用于计算目标指标体系中的各个二级指标的权重,以得到对应的权重值;
模型建立模块,用于基于各个二级指标的权重值建立目标区域的影响与协作水平模型;
评估模块,用于根据目标指标体系和影响与协作水平模型对目标区域的影响与协作水平进行评估,生成评估结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一种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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236038.5A CN113919729A (zh) | 2021-10-22 | 2021-10-22 | 一种区域三生空间影响与协作水平评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236038.5A CN113919729A (zh) | 2021-10-22 | 2021-10-22 | 一种区域三生空间影响与协作水平评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919729A true CN113919729A (zh) | 2022-01-11 |
Family
ID=79242426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111236038.5A Pending CN113919729A (zh) | 2021-10-22 | 2021-10-22 | 一种区域三生空间影响与协作水平评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130887A (zh) * | 2022-07-08 | 2022-09-30 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
-
2021
- 2021-10-22 CN CN202111236038.5A patent/CN113919729A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130887A (zh) * | 2022-07-08 | 2022-09-30 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
CN115130887B (zh) * | 2022-07-08 | 2023-08-22 | 中国长江三峡集团有限公司 | 水库大坝环境影响评价方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115276006B (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
US10606862B2 (en) | Method and apparatus for data processing in data modeling | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN111178611B (zh) | 一种日电量预测的方法 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN105374209B (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN107748940B (zh) | 一种节电潜力量化预测方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测系统及其预测方法 | |
CN107273605B (zh) | 基于多重分类器系统的实测轴载谱确定方法 | |
CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN107729555A (zh) | 一种海量大数据分布式预测方法及系统 | |
CN114429245A (zh) | 一种工程造价数据的分析展示方法 | |
CN107256461B (zh) | 一种充电设施建设地址评价方法及系统 | |
CN110826785A (zh) | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN112396428A (zh) | 一种基于用户画像数据的客群分类管理方法及装置 | |
CN113919729A (zh) | 一种区域三生空间影响与协作水平评估方法及系统 | |
CN103942604A (zh) | 基于森林区分度模型的预测方法及系统 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及系统 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN109165854B (zh) | 空管运行效率等级评估方法及其装置 | |
CN110750572A (zh) | 一种科技成果启发式评价的自适应方法和装置 | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |