CN114139827B - 一种城市功能区功能绩效的智能感知与优化方法 - Google Patents
一种城市功能区功能绩效的智能感知与优化方法 Download PDFInfo
- Publication number
- CN114139827B CN114139827B CN202111497903.1A CN202111497903A CN114139827B CN 114139827 B CN114139827 B CN 114139827B CN 202111497903 A CN202111497903 A CN 202111497903A CN 114139827 B CN114139827 B CN 114139827B
- Authority
- CN
- China
- Prior art keywords
- functional
- urban
- plaque
- function
- index
- 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
- 230000006870 function Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 230000008447 perception Effects 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000002156 mixing Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008451 emotion Effects 0.000 claims description 8
- 238000012896 Statistical algorithm Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000004308 accommodation Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000010865 sewage Substances 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于信息检索领域的一种城市功能区功能绩效的智能感知与优化方法,包括:根据功能区聚类的结果对各城市斑块进行功能指标量化统计;获取各城市斑块的自发地理信息数据,通过语义识别判定质量指数;基于各城市斑块的功能指标与质量指数进行仿真训练,使用机器学习方法建立城市功能区的功能质量预测模型;判断预测模型与既有自发地理信息评价指数是否一致,如果不一致,则继续进行模型训练,如果一致,则输出预测模型。本发明依托POI数据进行功能区聚类,基于功能指标与VGI质量指数进行仿真训练,自动建立城市功能质量预测模型,解决了传统城市功能区功能绩效研究耗费人力、不够客观、效率低下的技术问题。
Description
技术领域
本发明属信息检索技术领域,具体为一种城市功能区功能绩效的智能感知与优化方法。
背景技术
增强城市功能区的功能绩效评价对城市的可持续发展至关重要,这不仅关系到城市人口和社会资本的合理布局,还与居民健康、工业产值以及商业活力联系紧密。一旦城市某一区域的功能绩效与其功能定位不匹配,该区域就会变得单调缺乏活力,甚至出现住宅空置、人口流失、过度开发等城市问题,严重危害城市系统的稳定性与可持续性。
目前学者对城市功能区功能绩效评价的研究取得了丰硕成果,但仍存在评价对象单一、动态性不足、缺乏科学优化方法等问题。现有研究通常采取实地观察法、问卷调查法等,然而这些方法费时费力,数据的代表性有限,一定程度上限制了城市功能绩效评价的深度和广度。
自智慧城市理念提出以来,大数据与机器学习方法为城市规划工作提供了新手段、新方法。许多平台提供了兴趣点(Point of Interest,POI)与自发地理信息(Volunteered Geographic Information,VGI)数据,新的数据和方法为城市功能绩效评价奠定了充分的数据基础。但已有技术在城市功能绩效评价过程中仍存在需要人工介入,评价结果不够客观且效率低下,同时无法实时监测的问题。鉴于此,本发明研究了一种综合、高效、客观的方法来弥补现有城市功能绩效评价的不足。
发明内容
针对背景技术中存在的问题,本发明提供了一种城市功能区功能绩效的智能感知与优化方法,其特征在于,包括:
S1、根据交通路网中的主干路、次干路和重要支路,将围合形成的城市斑块作为基本空间分析单元,记为J1、J2、J3…Jm(m≤M),其中M代表斑块总数;
S2、获取既有城市斑块内的功能兴趣点数据;根据功能POI数据本身包括的功能性类别,对各城市斑块进行功能区聚类;
S3、根据功能区聚类的结果对各城市斑块进行功能指标量化统计;
S4、获取各城市斑块的自发地理信息数据,通过语义识别判定质量指数;
S5、基于各城市斑块的功能指标与质量指数进行仿真训练,使用机器学习方法建立城市功能区的功能质量预测模型;
S6、判断预测模型与既有自发地理信息评价指数是否一致,如果不一致,则继续进行模型训练,如果一致,则输出预测模型;
所述S5包括:
步骤51、输入
建立W个城市斑块的训练样本D=[(X1,Y1),(X2,Y2),…,(Xw,Yw),…,(XW,YW)],W∈M;构成方式为:Yw是第w个城市斑块Jw的真实质量指数、Xw=(xw1,xw2,xw3,…,xwU)是该斑块的U项功能指标,w∈W;空项记为0;最大迭代次数ITER和迭代差值阈值ε;模型残差系数λ;模型学习率η;
步骤52、初始化
令W个城市斑块的质量预测值迭代次数iter=1;损失函数优选的是均方误差损失函数/>其一、二阶导数记为:g=2(Yw-Yw(iter-1)和h=-2;Yw(iter-1)为斑块质量预测中间变量;
步骤53、迭代计算模型
根据现有样本,通过四层循环不断地迭代进行特征分裂学习新函数fiter(Xw),以拟合上次预测的残差,四层循环分别为:全局迭代层、结点层、功能指标层和功能指标取值层;
步骤54、输出预测结果:
对Jm城市斑块,代入其功能指标Xm=(xm1,xm2,xm3,…,xmU)即可获得质量预测值
所述53包括:
步骤531、在全局迭代层,开始迭代,输出结点;其中迭代条件为:残差(Yw-Yw(iter-1))2<ε或iter<ITER;
步骤532、在结点层,汇总当前结点上的样本集合Dr,Dr∈D;
步骤533、判断样本集合Dr的容量大小,如果Dr的容量大于1,进入步骤534;如果Dr的容量小于等于1,则标记该结点完成,切换至下一个未完成结点执行步骤532,如不存在未完成结点,则跳转至步骤538;
步骤534、进入功能指标层,对于第1~U种功能指标,分别循环步骤535~步骤536;
步骤535、进入功能指标取值层,按照第u种功能指标的大小,排序获得整理后的样本集合Dru,其中无空项的样本集合计算第u种功能指标下,损失函数的一阶导数总和二阶导数总和/>和缺失样本带来的损失熵
步骤536、维持功能指标取值层,遍历第u种功能指标的所有取值,寻找得分Score最高的取值作为最佳分块点;分块策略是:指标小于当前取值的记为L区,对应样本集合DruL,大于当前取值的记为R区,对应样本集合DruR;具体步骤是:
初始化GL=GR=0,HL=HR=0;
针对当前分块策略,计算同样有GR=G-GL,HR=H-HL;记录本次得分/>
遍历第u种功能指标的所有取值,记录使Scoreu最大的第u种功能指标对应的取值。
步骤537、返回功能指标层,遍历完毕全部U种功能指标,输出Score:
Score=max(Score1,Score2,…,Scoreu,…,ScoreU),输出对应的功能指标序号和取值,作为当前结点的最佳分块点,新分裂的结点会与旧结点组成结点集合,新分裂的结点位于结点集合的队尾,输出当时对应的样本集合DruL和DruR,返回步骤532;
步骤538、返回结点层,输出本轮迭代对应的新函数得到
步骤539、返回全局迭代层,检测迭代条件是否满足,是则继续迭代,输出本次迭代完整的结点序列并返回步骤531;否则结束迭代,同时输出函数序列fiter(Xw)和迭代次数iter_f=iter。
所述S2中进行功能区聚类具体为:
对功能POI数据中的大功能性类别计算Ik类功能在Jm城市斑块中的功能混合度当某一大类功能超过设定的聚类阈值α时,则可将该斑块划定为相应功能区;若各大类功能均不超过聚类阈值,则该斑块划定为混合区:
其中,表示在Jm城市斑块中Ik类大功能性类别的POI点的总个数,/>表示Jm城市斑块中全部大功能性类别的POI点的总个数。
所述聚类阈值α的计算方法包括:
步骤21、从现有数据的M个城市斑块中选择N个,由规划学者对其进行功能区聚类后作为统计样本;
步骤22、构建聚类事项函数
对于聚类事项函数中的样本计算Ik类功能在Jm城市斑块中的功能混合度
其中,表示在Jm城市斑块中Ik类大功能性类别的POI点的总个数,/>表示Jm城市斑块中全部大功能性类别的POI点的总个数;
步骤23、通过计算确定聚类阈值α:
首先将初始滑动聚类阈值α0设定为0.5,而后经统计学算法确定滑动聚类阈值t1为滑动次数,t1≥0;以0.01为变化量向上滑动,以确定准确的聚类阈值α:
当时,/>记为1;当/>时,/>记为0;
当该数值随后符合时,输出滑动聚类阈值/>作为聚类阈值α。
所述S4中的语义识别与真实质量指数判定为:
对斑块Jm,基于大数据和算法模型的搭建,依托自然语言学习,形成面向城市斑块质量的智能评价算法框架,通过自然语言分词技术识别城市居民对相应斑块评价中具有情感倾向性的词汇,并依据程度副词对上述具有情感倾向性的词汇赋予不同的权重,加权求和得到该条评论所对应的质量指数;确定各条评论相对应的贡献度qi,其中0≤qi≤10,且i=1,2,……,Q,
Q为该斑块内的评论数,完成对该斑块所有评论的语义识别后,归一化处理得到Jm斑块的真实质量指数:
Ym最终数值范围为1、2、3…10,其中Ym越大代表斑块质量越好。
在所述S6之后:
S7、对各城市斑块的功能兴趣点与功能指标进行动态监测,并计算其质量指数,当质量指数低于预警阈值时自动报警;
S8、通过逆推导预测模型对城市斑块进行功能优化,以图文形式输出功能区更新优化方案。
所述S7中对各城市斑块功能POI进行动态监测的实现方式为:通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数。
所述S7中各城市斑块真实质量指数报警,具体为:
通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数;
预先为四类功能区分别设定预警阈值β,当真实质量指数大于β时,程序正常运行;当真实质量指数小于β时,程序报警,并标明报警斑块。
所述预警阈值β的确定方式为:
首先根据城市规划经验将初始滑动预警阈值β0设定为5,而后经统计学算法使滑动预警阈值滑动预警阈值t2为滑动次数,t2≥0,以0.1为变化量向上滑动,以确定准确的预警阈值β,具体实现方式为:
步骤71、从现有数据的M个城市斑块中选择H个城市斑块,将被选择的H个城市斑块的真实质量指数作为统计样本;在各城市斑块中根据地域的特性包括K个大功能性类别,k为大功能性类别的类标;
步骤72、构建预警事项函数
对于样本其真实质量指数为/>当/>时,/>记为1;当/>时,/>记为0;
步骤73、当时,输出滑动预警阈值βt作为预警阈值β。
所述S8中对功能区更新规划方案进行真实质量指数预测与功能优化,具体实现方式为:
通过逆推导预测模型,对S7中报警的城市斑块进行功能优化,以图文形式输出优化后的各项功能指标,形成功能区更新优化方案。
本发明的有益效果在于:
1.本发明可以自动获取POI、VGI等数据完成城市功能质量指数预测模型训练,无需人工专家干预;和已有技术相比,本发明实用性更大,科学性更高,动态性更强,更能为城市功能区的动态优化和自适应调节提供支持。
2.本发明依托POI数据进行功能区聚类,基于功能指标与VGI质量指数进行仿真训练,自动建立城市功能质量预测模型,解决了传统城市功能区功能绩效研究耗费人力、不够客观、效率低下的技术问题。
3.本发明可以对城市斑块功能POI与功能指数进行动态监测与质量指数预测,进而对功能区更新规划方案进行功能优化,实现城市规划决策制定的动态性与精细化,提升决策的即时性与有效性。
附图说明
图1为本发明一种城市功能区功能绩效的智能感知与优化方法实施例的流程示意图。
具体实施方式
以下结合附图对本发明作进一步的详细说明。
如图1所示的本发明实施例,包括:
S1、根据交通路网将城市区域划分为若干城市斑块,作为基本空间分析单元;
S2、获取既有城市斑块内的功能兴趣点(POI)数据;根据功能POI数据本身包括的功能性类别,对各城市斑块进行功能区聚类;
S3、根据功能区聚类的结果对各城市斑块进行功能指标量化统计;
S4、获取各城市斑块的自发地理信息(VGI)数据,通过语义识别判定真实质量指数;
S5、基于各城市斑块的功能指标与真实质量指数进行仿真训练,使用机器学习方法建立城市功能区的功能质量预测模型;
S6、判断预测模型与既有VGI评价指数是否一致,如果不一致,则继续进行模型训练,如果一致,则输出预测模型;
S7、对各城市斑块的功能POI与功能指标进行动态监测,并计算其真实质量指数,当真实质量指数低于预警阈值时自动报警;
S8、通过逆推导预测模型对城市斑块进行功能优化,以图文形式输出功能区更新优化方案。
在本实施例中,S1中的根据交通路网将城市区域划分为若干城市斑块的过程具体为:根据交通路网中的主干路、次干路和重要支路,将围合形成的城市斑块作为基本空间分析单元,记为J1、J2、J3…Jm(m≤M),其中M代表斑块总数。
需要说明的是,本实施例中所述城市区域为城市建成区,即城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的地区。
S2中各功能POI数据获取的方式为:基于百度地图提供的数据接口,借助爬虫爬取既有各城市斑块内的功能POI数据。
S2中进行功能区聚类具体为:
基于功能POI数据计算各城市斑块的功能混合度,并根据阈值对功能混合度与各大功能性类别进行比对,当城市斑块中的某一大功能性类别超过设定的聚类阈值时,将符合条件的城市斑块列入划分进的大功能性类别所对因的功能区中,其中功能区包括:混合区和K个与大功能性类别对应的功能区;
更为具体的,对功能POI数据中的大功能性类别计算Ik类功能在Jm城市斑块中的功能混合度当某一大类功能超过设定的聚类阈值α时,则可将该斑块划定为相应功能区;为了更精确地对既有的城市斑块进行功能区聚类,划分出混合区,若各大类功能均不超过聚类阈值,则该斑块划定为混合区;
S2中所爬取的功能POI数据根据功能性的类别包括q个小功能性类别,根据地域的特性包括K个大功能性类别;在本实施例中,K=3,大功能性类别具体包括:生活类、工业类、商业类3大类,功能区包括生活区(对应生活类)、工业区(对应工业类)、商业区(对应商业类)和混合区;
其中聚类阈值α的计算方法包括:
步骤21、从现有数据的M个城市斑块中选择N个,由规划学者对其进行功能区聚类后作为统计样本;
在本实施例中,包括小功能性类别q=10,其中各小功能性类别具体为:餐饮服务、旅游景点、公共服务、公司企业、购物服务、科学,教育和文化服务、商务住宿、生活服务、体育娱乐,以及政府机构和社会团体;这10个小类功能性类别分别属于为生活类(I1)、工业类(I2)、商业类(I3)3个大功能性类别,分类方式具体为:
生活类:公共服务、科学,教育和文化服务、生活服务、体育娱乐;
工业类:公司企业、政府机构和社会团体;
商业类:餐饮服务、旅游景点、购物服务、商务住宿。
步骤22、构建聚类事项函数
对于聚类事项函数中的样本计算Ik类功能在Jm城市斑块中的功能混合度
其中,表示在Jm城市斑块中Ik类大功能性类别的POI点的总个数,/>表示Jm城市斑块中全部大功能性类别的POI点的总个数;
