CN114971345B - 一种建成环境品质测度方法、设备及存储介质 - Google Patents

一种建成环境品质测度方法、设备及存储介质 Download PDF

Info

Publication number
CN114971345B
CN114971345B CN202210645730.1A CN202210645730A CN114971345B CN 114971345 B CN114971345 B CN 114971345B CN 202210645730 A CN202210645730 A CN 202210645730A CN 114971345 B CN114971345 B CN 114971345B
Authority
CN
China
Prior art keywords
observation
variable
quality
matrix
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
Application number
CN202210645730.1A
Other languages
English (en)
Other versions
CN114971345A (zh
Inventor
韩笑
李哲
王立亚
李洁
张琪馨
董明静
武双
徐铭辰
朱统一
袁福甜
施佳颖
周详
李超明
孙泽仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210645730.1A priority Critical patent/CN114971345B/zh
Publication of CN114971345A publication Critical patent/CN114971345A/zh
Priority to PCT/CN2022/137406 priority patent/WO2023236472A1/zh
Application granted granted Critical
Publication of CN114971345B publication Critical patent/CN114971345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q50/08—Construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建成环境品质测度方法、设备及存储介质，涉及品质评估技术领域，首先通过确定决定环境品质的关键影响因素，建立环境品质影响因素指标体系，其中关键影响因素包括非观测要素与观测要素，其中非观测要素需要通过可直接测量的观测要素反映；然后分析环境品质与关键影响因素的关系，形成理论模型；再采集观测要素从而形成大样本数据库；并且根据大样本数据库中的样本数据的分布情况计算各关键影响因素对于环境品质的路径系数，进而将路径系数转换为权重；根据样本数据的分布情况，动态划分各观测要素分布区间，定义各观测要素品质赋值；最后结合权重与品质赋值，对样本进行环境品质测度。

