CN114048910B - 一种基于大数据的社区公共绿地组群布局优化方法 - Google Patents
一种基于大数据的社区公共绿地组群布局优化方法 Download PDFInfo
- Publication number
- CN114048910B CN114048910B CN202111362920.4A CN202111362920A CN114048910B CN 114048910 B CN114048910 B CN 114048910B CN 202111362920 A CN202111362920 A CN 202111362920A CN 114048910 B CN114048910 B CN 114048910B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- layout
- community
- green land
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 22
- 230000001419 dependent effect Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000013102 re-test Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于大数据的社区公共绿地组群布局优化方法,所述方法包括以下步骤:样本访客量数据库和布局基本特征数据库的建立;样本数据融合获得样本布局拓展特征数据库;影响访客量的样本布局关键因素确认;样本布局的优化策略。本发明通过多源大数据衡量大范围社区公共绿地组群的访客量、规模属性、结构属性及外部环境特征,以提升城市绿地规划分析的广度和精度;社区公共绿地组群布局关键因素识别方法,能同时对大范围社区公共绿地组群自身规模、外部环境、组群结构及绿地‑环境关联等多类布局相关因素展开整合分析,提取影响社区公共绿地组群访客量的布局关键因素及其作用方式,有效克服传统城市绿地访客量调查及布局分析的时空局限性。
Description
技术领域
本发明涉及城市空间布局领域,具体是一种基于大数据的社区公共绿地组群布局优化方法。
背景技术
随着城市开始转变发展模式、提升发展质量,城市绿地布局优化成为提高城市内部土地利用效率的重要途径。由于单个社区公共绿地服务容量有限,在城市建成区通常需建立互补协同的社区公共绿地组群来共同响应居民的服务需求。但由于城市建成区环境复杂,社区公共绿地组群服务效能(一般通过游客访问量为直接反映)通常受到社区公共绿地组群自身规模、结构、外部环境等多种布局因素影响,因素众多且作用方式各异。
对于社区公共绿地组群游客访问量的传统调查分析,通常通过场地观察、抽样调查等方式展开,需要耗费大量的人力、物力和财力,并且调查分析的时空局限性较大,难以对大范围多个社区公共绿地的访问数据展开时空同步采集,因而对影响社区公共绿地组群访问量的布局关键因素的类型及其作用方式识别判定精准度通常较低,导致很难对社区公共绿地组群的布局展开精准有效优化。
近年来,随着大数据技术的应用和推广,为城市社区公共绿地组群访问量和布局分析提供了大范围、高精度的基础数据支持。其中,出行大数据、手机信令数据等数据让社区公共绿地组群访问量数据的大范围时空同步采集成为现实,而高精度卫星遥感数据、土地利用数据、地图兴趣点数据、街景大数据、房产信息数据等数据类型的出现和应用则为大范围社区公共绿地组群自身规模及外部环境特征的衡量创造了条件,而以地理信息系统(GIS)为基础建立起的数据融合和分析平台则为多源大数据的融合重构和整合分析提供了有效支持。这些数据和技术的整合应用能在城市层面精准识别和分析社区公共绿地组群布局的关键因素类型、作用方式及其重要程度,为社区公共绿地组群布局的优化调控提供依据,有利于提升城市土地的利用效率。
发明内容
本发明的目的在于提供一种基于大数据的社区公共绿地组群布局优化方法,通过多源大数据衡量大范围社区公共绿地组群的访问量、布局基本特征和布局拓展特征,以提升社区公共绿地规划分析的广度和精度;基于客观理性分析的社区公共绿地组群布局关键因素识别方法,能同时对大范围城市绿地组群自身规模、外部环境、组群结构、绿地-环境关联等多种类型因素展开整合分析,识别确认特定区域内社区公共绿地组群布局的关键因素类型、作用方式及其重要程度,为社区公共绿地组群布局的优化调控提供客观依据,有效克服传统社区公共绿地布局分析过程中时空局限性较大,分析判断过程过于主观,关键因素识别精准性较低,布局优化困难的技术问题。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的社区公共绿地组群布局优化方法,所述社区公共绿地组群布局优化方法包括以下步骤:
S1:样本访客量数据库和布局基本特征数据库的建立
通过多源大数据的采集与清洗,获取待优化区域内社区公共绿地组群样本的访客量数据、自身规模数据和外部环境数据,在GIS上将样本访客量数据设定为样本访客量数据库,将样本自身规模数据和外部环境数据设定为样本布局基本特征数据库;
S2:样本数据融合获得样本布局拓展特征数据库
应用数据融合法重构样本的自身规模数据和外部环境数据,获得样本结构数据和样本-环境关联数据,在GIS上设定为样本布局拓展特征数据库;
S3:影响访客量的样本布局关键因素确认
以样本布局基本特征数据库和布局拓展特征数据库中的指标为初选自变量,访客量指标为因变量建立多元线性回归分析模型,识别确认影响样本访客量的布局关键因素类型、重要程度及其作用方式;
S4:样本布局的优化策略
应用k-means法根据样本访客量数据将待优化区域中所有样本进行聚类,根据聚类中心值设定样本布局优化优先级,聚类中心值越低样本布局优化优先级越高;按照布局优化优先级由高到低的顺序,依次分析各聚类样本中的布局关键因素指标,进行问题诊断;按照重要性排序,对访客量具有积极促进作用的布局因素指标进行依次强化,同时限制对访客量具有消极作用的指标,并将其统一纳入到布局优化策略中指导后续实施。
进一步的,将待优化区域按照街道、社区、街区等特定范围划分为多个社区公共绿地组群布局调控单元,每个布局调控单元内的社区公共绿地组群为所述样本i,样本之间形成样本集(i1,i2...in),样本集为社区公共绿地组群I,n为待优化区域内的样本数量,n不小于30。
进一步的,所述多源大数据的采集与清洗具体包括以下步骤:
S11:样本访客量数据采集与清洗流程;
S12:样本自身规模数据采集与清洗;
S13:样本外部环境数据采集与清洗。
进一步的,所述S11具体包括:依托腾讯“宜出行”出行大数据,获得特定时间或时段内的待优化区域内各社区公共绿地游客访问次数数据;将各个社区公共绿地访问次数数据按照所属样本汇总成为样本访客量数据,将其导入GIS平台。
进一步的,所述S12具体包括:
S121:以用地现状图为基础,提取各布局调控单元内社区公共绿地组群样本;
S122:通过高精度遥感影像图进行样本校验和完善,并将样本数据导入GIS平台;
S123:在GIS上通过空间数据统计分别提取各个样本内社区公共绿地总面积、数量、社区公共绿地单体面积、位置等数据;
S124:通过高精度遥感影像图和百度街景图获得各样本的绿化覆盖率、活动场地面积、座椅数量和服务设施面积等数据。
进一步的,所述S13具体包括:
依托地图平台,地图平台为百度地图、腾讯地图或高德地图,通过应用程序编程接口采集各个样本内兴趣点数据,提取与样本游客访问直接相关的兴趣点类型及其位置数据导入GIS平台,兴趣点类型为餐饮、商业零售和公共厕所,获得样本所在布局调控单元的设施环境数据;依托地图平台提取各类建筑的轮廓和层数数据导入GIS平台,并计算得到样本所在布局调控单元内各类建筑的容积率,获得样本所在布局调控单元的开发建设环境数据;依托高精度遥感图的归一化植被指数,获得样本所在布局调控单元的绿化环境数据,导入GIS平台;依托城市统计年鉴中的户均人口和链家、搜房网平台上的小区户数统计数据,获取样本所在布局调控单元的人口规模数据,导入GIS平台;根据全国人口普查数据或社区人口统计数据,获取样本所在布局调控单元的人口年龄构成数据,导入GIS平台。
进一步的,所述样本结构数据获取方法具体包括:
通过统计样本内部社区公共绿地位置数据计算样本内部社区公共绿地的平均距离、平均最近邻指数和空间形态紧凑度指数三类指标值,并导入GIS平台,共同构成样本结构数据;
AveDis为样本内社区公共绿地平均距离,k为样本中社区公共绿地数量,为样本内部社区公共绿地i与其他社区公共绿地的平均距离;
ANNR为样本平均最近邻指数,为样本内最邻近社区公共绿地平均距离,/>为样本内社区公共绿地在布局调控单元随机分布时的平均距离;
Di为样本内社区公共绿地i与它最邻近社区公共绿地之间距离;
LFCR为样本空间形态紧凑度,A为样本凸多边形面积,L为样本凸多边形周长。