步骤23、通过计算确定聚类阈值α:
为保证城市功能区聚类的准确性,应首先根据城市规划经验将初始滑动聚类阈值α0设定为0.5,而后经统计学算法确定滑动聚类阈值(t1为滑动次数,t1≥0)以0.01为变化量向上滑动,以确定准确的聚类阈值α:
当时,/>记为1;当/>时,/>记为0;
将全部统计样本的聚类事项函数之和比上统计样本总数N,当该数值≥0.9时,输出滑动聚类阈值/>作为聚类阈值α,该数值具体为:
在本实施例中,聚类阈值α经计算最终为0.75。
功能区或混合区的划定方法为:
计算混合区,三类功能的功能混合度均小于聚类阈值α的城市斑块为混合区,其聚类方式为:
对于Jm城市斑块,当其任意一类功能的功能混合度中的最大值大于聚类阈值α时,则将其划定为该功能区;当其三类功能的功能混合度中的最大值小于聚类阈值α时,便将其定义为混合区,其中:
S3中功能指标数据来源为对各类大数据平台和政府平台中的一种或多种进行爬取,如:对百度慧眼(大数据平台)、链家网(大数据平台)和生态环境部(政府平台)等中进行爬取以获得所需的数据。
本实施例中,功能区所包含要素繁多,步骤S3中功能区功能指标量化统计所需的数据类型分别如下所示:
生活区:人均避难场所面积、二级及以上医院覆盖率、公园绿地服务半径覆盖率、社区便民服务设施覆盖率、社区养老服务设施覆盖率、普惠性幼儿园覆盖率、人均社区体育场地面积、老旧小区用地面积占比、高层高密度住宅用地占比、平均单程通勤时间、停车泊位与汽车拥有量的比例等。
工业区:工业垃圾回收利用率、生产污水集中收集率、绿化覆盖率、各类管网普查建档率、空气质量优良天数/月、噪声峰值/天、工业遗产利用率、破旧建筑物占比、停车泊位与停车需求的比例、休闲娱乐场所覆盖率、服务设施覆盖率、高新技术企业数等。
商业区:知名品牌入驻数、景观小品设置密度、蓝绿空间占比、娱乐设施参与率、高峰时间平均机动车速度、停车泊位与停车需求的比例、城市道路网密度、公共交通出行分担率、区域开发强度、公厕设置密度、引导指示标志设置密度、公共空间无障碍设施覆盖率、金融设施覆盖率等。
混合区:依照步骤S2计算得到的功能混合度,按功能比例从上述三类功能区功能指标量化统计所需的数据类型中进行选择。
S4中VGI数据来源为各类社交网站或签到应用,如:新浪微博、大众点评、人人网等。
S4中语义识别与真实质量指数判定,具体实现方式为:
基于大数据和算法模型的搭建,依托自然语言学习,形成面向城市斑块质量的智能评价算法框架,具体步骤包括:通过自然语言分词技术识别城市居民对相应斑块评价中具有情感倾向性的词汇,并依据程度副词对上述具有情感倾向性的词汇赋予不同的权重,加权求和得到该条评论所对应的质量指数;然后通过逐条比较评论,确定各条评论相对应的贡献度,完成对该斑块所有评论的语义识别后,归一化处理得到真实质量指数:
具体实现方式为:基于大数据和算法模型的搭建,依托自然语言学习,形成面向城市斑块质量的智能评价算法框架,以斑块Jm为例,通过自然语言分词技术识别城市居民对相应斑块评价中具有情感倾向性的词汇(如有趣、无聊等),并依据程度副词对上述具有情感倾向性的词汇赋予不同的权重,加权求和得到该条评论所对应的质量指数;确定各条评论相对应的贡献度qi(其中0≤qi≤10,且i=1,2,……,Q,Q为该斑块内的评论数),完成对该斑块所有评论的语义识别后,归一化处理得到Jm斑块的真实质量指数:
Ym最终数值范围为1、2、3…10,其中Ym越大代表斑块质量越好。
S5中建立城市功能区真实质量指数预测模型,通过构建XGBoost驱动的多源城市功能指标融合算法框架,在使用少量的先验知识(样本)的前提下学习到城市功能区真实质量指数的预测策略,本步骤中样本中具体的指标为功能指标和真实质量指数。
具体实现方式为:
步骤51:输入
建立W(W∈M)个城市斑块的训练样本D=[(X1,Y1),(X2,Y2),…,(Xw,Yw),…,(XW,YW)],构成方式为:Yw是第w个城市斑块Jw的真实质量指数、Xw=(xw1,xw2,xw3,…,xwU)是该斑块的U项功能指标,W个城市斑块为M个城市斑块中的一部分;w∈W;本实施例中允许功能指标有空项,空项可记为0,亦可直接为空;最大迭代次数ITER(如10)和迭代差值阈值ε(如1×10-4);模型残差系数λ(如0.2);模型学习率η(如0.2);
步骤52:初始化
令W个城市斑块的质量预测值迭代次数iter=1;损失函数优选的是均方误差损失函数/>其一、二阶导数记为:g=2(Yw-Yw(iter-1)和h=-2;其中,Yw(iter-1)为斑块质量预测中间变量;
步骤53:迭代计算模型
根据现有样本,通过四层循环不断地迭代进行特征分裂学习新函数fiter(Xw),以拟合上次预测的残差,四层循环分别为:全局迭代层、结点层、功能指标层和功能指标取值层;
本步骤具体包括:
步骤531:在全局迭代层,开始迭代,输出结点;其中迭代条件为:残差(Yw-Yw(iter-1))2<ε或iter<ITER;
步骤532:在结点层,汇总当前结点(第一次进入节点层时,仅有一个结点)上的样本集合Dr(Dr∈D);
步骤533:判断样本集合Dr的容量大小,如果Dr的容量大于1,进入步骤534;如果Dr的容量小于等于1,则标记该结点完成,切换至下一个未完成结点执行步骤532,如不存在未完成结点,则跳转至步骤538;