Description

一种建成环境品质测度方法、设备及存储介质
技术领域
本发明涉及品质评估技术领域，具体的是一种建成环境品质测度方法、设备及存储介质。
背景技术
目前，对建成环境的常见品质评估方法表现为：针对某一类型建成环境构建多维度的环境品质评价体系及评价指标要素，根据评估对象的建设需求对各指标要素进行等级评定，给出分项要素品质评价结果，并判断是否能够达到设计目标，从而提出针对性设计优化策略(CN202010998144.6，审中；CN201910407314.6，审中)，此类评估方法在评价体系与指标要素选取的过程中，多依据相关研究文献自主选定，评价体系建构的合理性与系统性有待验证；在各指标要素的评价过程中，对于不可量化的指标要素多是根据专家评估或问卷调查的打分形式进行评估，对于可量化测度的指标要素则是根据过往研究经验划定评价等级，而并未考虑数据分布情况，各要素数据的静态参数区间划分会导致数据以不合理的方式过度集中在某一个或某几个区间，无法实现精确有效的区间赋值的目的；在评估结果的分析与实践应用中，多针对该研究案例的分项要素进行评估，并对改造前后或是多个设计方案的分项要素进行对比，但是简单的对比分析未考虑到这些分项要素之间的复杂作用关系，而无法明确具体对建成环境中何种要素的待优化程度，因此评估结果不具备合理性，在实际建设过程中，现有技术的实用性与参考价值具有一定限制，品质测度结果在实践应用中的高效性与精确性有待提升；目前，对于环境品质的综合测度研究较少，缺少一种实用性强的科学评估方法对复杂环境下的环境品质进行评估，为此，现在提出一种建成环境品质测度方法、设备及存储介质。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供一种建成环境品质测度方法，用于解决现有技术很难实现对建成环境构成要素与综合品质进行科学度量与精确分析的技术问题。
本发明的目的可以通过以下技术方案实现：一种建成环境品质测度方法，方法包括以下步骤：
确定决定环境品质的关键影响因素，建立环境品质影响因素指标体系，其中关键影响因素包括非观测要素与观测要素；
分析环境品质与关键影响因素的关系，形成理论模型；
采集观测要素从而形成大样本数据库；
根据大样本数据库中的样本数据的分布情况计算各关键影响因素对于环境品质的路径系数，并将路径系数转换为权重；
根据样本数据的分布情况，动态划分各观测要素分布区间，定义各观测要素品质赋值；
结合权重与品质赋值，对样本进行综合品质测度。
进一步地，根据所述理论模型建立潜变量间的回归方程式以及潜变量与观测变量间的回归方程式：
设：环境品质关键影响因素中的非观测要素有m类，观测要素有i类，其中观测要素是建成环境中可以直接被度量的要素，对应数据集为观测变量；非观测要素则为在建成环境中无法直接被度量的要素，需要间接以观测得到的实际的指标数值来反映，即潜变量，则潜变量与观测变量的矩阵方程式为：
Y＝Λyη+ε
潜变量间的矩阵方程式为：
η＝Bη+Γξ+ζ
式中：
Y为由i个观测变量yi组成的i×1维向量；
η为由m个潜变量组成的m×1维向量；
Λy为Y在η上的i×m维负荷矩阵，反映了观测变量Y与潜变量η之间的关系；
ε为由i个测量误差组成的i×1维向量，是观测变量Y的误差项；
ξ为由1个外因潜变量组成的1×1维向量，即；
B是m×m维系数矩阵，表示内因潜变量η之间的相互关系，若存在相互关系，则记维度影响系数为β；
Γ为由m个影响系数γm组成的m×1维系数矩阵，表示外因潜变量ξ对内因潜变量η的影响；
ζ为由m个解释误差组成的m×1维向量，是潜变量η的误差项。
进一步地，所述大样本数据库的建立过程为：
以建成环境实体矢量数据的清晰、完整及可获取性与满足后续开展数据解析的精确性为样本选择依据，形成大样本案例库；
收集样本所在区域的地理测绘图、卫星影像，结合建成环境特征，对观测要素的环境矢量数据进行获取；
对原始数据集进行标准化处理及负向关联要素反向赋值
正向指标：
Figure GDA0004105984880000032
负向指标：
Figure GDA0004105984880000034
其中，yi为第i个内因观测变量，yij为观测变量yi的样本数据集中的第j个样本数据，{yi1,yi2,…yin}为观测变量yi的样本数据集，n为样本数量。
进一步地，对指标向量进行正态性检验，计算各指标向量偏态系数SK与峰态系数K：
Figure GDA0004105984880000041
Figure GDA0004105984880000042
其中，n为样本个数，yi为第i个观测变量，
Figure GDA0004105984880000043
为观测变量yi的样本数据集的平均值，yij为观测变量yi的样本数据集中的第j个样本数据，s为观测变量yi的样本数据集的方差；
若SK的绝对值小于3，K的绝对值小于8，则表示假设指标向量符合正态分布；
将处理后的样本数据导入理论模型，由理论模型推导得到协方差矩阵，形成样本协方差矩阵与总体协方差矩阵的拟合函数，并计算拟合函数最小取值情况下的参数估计值；
设θ为模型中全体未知参数Λ、B、Γ、Φ、Ψ、Θ组成的向量，Φ为潜变量ξ的协方差矩阵，Ψ为残差向量ζ的协方差矩阵，Θ为残差向量ε的协方差矩阵；
Figure GDA0004105984880000045
为θ的估计，由理论模型推出的总体协方差矩阵为∑(θ)，根据样本估计出参数
Figure GDA0004105984880000046
后得到的协方差矩阵记为S，则指标向量Y1,Y2,…Yi在总体中的真实协方差矩阵为：
Figure GDA0004105984880000044
内因观测变量Y之间的协方差矩阵为：
Figure GDA0004105984880000051
则S与∑(θ)的差距函数为：
F(S,∑(θ))
其中F是样本共变数矩阵S与理论模型总体协方差矩阵Σ(θ)之间距离的数值；
若假设指标向量服从多维正态分布，则使用极大似然估计法拟合函数：
F(S,Σ(θ))ML＝tr(SE-1(θ))+log|∑(θ)|-log|S|-p
其中，tr(A)为矩阵A的迹，即矩阵A的对角线元素之和；log|A|为矩阵A的行列式的对数；p为测量变量的个数；
若假设指标向量不服从多维正态分布，则使用广义最小二乘法拟合函数：
Figure GDA0004105984880000052
其中，W-1为残差矩阵的加权矩阵，为正定矩阵；当W-1＝S-1时，则：
Figure GDA0004105984880000053
通过计算χ2/df、GFI、RMSEA、NFI、CFI、PGFI及PNFI七个拟合指数作为判断理论模型与测量数据契合度的指标，其中：
(1)卡方自由度比χ2/df：
Figure GDA0004105984880000054
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，p为外因观测变量个数，q为内因观测变量个数，t为模型中待估计的自由参数个数；
(2)渐进残差均方和平方根RMSEA：
Figure GDA0004105984880000061
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，df为模型自由度；
(3)良适性适配指标GFI：
Figure GDA0004105984880000062
其中，tr(A)为矩阵A的迹，S为样本数据的观察矩阵，∑为理论模型总体协方差矩阵；
(4)赋范拟合指数NFI：
Figure GDA0004105984880000063
其中，
Figure GDA0004105984880000064
表示拟合虚模型所得到的卡方值，
Figure GDA0004105984880000065
表示理论模型得到的卡方值；
(5)比较拟合指数CFI：
Figure GDA0004105984880000066
其中，
Figure GDA0004105984880000067
表示拟合虚模型所得到的卡方值，
Figure GDA0004105984880000068
表示理论模型得到的卡方值，dftest表示拟合虚模型的自由度，dfnull表示理论模型的自由度；
(6)规准适配指数PNFI
Figure GDA0004105984880000069
其中，
Figure GDA00041059848800000610
表示拟合虚模型所得到的卡方值，
Figure GDA00041059848800000611
表示理论模型得到的卡方值，dftest表示拟合虚模型的自由度，dfnull表示理论模型的自由度；
(7)简单适配度指数PGFI
Figure GDA0004105984880000071
其中，dftest′表示理论模型的自由度，p为外因观测变量个数，GFI为良适性适配指标。
进一步地，所述权重的计算过程包括：
建立观测变量权重集W，将计算得到的潜变量间的标准化路径系数γi和潜变量与观测变量的标准化路径系数λij进行归一化处理，并计算各观测变量权重：
ωij＝λij×γi
根据各观测要素样本数据的分布区间，计算动态阈值区间与临界值，根据数据分布概率高低，将数据集定义为五个区间等级D1、D2、D3、D4、D5并由低到高进行分级赋值；
Figure GDA0004105984880000072
其中，xij表示第i种潜变量的第j种测量变量的实际测量数据；pij为第i种潜变量的第j种测量变量的品质值分级赋值后的等级。
进一步地，所述模型中待估计的自由参数个数包括回归系数、方差、协方差。
进一步地，所述各观测变量权重中∑γi＝1，∑λij＝1。
进一步地，一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的一种建成环境品质测度方法。
一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的一种建成环境品质测度方法。
本发明的有益效果：
1、针对定量描述或定性分析少数典型案例的分项要素特征规律的信度低、精度低的不足，本发明采集大量典型案例形成建成环境样本库，提取样本矢量空间数据形成多维数据集，提高评估结果的精确性。
2、针对现有技术中品质评价数值划分区间不合理导致评估结果精确性较差的问题，通过解析实时数据动态分布规律，设定数据参数区间并进行赋值，将数据进行有效的动态区间划分，实现了对建成环境属性的整体、科学、精确分析，使评估结果更加科学合理、符合客观实际。
3、针对缺乏解析建成环境构成要素与品质的综合影响机制的问题，本发明通过合理、严谨的算法理清建成环境构成要素对于环境品质的相互影响关系，有效验证并识别适用于特定建成环境类型品质评估的关键因素与指标体系，解决了以往通过经验判断构建评估体系以及主观评分形成权重结果的经验性与或然性问题，通过合理、严谨的算法对环境品质进行评估，实现了对各项观测要素标准向量的高效计算与客观赋权，填补了建成环境品质评估领域评估指标合理性与评估结果准确性研究的空白。
4、针对品质评估环节仅对单个样本从单一维度分项要素改造前后的数据对比判断是否符合预期的缺陷，本发明综合数据构成规律与要素作用机制，对分项要素品质与综合品质进行了量化度量，可以在建成环境改造的前期方案环节，对多个设计方案进行品质预测与比选，降低了建成项目优化评估的成本，提高品质解析结果的准确性与设计实践决策效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明流程图。
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。
如图1所示，一种建成环境品质测度方法，方法包括以下步骤：
确定决定建成环境品质的关键影响因素，建立环境品质影响因素指标体系，其中关键影响因素包括非观测要素与观测要素；
分析环境品质与关键影响因素的关系，形成理论模型；
采集观测要素从而形成大样本数据库；
根据大样本数据库中的样本数据的分布情况计算各关键影响因素对于环境品质的路径系数，并将路径系数转换为权重；
根据样本数据的分布情况，动态划分各观测要素分布区间，定义各观测要素品质赋值；
结合权重与品质赋值，对样本进行综合品质测度。
本实施例以街区空间环境为例，对影响其环境品质的因素及其观测要素进行提取，建立构成街区环境的观测要素与非观测要素指标体系如表1。
表1街区环境品质影响因素
Figure GDA0004105984880000101
需要进一步进行说明的是，本实施例提出以下理论假设：
理论假设H1：街道网络结构与街区环境品质之间存在正相关关系。
理论假设H2：空间布局与街区环境品质之间存在负相关关系。
理论假设H3：街区尺度与街区环境品质之间存在正相关关系。
理论假设H4：空间密度与街区环境品质之间存在正相关关系。
理论假设H5：街道网络结构与空间布局之间存在正相关关系。
根据上述步骤提出的理论假设，以街区为样本，以非观测要素为内因潜在变量，以品质为外因潜在变量，各观测要素为观测变量，构建建成环境品质影响因素的关联模型。根据理论模型建立潜变量间的回归方程式以及潜变量与观测变量间的回归方程式：
设：
Figure GDA0004105984880000111
则潜变量与观测变量的矩阵方程式为：
Figure GDA0004105984880000112
即：Y＝Λyη+ε
设：
Figure GDA0004105984880000113
则潜变量间的矩阵方程式为：
Figure GDA0004105984880000114
即：η＝Bη+Γξ+ζ
式中：yi为内因观测变量；
Y为由9个内因观测变量组成的9×1维向量；
Λy为Y在η上的9×4维负荷矩阵，反映了内因观测变量y与内因潜变量η之间的关系；
ε为由9个测量误差组成的9×1维向量，是内因观测变量Y的误差项；
ξ为由1个外因潜变量组成的1×1维向量；
η为由4个因潜变量组成的4×1维向量；
B是4×4维系数矩阵，表示内因潜变量η之间的相互关系；
Γ是4×1维系数矩阵，表示外因潜变量ξ对内因潜变量η的影响；
ζ为由4个解释误差组成的1×1维向量。
所述大样本数据库的建立过程为：
以街区实体矢量数据的清晰、完整及可获取性与满足后续开展数据解析的精确性为样本选择依据，遴选100以上的典型案例从而形成大样本案例库；
收集样本所在区域的地理测绘图、卫星影像，结合环境特征，对观测要素的环境矢量数据进行获取；
需要进一步进行说明的是，在具体实施过程中，本实施例的观测要素含义及计算方法如表2。
表2街区环境品质影响要素
Figure GDA0004105984880000121
Figure GDA0004105984880000131
对原始数据集进行标准化处理及负向关联要素反向赋值；
正向指标：
Figure GDA0004105984880000132
负向指标：
Figure GDA0004105984880000133
其中，yi为第i个观测变量，yij为观测变量yi的样本数据集中的第j个样本数据，{yi1,yi2,…yin}为观测变量yi的样本数据集，n为样本数量。
对指标向量进行正态性检验，计算各指标向量偏态系数SK与峰态系数K：
Figure GDA0004105984880000134
Figure GDA0004105984880000135
其中，n为样本个数，yi为第i个观测变量，
Figure GDA0004105984880000136
为观测变量yi的样本数据集的平均值，yij为观测变量yi的样本数据集中的第j个样本数据，s为观测变量yi的样本数据集的方差；
若SK的绝对值小于3，K的绝对值小于8，则表示假设指标向量符合正态分布；
需要进一步进行说明的是，在具体实施过程中，本实施例偏态系数SK、峰态系数K检验结果如表3，所有观测变量均符合正态分布。
表3正态性检验结果
Figure GDA0004105984880000141
将处理后的样本数据导入理论模型，由理论模型推导得到协方差矩阵，形成样本协方差矩阵与总体协方差矩阵的拟合函数，并计算拟合函数最小取值情况下的参数估计值；
设θ为模型中全体未知参数Λ、B、Γ、Φ、Ψ、Θ组成的向量，Φ为潜变量ξ的协方差矩阵，Ψ为残差向量ζ的协方差矩阵，Θ为残差向量ε的协方差矩阵；