进一步的,所述样本-环境关联指标数据获取方法具体包括:根据样本位置数据以及餐饮、商业零售及公共厕所位置数据计算样本内各个社区公共绿地最邻近餐饮、商业零售、公共厕所的距离,统计出样本最邻近餐饮、商业零售及公共厕所的平均距离,导入GIS平台。
进一步的,所述S3具体包括分析模型运行原理与过程:
S31:在SPSS软件上首先应用方差膨胀系数对初选自变量展开共线性检验,遇到方差膨胀系数大于5的变量组时,剔除组内对因变量变化解释度最低的自变量后进行再检验,一直到所有自变量方差膨胀系数值均低于5时,完成对自变量初步筛选;
S32:以样本访客量指标为因变量,分别以初步筛选后的样本自身规模指标、外部环境指标、样本结构指标、样本-环境关联指标为自变量组,采用多元线性回归模型用方差检验统计量分别检验各类型自变量组对因变量变化影响的整体显著性;显著性水平α值设定后,方差检验统计量大于该显著性水平条件下的计算临界值视为具有显著性特征;根据显著性检验结果,剔除结果中不显著的自变量类型,完成自变量筛选;
S33:将筛选后的所有自变量带入多元线性回归模型,根据p值检验结果提取出对因变量具有显著影响的自变量指标,p值小于0.05,视为该自变量对因变量的变化具有显著性影响;
S34:根据归一化相关系数极性将自变量分为积极作用因素和消极作用因素,根据回归系数检验值判定自变量对因变量的作用程度,按照作用程度对积极因素和消极因素的重要性展开排序。
进一步的,所述S3样本的自身规模指标包括社区公共绿地面积、绿地内部活动场地面积和各类服务设施面积;外部环境指标包括样本所在布局调控单元内各类游憩服务设施数量、样本所在布局调控单元内商业、办公和居住各类建筑容积率、样本所在布局调控单元绿化覆盖率、样本所在布局调控单元居民人口总数和样本所在布局调控单元各年龄段居民人口数量;样本结构指标包括社区公共绿地平均距离、平均最邻近指数和布局紧凑度;样本-环境关联指标包括最邻近餐饮、商业零售、公共厕所平均距离。
本发明的有益效果:
1、本发明绿地组群布局优化方法通过多源大数据衡量大范围社区公共绿地组群的自身规模、外部环境、结构及绿地-环境关联特征的方法,以提升社区公共绿地规划分析的广度和精度;
2、本发明绿地组群布局优化方法基于客观理性分析的城市绿地组群结构影响因素识别方法,能同时对大范围城市绿地组群自身规模、外部环境、结构及绿地-环境关联等多种类型因素展开整合分析,提取城市绿地组群布局的关键因素、作用方式及其重要性,为社区公共绿地组群布局的优化调控提供针对性依据,有效克服传统城市绿地布局分析的时空局限性较大,分析判断过程过于主观,关键因素识别精准性较低、布局优化困难的技术问题。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明绿地组群结构优化方法流程图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于大数据的社区公共绿地组群结构优化方法,社区公共绿地组群结构优化方法包括以下步骤:
S1:样本访客量数据库和布局基本特征数据库的建立
待优化区域内有多个样本i,样本之间形成样本集(i1,i2...in),样本集为结构单元I,n为结构单元内的样本数量,待优化区域可以是社区、街道、街区等进行划分,
通过多源大数据的采集与清洗,获取待优化区域内社区公共绿地组群样本的访客量数据、自身规模数据和外部环境数据,在GIS(地理信息系统)上将样本访客量数据设定为样本访客量数据库,将样本自身规模数据和外部环境数据设定为样本布局基本特征数据库;
多源大数据的采集、清洗与校验具体包括以下步骤:
S11:样本访客量数据采集与清洗流程:
依托腾讯“宜出行”出行大数据,获得特定时间或时段内的待优化区域内各社区公共绿地游客访问次数数据;将各个社区公共绿地访问次数数据按照所属样本汇总成为样本访客量数据,将其导入GIS平台;
S12:样本自身规模数据采集与清洗:
S121:以用地现状图为基础,提取各布局调控单元内社区公共绿地组群样本;
S122:通过高精度遥感影像图进行样本校验和完善,并将样本数据导入GIS平台;
S123:在GIS上通过空间数据统计分别提取各个样本内社区公共绿地总面积、数量、社区公共绿地单体面积、位置等数据;
S124:通过高精度遥感影像图和百度街景图获得各样本的绿化覆盖率、活动场地面积、座椅数量和服务设施面积等数据。
S13:样本外部环境数据采集与清洗:
依托地图平台,地图平台为百度地图、腾讯地图或高德地图,通过应用程序编程接口(Application Programming Interface)采集各个样本内兴趣点(Point of Interest)数据,提取与样本游客访问直接相关的兴趣点类型及其位置数据导入GIS平台,兴趣点类型为餐饮、商业零售和公共厕所,获得样本所在布局调控单元的设施环境数据;依托地图平台提取各类建筑的轮廓和层数数据导入GIS平台,并计算得到样本所在布局调控单元内各类建筑的容积率,获得样本所在布局调控单元的开发建设环境数据;依托高精度遥感图的归一化植被指数(Normalized Difference Vegetation Index),获得样本所在布局调控单元的绿化环境数据,导入GIS平台;依托城市统计年鉴中的户均人口和链家、搜房网等平台上的小区户数统计数据,获取样本所在布局调控单元的人口规模数据,导入GIS平台;根据全国人口普查数据或社区人口统计数据,获取样本所在布局调控单元的人口年龄构成数据,导入GIS平台。
S2:样本数据融合获得样本布局拓展特征数据库
应用数据融合法重构样本的自身规模数据和外部环境数据,获得样本结构数据和样本-环境关联数据,在GIS上设定为样本拓展特征数据库;
样本结构数据获取方法具体包括:通过统计样本内部社区公共绿地位置数据计算样本内部社区公共绿地的平均距离(AveDis)、平均最近邻指数(ANNR)和空间形态紧凑度指数(LFCR)三类指标值,并导入GIS平台,共同构成样本结构数据。
AveDis为样本内社区公共绿地平均距离,k为样本中社区公共绿地数量,为样本内部社区公共绿地i与其他社区公共绿地的平均距离;
ANNR为样本平均最近邻指数,为样本内最邻近社区公共绿地平均距离,/>为样本内社区公共绿地在布局调控单元随机分布时的平均距离;
Di为样本内社区公共绿地i与它最邻近社区公共绿地之间路径距离;
LFCR为样本空间形态紧凑度,A为样本凸多边形面积,L为样本凸多边形周长。
样本-环境关联指标数据获取方法:根据样本位置数据以及餐饮、商业零售及公共厕所位置数据计算样本内各个社区公共绿地最邻近餐饮、商业零售、公共厕所的距离,统计出样本最邻近餐饮、商业零售及公共厕所的平均距离,导入GIS平台。
S3:影响访客量的样本布局关键因素确认
以样本布局基本特征数据库(含自身规模指标和外部环境指标)和布局拓展特征数据库(含结构指标和样本-环境关联指标)中的指标为初选自变量,访客量指标为因变量建立多元线性回归分析模型,识别确认影响样本访客量的布局关键因素类型、重要程度及其作用方式;
样本布局基本特征数据库包括自身规模指标和外部环境指标,样本的自身规模指标包括社区公共绿地面积、绿地内部活动场地面积和各类服务设施面积等;外部环境指标包括样本所在布局调控单元内各类游憩服务设施数量、样本所在布局调控单元内商业、办公和居住各类建筑容积率、样本所在布局调控单元绿化覆盖率、样本所在布局调控单元居民人口总数和样本所在布局调控单元各年龄段居民人口数量等;
布局拓展特征数据库包括结构指标和样本-环境关联指标,样本结构指标包括社区公共绿地平均距离、平均最邻近指数和布局紧凑度;样本-环境关联指标包括最邻近餐饮、商业零售及公共厕所平均距离。
分析模型运行原理与过程包括以下步骤:
S31:在SPSS软件上首先应用方差膨胀系数(variance inflation factor,VIF)对初选自变量展开共线性检验,遇到共线性过高(VIF>5)变量组时,剔除组内对因变量变化解释度最低的自变量后进行再检验,一直到所有自变量VIF值均低于5时,完成对自变量初步筛选;
S32:以样本访客量指标为因变量,分别以初步筛选后的样本自身规模指标、外部环境指标、样本结构指标、样本-环境关联指标为自变量组,采用多元线性回归模型用F值(方差检验统计量,用于自变量组全局检验)分别检验各类型自变量组对因变量变化影响的整体显著性。显著性水平α值(一般设为0.05)设定后,F值大于该显著性水平条件下的计算临界值视为具有显著性特征。根据显著性检验结果,剔除结果中不显著的自变量类型,完成自变量筛选;
S33:将筛选后的所有自变量带入多元线性回归模型,根据p值检验结果提取出对因变量具有显著影响(一般条件下p值小于0.05,视为该自变量对因变量的变化具有显著性影响)的自变量指标;
S34:根据归一化相关系数(NCC)极性将自变量分为积极作用因素和消极作用因素,根据t值(回归系数检验值,即β值,对每个自变量进行逐个检验)判定自变量对因变量的作用程度,按照作用程度对积极因素和消极因素的重要性展开排序。
S4:样本布局的优化策略