步骤534:进入功能指标层,对于第1~U种功能指标,u∈U,分别循环步骤535~步骤536;
步骤535:进入功能指标取值层,按照第u种功能指标的大小,排序获得整理后的样本集合Dru,其中无空项的样本集合计算第u种功能指标下,损失函数的一阶导数总和二阶导数总和/>和缺失样本带来的损失熵
步骤536:维持功能指标取值层,遍历第u种功能指标的所有取值,寻找得分Score最高的取值作为最佳分块点;分块策略是:指标小于当前取值的记为L区,对应样本集合DruL,大于当前取值的记为R区,对应样本集合DruR;具体步骤是:
初始化GL=GR=0,HL=HR=0;
针对当前分块策略,计算同样有GR=G-GL,HR=H-HL;记录本次得分/>
遍历第u种功能指标的所有取值,记录使Scoreu最大的第u种功能指标对应的取值;
步骤537:返回功能指标层,遍历完毕全部U种功能指标,输出Score:
Score=max(Score1,Score2,…,Scoreu,…,ScoreU),输出对应的功能指标序号和取值,作为当前结点的最佳分块点,新分裂的结点会与旧结点组成结点集合,新分裂的结点位于结点集合的队尾,输出当时对应的样本集合DruL和DruR,返回步骤532;
步骤538:返回结点层,输出本轮迭代对应的新函数得到
步骤539:返回全局迭代层,检测迭代条件是否满足,是则继续迭代,输出本次迭代完整的结点序列(新分裂的结点位于结点集合的队尾)并返回步骤531;否则结束迭代,同时输出函数序列fiter(Xw)和迭代次数iter_f=iter;其中迭代条件仍为:残差(Yw-Yw(iter-1))2<ε或iter<ITER;
步骤54:输出预测结果:
对Jm城市斑块,代入其功能指标Xm=(xm1,xm2,xm3,…,xmU)即可获得质量预测值
S6判断预测模型与既有VGI真实质量指数是否一致,若不一致,则返回步骤S3调整功能指标,并重新进行模型训练;若一致,则输出城市功能区真实质量指数预测模型。
S7中对各城市斑块功能POI进行动态监测,是为了感知斑块功能变化,以及时调整预测模型;
具体实现方式为:通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数;
S7中各城市斑块真实质量指数报警,具体实现方式为:
通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数;
预先为四类功能区分别设定预警阈值β,当真实质量指数大于β时,程序正常运行;当真实质量指数小于β时,程序报警,并标明报警斑块;
其中预警阈值β的计算方法包括:
为保证城市斑块报警的准确性,应首先根据城市规划经验将初始滑动预警阈值β0设定为5(总分为10),而后经统计学算法使滑动预警阈值(t2为滑动次数,t2≥0)以0.1为变化量向上滑动,以确定准确的预警阈值β,具体实现方式为:
步骤71、从现有数据的M个城市斑块中选择H个城市斑块,将被选择的H个城市斑块的真实质量指数作为统计样本;在各城市斑块中根据地域的特性包括K个大功能性类别,k为大功能性类别的类标;
在本实施例中,步骤701中的大功能性类别和类标均与步骤201中的相同,但容易理解的是,类别和类标均可以根据需要进行更换、增加或减少。
步骤72、构建预警事项函数
对于样本其真实质量指数为/>当/>时,/>记为1;当时,/>记为0;
/>
步骤73、将全部统计样本的预警事项函数之和比上统计样本总数H,当该数值≥0.9时,输出滑动预警阈值/>作为预警阈值β;
在本实施例中,预警阈值β经计算为6。
S8中对功能区更新规划方案进行真实质量指数预测与功能优化,具体实现方式为:
通过逆推导预测模型,对S7中报警的城市斑块进行功能优化,以图文形式输出优化后的各项功能指标,形成功能区更新优化方案。
Claims (9)
1.一种城市功能区功能绩效的智能感知与优化方法,其特征在于,包括:
S1、根据交通路网中的主干路、次干路和重要支路,将围合形成的城市斑块作为基本空间分析单元,记为J1、J2、J3…Jm(m≤M),其中M代表斑块总数;
S2、获取既有城市斑块内的功能兴趣点数据;根据功能POI数据本身包括的功能性类别,对各城市斑块进行功能区聚类;
S3、根据功能区聚类的结果对各城市斑块进行功能指标量化统计;
S4、获取各城市斑块的自发地理信息数据,通过语义识别判定质量指数;
S5、基于各城市斑块的功能指标与质量指数进行仿真训练,使用机器学习方法建立城市功能区的功能质量预测模型;
S6、判断预测模型与既有自发地理信息评价指数是否一致,如果不一致,则继续进行模型训练,如果一致,则输出预测模型;
所述S5包括:
步骤51、输入
建立W个城市斑块的训练样本D=[(X1,Y1),(X2,Y2),…,(Xw,Yw),…,(XW,YW)],W∈M;构成方式为:Yw是第w个城市斑块Jw的真实质量指数、Xw=(xw1,xw2,xw3,…,xwU)是该斑块的U项功能指标,w∈W;空项记为0;最大迭代次数ITER和迭代差值阈值ε;模型残差系数λ;模型学习率η;
步骤52、初始化
令W个城市斑块的质量预测值迭代次数iter=1;损失函数是均方误差损失函数/>其一、二阶导数记为:/>和h=-2;/>为斑块质量预测中间变量;
步骤53、迭代计算模型
根据现有样本,通过四层循环不断地迭代进行特征分裂学习新函数fiter(Xw),以拟合上次预测的残差,四层循环分别为:全局迭代层、结点层、功能指标层和功能指标取值层;
步骤54、输出预测结果:
对Jm城市斑块,代入其功能指标Xm=(xm1,xm2,xm3,…,xmU)即可获得质量预测值
所述53包括:
步骤531、在全局迭代层,开始迭代,输出结点;其中迭代条件为:残差或iter<ITER;
步骤532、在结点层,汇总当前结点上的样本集合Dr,Dr∈D;
步骤533、判断样本集合Dr的容量大小,如果Dr的容量大于1,进入步骤534;如果Dr的容量小于等于1,则标记该结点完成,切换至下一个未完成结点执行步骤532,如不存在未完成结点,则跳转至步骤538;
步骤534、进入功能指标层,对于第1~U种功能指标,分别循环步骤535~步骤536;
步骤535、进入功能指标取值层,按照第u种功能指标的大小,排序获得整理后的样本集合Dru,其中无空项的样本集合计算第u种功能指标下,损失函数的一阶导数总和二阶导数总和/>和缺失样本带来的损失熵
步骤536、维持功能指标取值层,遍历第u种功能指标的所有取值,寻找得分Score最高的取值作为最佳分块点;分块策略是:指标小于当前取值的记为L区,对应样本集合DruL,大于当前取值的记为R区,对应样本集合DruR;具体步骤是:
初始化GL=GR=0,HL=HR=0;
针对当前分块策略,计算同样有GR=G-GL,HR=H-HL;记录本次得分/>
遍历第u种功能指标的所有取值,记录使Scoreu最大的第u种功能指标对应的取值;
步骤537、返回功能指标层,遍历完毕全部U种功能指标,输出Score:
Score=max(Score1,Score2,…,Scoreu,…,ScoreU),输出对应的功能指标序号和取值,作为当前结点的最佳分块点,新分裂的结点会与旧结点组成结点集合,新分裂的结点位于结点集合的队尾,输出当时对应的样本集合DruL和DruR,返回步骤532;
步骤538、返回结点层,输出本轮迭代对应的新函数得到iter=iter+1;
步骤539、返回全局迭代层,检测迭代条件是否满足,是则继续迭代,输出本次迭代完整的结点序列并返回步骤531;否则结束迭代,同时输出函数序列fiter(Xw)和迭代次数iter_f=iter。
2.根据权利要求1所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述S2中进行功能区聚类具体为:
对功能POI数据中的大功能性类别计算Ik类功能在Jm城市斑块中的功能混合度当某一大类功能超过设定的聚类阈值α时,则可将该斑块划定为相应功能区;若各大类功能均不超过聚类阈值,则该斑块划定为混合区:
其中,表示在Jm城市斑块中Ik类大功能性类别的POI点的总个数,/>表示Jm城市斑块中全部大功能性类别的POI点的总个数。
3.根据权利要求2所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述聚类阈值α的计算方法包括:
步骤21、从现有数据的M个城市斑块中选择N个,由规划学者对其进行功能区聚类后作为统计样本;
步骤22、构建聚类事项函数
对于聚类事项函数中的样本计算Ik类功能在Jm城市斑块中的功能混合度/>
其中,表示在Jm城市斑块中Ik类大功能性类别的POI点的总个数,/>表示Jm城市斑块中全部大功能性类别的POI点的总个数;
步骤23、通过计算确定聚类阈值α:
首先将初始滑动聚类阈值α0设定为0.5,而后经统计学算法确定滑动聚类阈值
αt1,t1为滑动次数,t1≥0;以0.01为变化量向上滑动,以确定准确的聚类阈值α:
当时,/>记为1;当/>时,/>记为0;
将全部统计样本的聚类事项函数之和比上统计样本总数N,当该数值≥0.9时,输出滑动聚类阈值/>作为聚类阈值α。
4.根据权利要求1所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述S4中的语义识别与真实质量指数判定为:
对斑块Jm,基于大数据和算法模型的搭建,依托自然语言学习,形成面向城市斑块质量的智能评价算法框架,通过自然语言分词技术识别城市居民对相应斑块评价中具有情感倾向性的词汇,并依据程度副词对上述具有情感倾向性的词汇赋予不同的权重,加权求和得到该条相应斑块评价所对应的质量指数;确定各条相应斑块评价相对应的贡献度qi,其中0≤qi≤
10,且i=1,2,……,Q,
Q为该斑块内的评论数,完成对该斑块所有评论的语义识别后,归一化处理得到Jm斑块的真实质量指数:
Ym最终数值范围为1、2、3…10,其中Ym越大代表斑块质量越好。
5.根据权利要求1所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,在所述S6之后:
S7、对各城市斑块的功能兴趣点与功能指标进行动态监测,并计算其质量指数,当质量指数低于预警阈值时自动报警;
S8、通过逆推导预测模型对城市斑块进行功能优化,以图文形式输出功能区更新优化方案。
6.根据权利要求5所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述S7中对各城市斑块功能POI进行动态监测的实现方式为:通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数。