Figure GDA0004105984880000144
为θ的估计，由理论模型推出的总体协方差矩阵为∑(θ)，根据样本估计出参数
Figure GDA0004105984880000145
后得到的协方差矩阵记为S，则指标向量Y1,Y2,…Y8,Y9在总体中的真实协方差矩阵为：
Figure GDA0004105984880000142
内因观测变量Y之间的协方差矩阵为：
Figure GDA0004105984880000143
则S与∑(θ)的差距函数为：
F(S,∑(θ))
其中F是样本共变数矩阵S与理论模型总体协方差矩阵∑(θ)之间距离的数值；
若假设指标向量服从多维正态分布，则使用极大似然估计法拟合函数：
F(S,∑(θ))ML＝tr(SE-1(θ))+log|∑(θ)|-log|S|-p
其中，tr(A)为矩阵A的迹，即矩阵A的对角线元素之和；log|A|为矩阵A的行列式的对数；p为测量变量的个数；
若假设指标向量不服从多维正态分布，则使用广义最小二乘法拟合函数：
Figure GDA0004105984880000151
其中，W-1为残差矩阵的加权矩阵，为正定矩阵；当W-1＝S-1时，则：
Figure GDA0004105984880000152
通过计算χ2/df、GFI、RMSEA、NFI、CFI、PGFI及PNFI七个拟合指数作为判断理论模型与测量数据契合度的指标，其中：
(1)卡方自由度比χ2/df：
Figure GDA0004105984880000153
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，p为外因观测变量个数，q为内因观测变量个数，t为模型中待估计的自由参数个数，包括回归系数、方差、协方差；
(2)渐进残差均方和平方根RMSEA：
Figure GDA0004105984880000154
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，df为模型自由度；
(3)良适性适配指标GFI：
Figure GDA0004105984880000161
其中，tr(A)为矩阵A的迹，S为样本数据的观察矩阵，∑为理论模型总体协方差矩阵；
(4)赋范拟合指数NFI：
Figure GDA0004105984880000162
其中，
Figure GDA0004105984880000163
表示拟合虚模型所得到的卡方值，
Figure GDA0004105984880000164
表示理论模型得到的卡方值；
(5)比较拟合指数CFI：
Figure GDA0004105984880000165
其中，
Figure GDA0004105984880000166
表示拟合虚模型所得到的卡方值，
Figure GDA0004105984880000167
表示理论模型得到的卡方值，dftest、dfnull分别表示拟合虚模型与理论模型的自由度；
(6)规准适配指数PNFI
Figure GDA0004105984880000168
其中，
Figure GDA0004105984880000169
表示拟合虚模型所得到的卡方值，
Figure GDA00041059848800001610
表示理论模型得到的卡方值，dftest、dfnull分别表示拟合虚模型与理论模型的自由度；
(7)简单适配度指数PGFI
Figure GDA00041059848800001611
其中，dftest表示理论模型的自由度，p为外因观测变量个数，GFI为良适性适配指标。
需要进一步进行说明的是，在具体实施过程中，关于整体模型适配度的检验标准以及本实施例的检验结果如表4。
表4拟合指数检验标准
Figure GDA0004105984880000171
所述权重的计算过程包括：
建立观测变量权重集W，将上述步骤计算得到的潜变量间的标准化路径系数γi和潜变量与观测变量的标准化路径系数λij进行归一化处理，并计算各观测变量权重：
ωij＝λij×γi
其中，
∑γi＝1
∑λij＝1
本实施例各非观测要素、观测要素路径系数归一化处理结果及其综合权重值如表5。
表5本实施例归一化处理结果
Figure GDA0004105984880000172
Figure GDA0004105984880000181
根据各观测要素样本数据的分布区间，计算动态阈值区间与临界值，根据数据分布概率高低，将数据集定义为五个区间等级D1、D2、D3、D4、D5并由低到高进行分级赋值。
Figure GDA0004105984880000182
其中，xij表示第i种潜变量的第j种测量变量的实际测量数据；pij为第i种潜变量的第j种测量变量的品质值分级赋值后的等级。
本实施例各观测要素基于样本数据集的区间临界值见表6。
表6本实施例观测要素等级区间
Figure GDA0004105984880000183
基于构建形成的品质评价指标体系，逐一计算研究案例评价指标的品质量，在此基础上，对照统计样本库各观测要素数据分类区间，对各要素的品质量进行重分类赋值，转换形成最终品质测度用的无量纲化要素品质值，进而实现累加计算，最后，基于各观测要素的权重值，将各指标要素进行加权叠加，得到该案例的环境品质的数值。
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 (10)