应用k-means法根据样本访客量数据将待优化区域中所有样本进行聚类,根据聚类中心值设定样本布局优化优先级,聚类中心值越低样本布局优化优先级越高;按照布局优化优先级由高到低的顺序,依次分析各聚类样本中的布局关键因素指标,进行问题诊断;按照重要性排序,对访客量具有积极促进作用的布局因素指标进行依次强化,同时限制对访客量具有消极作用的指标,并将其统一纳入到布局优化策略中指导后续实施。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述绿地组群布局优化方法包括以下步骤:
S1:样本访客量数据库和布局基本特征数据库的建立通过多源大数据的采集与清洗,获取待优化区域内社区公共绿地组群样本的访客量数据、自身规模数据和外部环境数据,在GIS上将样本访客量数据设定为样本访客量数据库,将样本自身规模数据和外部环境数据设定为样本布局基本特征数据库;
S2:样本数据融合获得样本布局拓展特征数据库
应用数据融合法重构样本的自身规模数据和外部环境数据,获得样本结构数据和样本-环境关联数据,在GIS上设定为样本布局拓展特征数据库;
S3:影响访客量的样本布局关键因素确认
以样本布局基本特征数据库和布局拓展特征数据库中的指标为初选自变量,访客量指标为因变量建立多元线性回归分析模型,识别确认影响样本访客量的布局关键因素类型、重要程度及其作用方式;
S4:样本布局的优化策略
应用k-means法根据样本访客量数据将待优化区域中所有样本进行聚类,根据聚类中心值设定样本布局优化优先级,聚类中心值越低样本布局优化优先级越高;按照布局优化优先级由高到低的顺序,依次分析各聚类样本中的布局关键因素指标,进行问题诊断;按照重要性排序,对访客量具有积极促进作用的布局因素指标进行依次强化,同时限制对访客量具有消极作用的指标,并将其统一纳入到布局优化策略中指导后续实施;
所述样本结构数据获取方法具体包括:
通过统计样本内部社区公共绿地位置数据计算样本内部社区公共绿地的平均距离、平均最近邻指数和空间形态紧凑度指数三类指标值,并导入GIS平台,共同构成样本结构数据;
AveDis为样本内社区公共绿地平均距离,k为样本中社区公共绿地数量,为样本内部社区公共绿地i与其他社区公共绿地的平均距离;
ANNR为样本平均最近邻指数,为样本内最邻近社区公共绿地平均距离,/>为样本内社区公共绿地在布局调控单元随机分布时的平均距离;
Di为样本内社区公共绿地i与它最邻近社区公共绿地之间距离;
LFCR为样本空间形态紧凑度,A为样本凸多边形面积,L为样本凸多边形周长;
所述S3具体包括分析模型运行原理与过程:
S31:在SPSS软件上首先应用方差膨胀系数对初选自变量展开共线性检验,遇到方差膨胀系数大于5的变量组时,剔除组内对因变量变化解释度最低的自变量后进行再检验,一直到所有自变量方差膨胀系数值均低于5时,完成对自变量初步筛选;
S32:以样本访客量指标为因变量,分别以初步筛选后的样本自身规模指标、外部环境指标、样本结构指标、样本-环境关联指标为自变量组,采用多元线性回归模型用方差检验统计量分别检验各类型自变量组对因变量变化影响的整体显著性;显著性水平α值设定后,方差检验统计量大于该显著性水平条件下的计算临界值视为具有显著性特征;根据显著性检验结果,剔除结果中不显著的自变量类型,完成自变量筛选;
S33:将筛选后的所有自变量带入多元线性回归模型,根据p值检验结果提取出对因变量具有显著影响的自变量指标,p值小于0.05,视为该自变量对因变量的变化具有显著性影响;
S34:根据归一化相关系数极性将自变量分为积极作用因素和消极作用因素,根据回归系数检验值判定自变量对因变量的作用程度,按照作用程度对积极因素和消极因素的重要性展开排序。
2.根据权利要求1所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,将待优化区域按照街道、社区、街区特定范围划分为多个社区公共绿地组群布局调控单元,每个布局调控单元内的社区公共绿地组群为所述样本i,样本之间形成样本集(i1,i2...in),样本集为社区公共绿地组群I,n为待优化区域内的样本数量,n不小于30。
3.根据权利要求1或2所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述多源大数据的采集与清洗具体包括以下步骤:
S11:样本访客量数据采集与清洗流程;
S12:样本自身规模数据采集与清洗;