7.根据权利要求6所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述S7中各城市斑块真实质量指数报警,具体为:
通过爬虫动态监测各个城市斑块的功能指标,并输入模型计算其真实质量指数;
预先为四类功能区分别设定预警阈值β,当真实质量指数大于β时,程序正常运行;当真实质量指数小于β时,程序报警,并标明报警斑块。
8.根据权利要求7所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于所述预警阈值β的确定方式为:
首先根据城市规划经验将初始滑动预警阈值β0设定为5,而后经统计学算法使滑动预警阈值滑动预警阈值t2为滑动次数,t2≥0,以0.1为变化量向上滑动,以确定准确的预警阈值β,具体实现方式为:
步骤71、从现有数据的M个城市斑块中选择H个城市斑块,将被选择的H个城市斑块的真实质量指数作为统计样本;在各城市斑块中根据地域的特性包括K个大功能性类别,k为大功能性类别的类标;
步骤72、构建预警事项函数
对于样本其真实质量指数为/>当/>时,/>记为1;当/>时,记为0;
步骤73、当时,输出滑动预警阈值βt作为预警阈值β。
9.根据权利要求5所述的一种城市功能区功能绩效的智能感知与优化方法,其特征在于,所述S8中对功能区更新规划方案进行真实质量指数预测与功能优化,具体实现方式为:
通过逆推导预测模型,对S7中报警的城市斑块进行功能优化,以图文形式输出优化后的各项功能指标,形成功能区更新优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497903.1A CN114139827B (zh) | 2021-12-09 | 2021-12-09 | 一种城市功能区功能绩效的智能感知与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497903.1A CN114139827B (zh) | 2021-12-09 | 2021-12-09 | 一种城市功能区功能绩效的智能感知与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139827A CN114139827A (zh) | 2022-03-04 |
CN114139827B true CN114139827B (zh) | 2024-02-09 |
Family
ID=80385148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111497903.1A Active CN114139827B (zh) | 2021-12-09 | 2021-12-09 | 一种城市功能区功能绩效的智能感知与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139827B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833701A (zh) * | 2010-01-08 | 2010-09-15 | 南京大学 | 区域主体功能区规划的方法及支持系统 |
CN104834666A (zh) * | 2015-03-06 | 2015-08-12 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
CN109816581A (zh) * | 2019-01-25 | 2019-05-28 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922589B2 (en) * | 2018-10-10 | 2021-02-16 | Ordnance Survey Limited | Object-based convolutional neural network for land use classification |
-
2021
- 2021-12-09 CN CN202111497903.1A patent/CN114139827B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833701A (zh) * | 2010-01-08 | 2010-09-15 | 南京大学 | 区域主体功能区规划的方法及支持系统 |
CN104834666A (zh) * | 2015-03-06 | 2015-08-12 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
WO2016141753A1 (zh) * | 2015-03-06 | 2016-09-15 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
CN109816581A (zh) * | 2019-01-25 | 2019-05-28 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于GIS和兴趣点(POI)数据的城市中心体系识别方法研究――以上海市为例;施歌 等;现代测绘;第40卷(06);第27-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114139827A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222661B (zh) | 一种城市规划实施效果分析评估方法 | |
Bostancı et al. | Investigating the satisfaction of citizens in municipality services using fuzzy modelling | |
CN112035584B (zh) | 空间规划情景模拟方法及系统 | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型系统 | |
Ballestores Jr et al. | An integrated parcel-based land use change model using cellular automata and decision tree | |
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 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN111784084B (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
Meng et al. | Did highways cause the urban polycentric spatial structure in the Shanghai metropolitan area? | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
Roozkhosh et al. | Comparison of walkability in different urban districts using space syntax | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理系统 | |
CN114139827B (zh) | 一种城市功能区功能绩效的智能感知与优化方法 | |
CN116308956A (zh) | 一种城市区域主导功能与规划用途差异检测的方法 | |
CN114861975A (zh) | 基于吸引强度的城市旅游交通需求联合预测方法 | |
Yating et al. | The Influence of Built Environment on the Spatial Distribution of Housing Price: Based on Multiple Big Data and Hedonic Model. | |
Haghparast et al. | Comprehensive Environmental Monitoring based on Stations of Environmental Pollutants (Air, Water and Soil) in Tehran | |
Morton et al. | Need a boost? a comparison of traditional commuting models with the xgboost model for predicting commuting flows (short paper) | |
Wan et al. | Urban Planning and Design Layout Generation Based on Artificial Intelligence | |
WO2024069268A1 (en) | Intelligent platform for designing and drawing construction plans based on data mining and artificial intelligence | |
Yang et al. | Spatiotemporal changes and simulation of the architectural ethnicity at world heritage sites under tourism development | |
CN117079124B (zh) | 一种基于社群差异化的城乡景观意象量化及提升方法 | |
Taşkaya | GROUND RESIDENCE AREA ESTIMATION OF ZONING PLOTS BY SUBSET METHOD IN BLOCK BUILDING ZONING AREAS | |
Tu et al. | The Big Data Model for Urban Road Land Use Planning Is Based on a Neural Network Algorithm | |
Juodkienė | Gis in Tourism Development Using Spatial 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 |