1.一种建成环境品质测度方法，其特征在于，方法包括以下步骤：
确定决定环境品质的关键影响因素，建立环境品质影响因素指标体系，其中关键影响因素包括非观测要素与观测要素；环境品质包括：网络结构，空间布局，空间尺度和空间密度；
网络结构包括：景点集成度、节点连接度、游憩穿行度和空间拓扑深度；
空间布局包括：路网密度和绿化覆盖度；
空间尺度包括：街区长度和街道间距；
空间密度包括：景观空间密度；
分析环境品质与关键影响因素的关系，形成理论模型；
采集观测要素从而形成大样本数据库；
根据大样本数据库中的样本数据的分布情况计算各关键影响因素对于环境品质的路径系数，并将路径系数转换为权重；
根据样本数据的分布情况，动态划分各观测要素分布区间，定义各观测要素品质赋值；
结合权重与品质赋值，对样本进行综合品质测度。
2.根据权利要求1所述的一种建成环境品质测度方法，其特征在于，根据所述理论模型建立潜变量间的回归方程式以及潜变量与观测变量间的回归方程式：
设：环境品质关键影响因素中的非观测要素有m类，观测要素有i类，其中观测要素是建成环境中可以直接被度量的要素，对应数据集为观测变量；非观测要素则为在建成环境中无法直接被度量的要素，需要间接以观测得到的实际的指标数值来反映，即潜变量，则潜变量与观测变量的矩阵方程式为：
Y＝Λyη+ε
潜变量间的矩阵方程式为：
η＝Bη+Γξ+ζ
式中：
Y为由i个观测变量yi组成的i×1维向量；
η为由m个潜变量组成的m×1维向量；
Λy为Y在η上的i×m维负荷矩阵，反映了观测变量Y与潜变量η之间的关系；
ε为由i个测量误差组成的i×1维向量，是观测变量Y的误差项；
ξ为由1个外因潜变量组成的1×1维向量；
B是m×m维系数矩阵，表示内因潜变量η之间的相互关系，若存在相互关系，则记维度影响系数为β；
Γ为由m个影响系数γm组成的m×1维系数矩阵，表示外因潜变量ξ对内因潜变量η的影响；
ζ为由m个解释误差组成的m×1维向量，是潜变量η的误差项。
3.根据权利要求1所述的一种建成环境品质测度方法，其特征在于，所述大样本数据库的建立过程为：
以建成环境实体矢量数据的清晰、完整及可获取性与满足后续开展数据解析的精确性为样本选择依据，形成大样本案例库；
收集样本所在区域的地理测绘图、卫星影像，结合建成环境特征，对观测要素的环境矢量数据进行获取；
对原始数据集进行标准化处理及负向关联要素反向赋值
正向指标：
Figure FDA0004103990680000021
负向指标：
Figure FDA0004103990680000022
其中，yi为第i个内因观测变量，yij为观测变量yi的样本数据集中的第j个样本数据，{yi1,yi2,...yin}为观测变量yi的样本数据集，n为样本数量。
4.根据权利要求3所述的一种建成环境品质测度方法，其特征在于，通过形成大样本数据库为样本的选择提供依据。
5.根据权利要求1所述的一种建成环境品质测度方法，其特征在于，对指标向量进行正态性检验，计算各指标向量偏态系数SK与峰态系数K：
Figure FDA0004103990680000031
Figure FDA0004103990680000032
其中，n为样本个数，yi为第i个观测变量，
Figure FDA0004103990680000033
为观测变量yi的样本数据集的平均值，yij为观测变量yi的样本数据集中的第j个样本数据，s为观测变量yi的样本数据集的方差；
若SK的绝对值小于3，K的绝对值小于8，则表示假设指标向量符合正态分布；
将处理后的样本数据导入理论模型，由理论模型推导得到协方差矩阵，形成样本协方差矩阵与总体协方差矩阵的拟合函数，并计算拟合函数最小取值情况下的参数估计值；
设θ为模型中全体未知参数Λ、B、Γ、Φ、Ψ、Θ组成的向量，Φ为潜变量ξ的协方差矩阵，Ψ为残差向量ζ的协方差矩阵，Θ为残差向量ε的协方差矩阵；
Figure FDA0004103990680000034
为θ的估计，由理论模型推出的总体协方差矩阵为∑(θ)，根据样本估计出参数
Figure FDA0004103990680000035
后得到的协方差矩阵记为S，则指标向量Y1,Y2,...Yi在总体中的真实协方差矩阵为：
Figure FDA0004103990680000041
内因观测变量Y之间的协方差矩阵为：
Figure FDA0004103990680000042
则S与Σ(θ)的差距函数为：
F(S,∑(θ))
其中F是样本共变数矩阵S与理论模型总体协方差矩阵∑(θ)之间距离的数值；
若假设指标向量服从多维正态分布，则使用极大似然估计法拟合函数：
F(S,∑(θ))ML＝tr(SE-1(θ))+log|∑(θ)|-log|S|·-p
其中，tr(A)为矩阵A的迹，即矩阵A的对角线元素之和；log|A|为矩阵A的行列式的对数；p为测量变量的个数；
若假设指标向量不服从多维正态分布，则使用广义最小二乘法拟合函数：
Figure FDA0004103990680000043
其中，W-1为残差矩阵的加权矩阵，为正定矩阵；
当W-1＝A-1时，则：
Figure FDA0004103990680000044
通过计算χ2/df、GFI、RMSEA、NFI、CFI、PGFI及PNFI七个拟合指数作为判断理论模型与测量数据契合度的指标，其中：
(1)卡方自由度比χ2/df：
Figure FDA0004103990680000051
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，p为外因观测变量个数，q为内因观测变量个数，t为模型中待估计的自由参数个数；
(2)渐进残差均方和平方根RMSEA：
Figure FDA0004103990680000052
其中，n为样本个数，Fmin为模型估计后聚合的适配函数值，df为模型自由度；
(3)良适性适配指标GFI：
Figure FDA0004103990680000053
其中，tr(A)为矩阵A的迹，S为样本数据的观察矩阵，Σ为理论模型总体协方差矩阵；
(4)赋范拟合指数NFI：
Figure FDA0004103990680000054
其中，
Figure FDA0004103990680000055
表示拟合虚模型所得到的卡方值，
Figure FDA0004103990680000056
表示理论模型得到的卡方值；
(5)比较拟合指数CFI：
Figure FDA0004103990680000057
其中，
Figure FDA0004103990680000058
表示拟合虚模型所得到的卡方值，
Figure FDA0004103990680000059
表示理论模型得到的卡方值，dftest表示拟合虚模型的自由度，dfnull表示理论模型的自由度；
(6)规准适配指数PNFI
Figure FDA0004103990680000061
其中，
Figure FDA0004103990680000062
表示拟合虚模型所得到的卡方值，
Figure FDA0004103990680000063
表示理论模型得到的卡方值，dftest表示拟合虚模型的自由度，dfnull表示理论模型的自由度；
(7)简单适配度指数PGFI
Figure FDA0004103990680000064
其中，dftest'表示理论模型的自由度，p为外因观测变量个数，GFI为良适性适配指标。
6.根据权利要求1所述的一种建成环境品质测度方法，其特征在于，所述权重的计算过程包括：
建立观测变量权重集W，将计算得到的潜变量间的标准化路径系数γi和潜变量与观测变量的标准化路径系数λij进行归一化处理，并计算各观测变量权重：
ωij＝λij×γi
根据各观测要素样本数据的分布区间，计算动态阈值区间与临界值，根据数据分布概率高低，将数据集定义为五个区间等级D1、D2、D3、D4、D5并由低到高进行分级赋值；
Figure FDA0004103990680000065
其中，xij表示第i种潜变量的第j种测量变量的实际测量数据；pij为第i种潜变量的第j种测量变量的品质值分级赋值后的等级。
7.根据权利要求5所述的一种建成环境品质测度方法，其特征在于，所述模型中待估计的自由参数个数包括回归系数、方差、协方差。
8.根据权利要求6所述的一种建成环境品质测度方法，其特征在于，所述各观测变量权重中∑γi＝1，∑λij＝1。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的一种建成环境品质测度方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的一种建成环境品质测度方法。
CN202210645730.1A 2022-06-08 2022-06-08 一种建成环境品质测度方法、设备及存储介质 Active CN114971345B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210645730.1A CN114971345B (zh) 2022-06-08 2022-06-08 一种建成环境品质测度方法、设备及存储介质
PCT/CN2022/137406 WO2023236472A1 (zh) 2022-06-08 2022-12-08 一种建成环境品质测度方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210645730.1A CN114971345B (zh) 2022-06-08 2022-06-08 一种建成环境品质测度方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114971345A CN114971345A (zh) 2022-08-30
CN114971345B true CN114971345B (zh) 2023-04-18

Family

ID=82962243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210645730.1A Active CN114971345B (zh) 2022-06-08 2022-06-08 一种建成环境品质测度方法、设备及存储介质

Country Status (2)

Country Link
CN (1) CN114971345B (zh)
WO (1) WO2023236472A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971345B (zh) * 2022-06-08 2023-04-18 东南大学 一种建成环境品质测度方法、设备及存储介质
CN116936050B (zh) * 2023-07-19 2024-05-31 青岛理工大学 一种养老设施声环境健康效益测度及优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096834A (zh) * 2016-06-02 2016-11-09 淮南师范学院 一种基于sem‑fsvm的煤矿安全管理风险评价方法
CN106600153A (zh) * 2016-12-21 2017-04-26 武汉理工大学 一种尾矿库溃坝风险评价的方法
CN109697543A (zh) * 2017-10-20 2019-04-30 国网能源研究院有限公司 一种区域电网调度体制机制的评价方法及其系统
CN110111019A (zh) * 2019-05-16 2019-08-09 东南大学 一种观赏植物景观绩效综合评价模型及构建方法
CN111353130A (zh) * 2020-02-11 2020-06-30 苏州科技大学 历史文化街区空间品质评价方法
CN112508336A (zh) * 2020-11-09 2021-03-16 东南大学 一种基于结构方程模型的空间与环境效能关联测度方法
US11080789B1 (en) * 2011-11-14 2021-08-03 Economic Alchemy LLC Methods and systems to quantify and index correlation risk in financial markets and risk management contracts thereon

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910024B (zh) * 2017-03-03 2021-03-26 中国水产科学研究院黄海水产研究所 一种利用结构方程模糊综合评估海洋溢油渔业损害的方法
CN109598346A (zh) * 2017-09-30 2019-04-09 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统
JP2022538327A (ja) * 2019-06-28 2022-09-01 シーバ・テクノロジーズ・インコーポレイテッド 平面ロボットシステム中のｉｍｕによる、動的なオプティカルフローセンサの較正のための方法および装置
CN112257900A (zh) * 2020-09-23 2021-01-22 国网河北省电力有限公司经济技术研究院 一种基于结构方程的含分布式电源的配电网网架优化方法
CN113110990A (zh) * 2021-03-25 2021-07-13 浙江工业大学 基于结构方程模型的虚拟仿真软件用户体验评价方法
CN114971345B (zh) * 2022-06-08 2023-04-18 东南大学 一种建成环境品质测度方法、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11080789B1 (en) * 2011-11-14 2021-08-03 Economic Alchemy LLC Methods and systems to quantify and index correlation risk in financial markets and risk management contracts thereon
CN106096834A (zh) * 2016-06-02 2016-11-09 淮南师范学院 一种基于sem‑fsvm的煤矿安全管理风险评价方法
CN106600153A (zh) * 2016-12-21 2017-04-26 武汉理工大学 一种尾矿库溃坝风险评价的方法
CN109697543A (zh) * 2017-10-20 2019-04-30 国网能源研究院有限公司 一种区域电网调度体制机制的评价方法及其系统
CN110111019A (zh) * 2019-05-16 2019-08-09 东南大学 一种观赏植物景观绩效综合评价模型及构建方法
CN111353130A (zh) * 2020-02-11 2020-06-30 苏州科技大学 历史文化街区空间品质评价方法
CN112508336A (zh) * 2020-11-09 2021-03-16 东南大学 一种基于结构方程模型的空间与环境效能关联测度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李哲 等.基于美景度评价法(SBE)的当代新中式景园材质建构研究.《风景园林调查与分析》.2018,第107-112. *
李春涛 等.城市公园绿地空间的品质量化研究.《北京建筑大学学报》.2021,第37卷(第3期),第20-31页. *
李滨洋.基于多源大数据的明城区西南片区生活性街道空间品质测度研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2022,(第1期),第C038-2739页. *

Also Published As

Publication number Publication date
CN114971345A (zh) 2022-08-30
WO2023236472A1 (zh) 2023-12-14

Similar Documents

Publication Publication Date Title
CN114971345B (zh) 一种建成环境品质测度方法、设备及存储介质
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
WO2020228310A1 (zh) 一种基于区间与有界概率混合不确定性的机械臂稳健优化设计方法
CN106407464A (zh) 一种基于knn的改进缺失数据填补算法
WO2020248228A1 (zh) 一种Hadoop平台计算节点负载预测方法
CN111598352A (zh) 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN113408869A (zh) 一种配电网建设目标风险评估方法
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
CN116579768B (zh) 一种发电厂在线仪表运维管理方法及系统
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN112668822A (zh) 科技成果转化平台共享系统、方法、存储介质、手机app
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN115051929A (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN113837578B (zh) 一种电力监理企业网格化监督管理评价方法
CN114298659A (zh) 评价对象指标的数据处理方法、装置、计算机设备
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN112989272A (zh) 一种基于局部路径的社团发现算法
CN116431346A (zh) 一种用于电子设备主存储器容量的补偿方法
CN115293609A (zh) 人员安全责任制履职评价指标权重体系构建方法及系统
CN115409317A (zh) 基于特征选择和机器学习的台区线损检测方法及装置
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN114021905A (zh) 一种中小企业信用风险评价方法
CN117592865B (zh) 一种装备零备件质量状态预测方法及装置

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