S13:样本外部环境数据采集与清洗。
4.根据权利要求3所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述S11具体包括:依托腾讯“宜出行”出行大数据,获得特定时间或时段内的待优化区域内各社区公共绿地游客访问次数数据;将各个社区公共绿地访问次数数据按照所属样本汇总成为样本访客量数据,将其导入GIS平台。
5.根据权利要求3所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述S12具体包括:
S121:以用地现状图为基础,提取各布局调控单元内社区公共绿地组群样本;
S122:通过高精度遥感影像图进行样本校验和完善,并将样本数据导入GIS平台;
S123:在GIS上通过空间数据统计分别提取各个样本内社区公共绿地总面积、数量、社区公共绿地单体面积、位置数据;
S124:通过高精度遥感影像图和百度街景图获得各样本的绿化覆盖率、活动场地面积、座椅数量和服务设施面积数据。
6.根据权利要求3所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述S13具体包括:
依托地图平台,地图平台为百度地图、腾讯地图或高德地图,通过应用程序编程接口采集各个样本内兴趣点数据,提取与样本游客访问直接相关的兴趣点类型及其位置数据导入GIS平台,兴趣点类型为餐饮、商业零售和公共厕所,获得样本所在布局调控单元的设施环境数据;依托地图平台提取各类建筑的轮廓和层数数据导入GIS平台,并计算得到样本所在布局调控单元内各类建筑的容积率,获得样本所在布局调控单元的开发建设环境数据;依托高精度遥感图的归一化植被指数,获得样本所在布局调控单元的绿化环境数据,导入GIS平台;依托城市统计年鉴中的户均人口和链家、搜房网平台上的小区户数统计数据,获取样本所在布局调控单元的人口规模数据,导入GIS平台;根据全国人口普查数据或社区人口统计数据,获取样本所在布局调控单元的人口年龄构成数据,导入GIS平台。
7.根据权利要求1所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述样本-环境关联指标数据获取方法具体包括:根据样本位置数据以及餐饮、商业零售及公共厕所位置数据计算样本内各个社区公共绿地最邻近餐饮、商业零售、公共厕所的距离,统计出样本最邻近餐饮、商业零售及公共厕所的平均距离,导入GIS平台。
8.根据权利要求1所述的一种基于大数据的社区公共绿地组群布局优化方法,其特征在于,所述S3样本的自身规模指标包括社区公共绿地面积、绿地内部活动场地面积和各类服务设施面积;外部环境指标包括样本所在布局调控单元内各类游憩服务设施数量、样本所在布局调控单元内商业、办公和居住各类建筑容积率、样本所在布局调控单元绿化覆盖率、样本所在布局调控单元居民人口总数和样本所在布局调控单元各年龄段居民人口数量;样本结构指标包括社区公共绿地平均距离、平均最邻近指数和布局紧凑度;样本-环境关联指标包括最邻近餐饮、商业零售和公共厕所平均距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362920.4A CN114048910B (zh) | 2021-11-17 | 2021-11-17 | 一种基于大数据的社区公共绿地组群布局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362920.4A CN114048910B (zh) | 2021-11-17 | 2021-11-17 | 一种基于大数据的社区公共绿地组群布局优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048910A CN114048910A (zh) | 2022-02-15 |
CN114048910B true CN114048910B (zh) | 2024-03-29 |
Family
ID=80209798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362920.4A Active CN114048910B (zh) | 2021-11-17 | 2021-11-17 | 一种基于大数据的社区公共绿地组群布局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048910B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857983A (zh) * | 2018-12-29 | 2019-06-07 | 河南工程学院 | 一种面向超大城市的餐饮场馆热度分析方法 |
CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082362A1 (en) * | 2008-09-17 | 2010-04-01 | Baker Salsbury | Method and Apparatus for Assessing Salient Characteristics of a Community |
-
2021
- 2021-11-17 CN CN202111362920.4A patent/CN114048910B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857983A (zh) * | 2018-12-29 | 2019-06-07 | 河南工程学院 | 一种面向超大城市的餐饮场馆热度分析方法 |
CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114048910A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
CN106600960A (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN105657666B (zh) | 一种基于手机定位数据的商务就业人群居住地识别方法 | |
CN108282860A (zh) | 数据处理方法及装置 | |
CN102520464A (zh) | 区域积涝预报系统及其预报方法 | |
CN108717676A (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及系统 | |
Cappelaere et al. | Hydrologic process simulation of a semiarid, endoreic catchment in Sahelian West Niger. 2. Model calibration and uncertainty characterization | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN104320789A (zh) | 一种基于博弈论的车联网rsu最优配置方法 | |
CN104679942A (zh) | 一种基于数据挖掘的建设用地承载效率测度方法 | |
Bi et al. | The impact of urban green space morphology on PM2. 5 pollution in Wuhan, China: A novel multiscale spatiotemporal analytical framework | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
CN115496146A (zh) | 城市生态修复优先顺序识别方法、装置及电子设备 | |
CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
CN111311302A (zh) | 一种基于多源数据驱动的房产智能评估方法 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN114048910B (zh) | 一种基于大数据的社区公共绿地组群布局优化方法 | |
Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
CN116911507A (zh) | 基于空间投影寻踪的城市街区活力评价方法及存储介质 | |
CN112434262A (zh) | 一种滨水公共空间活力影响因素识别方法及终端 | |
CN115453664A (zh) | 一种适用于无资料地区的降雨径流预报方法 | |
CN113408867B (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |