CN115774957A - 基于人工智能算法的城市地块高度自适应生成与演示平台 - Google Patents
基于人工智能算法的城市地块高度自适应生成与演示平台 Download PDFInfo
- Publication number
- CN115774957A CN115774957A CN202211510534.XA CN202211510534A CN115774957A CN 115774957 A CN115774957 A CN 115774957A CN 202211510534 A CN202211510534 A CN 202211510534A CN 115774957 A CN115774957 A CN 115774957A
- Authority
- CN
- China
- Prior art keywords
- height
- land
- plot
- information
- potential value
- 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
Images
Classifications
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能算法的城市地块高度自适应生成与演示平台,包括以下步骤:场地数据采集与计算;案例数据采集与转化;场地空间结构生成与结构潜力值划分;空间结构全息显示与选取;地块高度自适应生成;人机交互调整地块高度;方案判断与输出;基于人工智能算法的城市地块高度自适应生成与演示平台解决了传统人工方案设计流程繁复、工作周期长、交互设计性差、人力成本高等多方面问题,进一步提升地块高度生成的效率;整合设计师思维与计算机逻辑,实现自上而下与自下而上相结合的高度形态方案生成方法,以应对更多场景下的城市设计高度方案生成。
Description
技术领域
本发明属于城市规划技术领域,尤其涉及基于人工智能算法的城市地块高度自适应生成与演示平台。
背景技术
在城市设计过程当中,需要结合设计地块上位规划要求和周边复杂的环境状况,对高度形态进行多轮推敲和设计。
在以往传统的设计过程中,规划设计师通过场地分析、上位结构转译、指标落实、反馈意见收集、高度多轮调整等流程对城市高度形态进行调整,具有人力投入大、设计周期长的问题,而随着计算机和信息技术的发展,多因子叠加分析的参数化方法逐渐应用于城市高度形态生成领域,但生成高度形态方案缺乏结构控制,只能适用于小于50公顷的地块,且交互设计调整困难。
发明内容
针对现有技术的不足,本发明提供了基于人工智能算法的城市地块高度自适应生成与演示平台,解决了上述问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于人工智能算法的城市地块高度自适应生成与演示平台,包括以下步骤:
S1、采集场地地理空间信息数据并将其转化为栅格信息,对各个地块的特征值标值进行计算;
S2、采集案例地理空间信息数据将其转化为栅格信息并导入城市设计案例库;
S3、通过城市设计方案案例库训练得到条件对抗生成网络模型并导入步骤S1场地栅格信息,生成场地的空间结构栅格信息并转换成矢量数据,依据地块质心与空间结构缓冲距离划分地块结构的高度潜力值;
S4、将地块结构的高度潜力值分布图并导入全息沙盘显示设备,选取设计结构方案;
S5、依据S4的地块结构的高度潜力值将地块划分为重点地块以及一般地块并生成高度;
S6、将S5中生成的高度结果输出至全息沙盘设备运行显示,生成三维高度模型,选取S5中的场地地块并对场地地块的高度进行调整,得到最终方案;
S7、导入上位规划指标库,并判断场地地块的高度是否符合指标要求,若符合则输出地块高度指标表,若不符合则返回S6再次调整后输出。
在上述技术方案的基础上,本发明还提供以下可选技术方案:
进一步的技术方案:所述S1的具体步骤为:
S101、使用计算机工作站通过公共空间信息平台获取场地的地理空间信息数据,对场地空间信息进行保存并导入地理信息处理软件;
S102、通过地理信息处理软件计算各地块特征指标,所述特征指标包括用地面积、周长、地块功能的高度潜力值,所述地块功能的高度潜力值通过地块用地功能进行赋值;
S103、将所述场地地理空间信息数据转化为栅格信息。
进一步的技术方案:所述S2的具体步骤为:
S201、通过步骤S101所述方法采集城市设计案例的地理空间信息数据,通过城市设计文本图纸采集用地功能和空间结构栅格信息,所述空间结构信息包括核心点要素栅格信息和轴线要素栅格信息;
S202、通过测绘无人机采集上述城市设计案例的建筑高度信息输入地理信息处理软件,计算各个地块的最高建筑高度作为地块高度,通过数据统计命令生成高度分布频率直方图,x轴为地块高度,y轴为各高度频数变化,其中x轴的地块高度单位为米;
S203、通过Hog图像特征提取识别算法提取上述城市设计方案空间结构栅格信息中的核心点和轴线要素并转换为图片,其中核心点以及轴线均转换成栅格信息;
S204、将城市设计案例的地理空间信息数据和栅格信息导入城市设计案例库并存储。
进一步的技术方案:所述S3的具体步骤为:
S301、对S2中用地功能栅格信息和空间结构栅格信息的映射特征进行机器学习训练,生成两者的映射关系,构建条件对抗生成网络模型;
S302、将S1中场地的栅格信息输入S301中条件对抗生成网络模型,生成场地多方案空间结构图;
S303、通过Hog图像特征提取识别算法提取场地多方案空间结构图中的核心点和轴线栅格信息,并转换为矢量数据;
S304、根据地块质心与空间结构的缓冲距离,对地块结构的高度潜力值进行赋值。
进一步的技术方案:所述S4的具体步骤为:
将地块结构的高度潜力值通过VR格式输出并在全息数字沙盘平台展示进行方案比选,获取空间结构方案。
进一步的技术方案:所述S5的具体步骤为:
S501、根据S4中选定的空间结构方案,并依据地块结构的高度潜力值划分为重点地块和一般地块;
S502、将S501中重点地块地块结构的高度潜力值和S102中地块功能的高度潜力值进行归一化处理后加权得到重点地块的最终高度潜力值,两者权重各占50%,计算公式为:
其中,Pf(i)为高度潜力值,P(i)为重点地块的最终高度潜力值,重点地块地块结构的高度潜力值Ps(i)。
S503、通过积分映射算法将S2中高度分布频率直方图与所述重点地块的最终高度潜力值自动匹配,地块i的高度与最终高度潜力值的映射关系为:
依据上述对应关系和不定函数f(x)计算得到高度Hi,其中Pi为最终高度潜力值,Hi为地块i的高度,不定函数f()依据高度分布频率直方图的曲线变化得到;
S504、依据一般地块的地块面积和功能信息,通过KNN算法自动匹配S2城市设计案例库中功能一致、与一般地块面积大小比值在0.8-1.2之间,且最接近1的地块高度;若匹配失败,则为该地块分配其邻近地块的平均最高高度,其中,有一边相邻即视为邻近地块,平均最高高度计算方式为各地块面积*各地块最高高度/地块总面积。
进一步的技术方案:所述S6的具体步骤为:
S601、合并S5中重点地块和一般地块数据,形成地块的最高高度方案,单位为米;
S602、将生成的最高高度方案输入全息沙盘平台,通过地理空间坐标信息在全息沙盘后台中自动落位,生成地块高度三维模型并进行显示;
S603、设计师通过S402中方式对所述S602生成的地块高度三维模型中的地块高度进行拉升、压缩调整,形成最终的高度方案。
进一步的技术方案:所述S7的具体步骤为:
S701、导入上位规划指标库至全息沙盘平台,所述上位规划指标库包括地块限高指标;
S702、使用计算机工作站计算并判断场地地块的高度是否符合上位规划指标库指标要求,若是,则将结果导出生成工程图纸,并在全息沙盘上进行展示,若否,则返回S6进行调整后再次输出结果。
进一步的技术方案:所述S102中所述地块功能的高度潜力值通过地块用地功能进行赋值,其中赋值规则为:
商业商务混合用地赋值为9、商务用地赋值为8、商住混合用地赋值为8、商业用地赋值为7、科研用地赋值为7、行政办公用地赋值为6、文化设施用地赋值为5、学校教育用地赋值为4、体育用地赋值为5、医疗卫生用地赋值为5、二类居住用地赋值为4、工业用地赋值为3、公用设施用地赋值为2、仓储用地赋值为1;
其中,分类标准按照城市用地分类与规划建设用地标准中的种类进行分类。
进一步的技术方案:所述S304中的赋值规则为:
所述赋值由地块质心距最近核心点要素距离与地块距最近轴线要素相加得到;
其中,地块质心距最近核心点要素距离小于200m记5分,大于等于200m且小于400m记3分,大于等于400m且小于800m记3分,大于等于800m记1分;地块质心距最近轴线要素距离小于200m记4分,大于等于200m且小于600m记2分,大于等于600m记0分。
有益效果
本发明提供了基于人工智能算法的城市地块高度自适应生成与演示平台,与现有技术相比具备以下有益效果:
1、本发明拓展了人工智能在城市高度形态生成的应用场景,本发明通过结构要素体现传统设计中自上而下的设计师思维,对实际业务中大中尺度的城市高度形态智能生成需求进行了弥补;
2、本发明减少了设计方案的时间成本和人力成本,本发明通过实时人机交互调整与展示,快速生成地块的高度形态的多种方案并进行即时调整,最终导出高度指标,极大的提高了相关技术人员的工作效率。
附图说明
图1为本发明实施例的整体方法流程和设备框架图;
图2为本发明实施例的案例高度采集图;
图3为本发明实施例生成的空间结构图;
图4为本发明实施例结构潜力值识别图;
图5为本发明实施例结构方案人机交互原理图;
图6为本发明实施例的重点地块和一般地块识别图;
图7为本发明实施例地块高度与最终高度潜力值映射关系图;
图8为本发明实施例高度形态生成三维模型图;
图9为本发明实施例高度形态模型人机交互原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1-9所示,本发明实施例公开了一种基于人工智能的城市设计虚拟现实即时交互平台,包括以下步骤:
S1、采集并输入场地的地理空间信息数据,计算各个地块的特征指标值,将所述地理空间信息数据转换成栅格信息;
S2、采集已建成城市设计方案的地理空间信息数据和空间结构栅格信息,计算生成高度分布频率直方图,将所述地理空间信息数据转化成栅格信息,导入城市设计案例库;
S3、通过城市设计方案案例库训练得到条件对抗生成网络模型,导入S1场地栅格信息,生成场地的空间结构栅格信息并转换成矢量数据,依据地块质心与空间结构缓冲距离划分地块结构的高度潜力值;
S4、将地块结构的高度潜力值分布图并导入全息沙盘显示设备,规划设计师通过手势指令选取设计结构方案;
S5、依据S4中地块结构的高度潜力值结果划分重点地块和一般地块,计算重点地块高度潜力指标并通过积分映射算法自适应生成重点地块最高高度,所述高度潜力指标通过地块结构的高度潜力值和地块功能的高度潜力值相加得到,将场地一般地块的地块面积与功能信息导入S2高度生成案例库,通过KNN算法匹配最相似地块高度;
S6、将上述结果输出至全息沙盘设备运行显示,生成三维高度模型,规划师通过手势指令选取并对场地地块的高度进行调整,得到最终方案;
S7、导入上位规划指标库,并判断场地地块的高度是否符合指标要求,若符合则输出地块高度指标表,若不符合则返回S6再次调整后输出。
具体地,上述S1包括S101、S102、S103和S104四个步骤:
S101、使用算力为2.5petaFLOPS,内存为320GB的计算机工作站通过公共空间信息平台如国家地理信息公共服务平台、Google earth等获取滁州市某场地90平方公里的地理空间信息数据,包含地块数据、道路数据、水系数据、绿地数据,手动输入地块功能信息。将上述信息存储在DS1522+NAS存储器中,并导入地理信息处理软件。
S102、通过地理信息处理软件计算几何命令计算各地块特征指标,所述特征指标包括用地面积、周长、地块功能的高度潜力值。
S103、所述地块功能的高度潜力值通过地块用地功能进行赋值,其中商业商务混合用地(用地代码B1B2)赋值为9;商务用地(用地代码B2)赋值为8;商住混合用地(用地代码RB)赋值为8;商业用地(用地代码B1)赋值为7;科研用地(用地代码A35)赋值为7;行政办公用地(用地代码A1)赋值为6;文化设施用地(用地代码A2)赋值为5;学校教育用地(用地代码A3,此处不包括A35类用地)赋值为4;体育用地(用地代码A4)赋值为5;医疗卫生用地(用地代码A5)赋值为5;二类居住用地(用地代码R2)赋值为4;包括工业用地(用地代码M1)赋值为3;公用设施用地(用地代码U1、U2、U3、U9)赋值为2;仓储用地(用地代码W1)赋值为1,分类标准按照《城市用地分类与规划建设用地标准》(GB50137-2011)中的种类进行分类。
S104、将所述场地地理空间信息数据转化为比例为1:1000,分辨率为300dpi的栅格信息,其中地块功能信息和颜色按照《城市规划制图图例》及《城市用地分类与规划建设用地标准》(GB50137-2011)进行转换。
具体地,上述S2包括S201、S202、S203和S204四个步骤:
S201、通过S1.1所述方法采集5000个城市设计案例的地理空间信息数据,包含地块数据、道路数据、水系数据。通过城市设计文本图纸采集用地功能和空间结构栅格信息,所述栅格信息的比例为1:1000,分辨率为300dpi,所述空间结构信息包括核心点要素栅格信息,和轴线要素栅格信息;
S202、通过分辨率为1920×1080以上的测绘无人机采集上述城市设计案例的建筑高度信息,如图2所示,输入地理信息处理软件,计算各个地块的最高建筑高度作为地块高度,通过数据统计命令生成高度分布频率直方图,x轴为地块高度(单位为米),y轴为各高度频数变化;
S203、通过Hog图像特征提取识别算法提取上述城市设计方案空间结构栅格信息中的核心点和轴线要素,并转换为比例为1:1000分辨率为300dpi的图片,其中核心点转换成RGB值为255-0-0的栅格信息,轴线转换成RGB值为255-165-0的栅格信息;
S204、将上述5000个城市设计案例的地理空间信息数据和栅格信息导入城市设计案例库并存储。
上述S3包括S301、S302和S303三个步骤:
S301、对S2中用地功能栅格信息和空间结构栅格信息的映射特征进行机器学习训练,4000轮学习训练后生成两者的映射关系,构建条件对抗生成网络模型;
S302、将步骤S1中场地的栅格信息输入步骤S301中条件对抗生成网络模型,生成场地多方案空间结构图,如图3所示;
S303、通过Hog图像特征提取识别算法提取场地多方案空间结构图中的核心点和轴线栅格信息,并转换为矢量数据。根据地块质心与空间结构的缓冲距离,对地块结构的高度潜力值进行赋值,所述赋值由地块质心距最近核心点要素距离与地块距最近轴线要素相加得到,其中,地块质心距最近核心点要素距离小于200m记5分,大于等于200m且小于400m记3分,大于等于400m且小于800m记3分,大于等于800m记1分;地块质心距最近轴线要素距离小于200m记4分,大于等于200m且小于600m记2分,大于等于600m记0分,如图4所示;
具体地,上述S4包括S401和S402两个步骤:
S401、将地块结构的高度潜力值通过VR格式输出并在全息数字沙盘平台展示;
S402、设计师佩戴的VR眼镜和手柄设备进行方案比选,调试定位设备与数字大屏的距离位置,通过人的头部运动对场景进行实时漫游,通过手部姿势对场地多方案空间结构进行缩放、旋转、切换、选择、拉升、压缩等操作,选定空间结构方案,如图5所示;
具体地,上述S5包括S501、S502、S503和S504四个步骤:
S501、导入S4中选定的空间结构方案,依据地块结构的高度潜力值划分为重点地块和一般地块,其中分值高于6的则为重点地块,其余为一般地块,如图6所示;
S502、将S501中重点地块地块结构的高度潜力值和S102中地块功能的高度潜力值进行归一化处理后加权得到重点地块的最终高度潜力值,两者权重各占50%,计算公式为:
其中,Pf(i)为地块功能的高度潜力值,P(i)为重点地块的最终高度潜力值,重点地块地块结构的高度潜力值Ps(i);
S503、通过积分映射算法将S2中高度分布频率直方图与所述重点地块的最终高度潜力值自动匹配,地块i的高度Hi与最终高度潜力值P(i)的映射关系为:
依据上述对应关系和函数公式f(x)计算得到高度Hi,其中Pi为最终高度潜力值,Hi为地块i的高度,不定函数f()依据高度分布频率直方图的曲线变化得到;
S504、依据一般地块的地块面积和功能信息,通过KNN算法自动匹配步骤S2城市设计案例库中功能一致、与一般地块面积大小比值在0.8-1.2之间,且最接近1的地块高度;若匹配失败,则为该地块分配其邻近地块的平均最高高度,其中,有一边相邻即视为邻近地块,平均最高高度计算方式为各地块面积*各地块最高高度/地块总面积。
具体地,上述S6包括S601、S602和S603三个步骤:
S601、合并S5中重点地块和一般地块数据,形成地块的最高高度方案,单位为米,如图7所示;
S602、将生成的最高高度方案输入全息沙盘平台,通过地理空间坐标信息在全息沙盘后台中自动落位,生成地块高度三维模型并进行显示;
S603、如图8所示,设计师通过S402中方式对地块高度进行拉升、压缩调整,形成最终的高度方案。
具体地,上述S7包括S701和S702两个步骤:
S701、导入上位规划指标库至全息沙盘平台,所述上位规划指标库包括地块限高指标;
S702、使用算力为2.5petaFLOPS,内存为320GB的计算机工作站计算并判断场地地块的高度是否符合上位规划指标库指标要求,若是,则将结果导出生成比例为1:1000的工程图纸,包括地块信息,并在全息沙盘上进行展示,若否,则返回S6进行调整后再次输出结果。
本发明解决了传统人工方案设计流程繁复、工作周期长、交互设计性差、人力成本高等多方面问题,进一步提升地块高度生成的效率;整合设计师思维与计算机逻辑,实现自上而下与自下而上相结合的高度形态方案生成方法,以应对更多场景下的城市设计高度方案生成。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,包括以下步骤:
S1、采集场地地理空间信息数据并将其转化为栅格信息,对各个地块的特征值标值进行计算;
S2、采集案例地理空间信息数据将其转化为栅格信息并导入城市设计案例库;
S3、通过城市设计方案案例库训练得到条件对抗生成网络模型并导入步骤S1场地栅格信息,生成场地的空间结构栅格信息并转换成矢量数据,依据地块质心与空间结构缓冲距离划分地块结构的高度潜力值;
S4、将地块结构的高度潜力值分布图并导入全息沙盘显示设备,选取设计结构方案;
S5、依据S4的地块结构的高度潜力值将地块划分为重点地块以及一般地块并生成高度;
S6、将S5中生成的高度结果输出至全息沙盘设备运行显示,生成三维高度模型,选取S5中的场地地块并对场地地块的高度进行调整,得到最终方案;
S7、导入上位规划指标库,并判断场地地块的高度是否符合指标要求,若符合则输出地块高度指标表,若不符合则返回S6再次调整后输出。
2.根据权利要求1所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S1的具体步骤为:
S101、使用计算机工作站通过公共空间信息平台获取场地的地理空间信息数据,对场地空间信息进行保存并导入地理信息处理软件;
S102、通过地理信息处理软件计算各地块特征指标,所述特征指标包括用地面积、周长、地块功能的高度潜力值,所述地块功能的高度潜力值通过地块用地功能进行赋值;
S103、将所述场地地理空间信息数据转化为栅格信息。
3.根据权利要求2所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S2的具体步骤为:
S201、通过步骤S101所述方法采集城市设计案例的地理空间信息数据,通过城市设计文本图纸采集用地功能和空间结构栅格信息,所述空间结构信息包括核心点要素栅格信息和轴线要素栅格信息;
S202、通过测绘无人机采集上述城市设计案例的建筑高度信息输入地理信息处理软件,计算各个地块的最高建筑高度作为地块高度,通过数据统计命令生成高度分布频率直方图,x轴为地块高度,y轴为各高度频数变化,其中x轴的地块高度为米;
S203、通过Hog图像特征提取识别算法提取上述城市设计方案空间结构栅格信息中的核心点和轴线要素并转换为图片,其中核心点以及轴线均转换成栅格信息;
S204、将城市设计案例的地理空间信息数据和栅格信息导入城市设计案例库并存储。
4.根据权利要求3所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S3的具体步骤为:
S301、对S2中用地功能栅格信息和空间结构栅格信息的映射特征进行机器学习训练,生成两者的映射关系,构建条件对抗生成网络模型;
S302、将S1中场地的栅格信息输入S301中条件对抗生成网络模型,生成场地多方案空间结构图;
S303、通过Hog图像特征提取识别算法提取场地多方案空间结构图中的核心点和轴线栅格信息,并转换为矢量数据;
S304、根据地块质心与空间结构的缓冲距离,对地块结构的高度潜力值进行赋值。
5.根据权利要求4所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S4的具体步骤为:
将地块结构的高度潜力值通过VR格式输出并在全息数字沙盘平台展示,并进行方案比选,获取空间结构方案。
6.根据权利要求5所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S5的具体步骤为:
S501、根据S4中选定的空间结构方案,并依据S4中的地块结构的高度潜力值划分为重点地块和一般地块;
S502、将S501中重点地块地块结构的高度潜力值和S102中地块功能的高度潜力值进行归一化处理后加权得到重点地块的最终高度潜力值,两者权重各占50%,计算公式为:
其中,Pf(i)为地块功能的高度潜力值,P(i)为重点地块的最终高度潜力值,重点地块地块结构的高度潜力值Ps(i);
S503、通过积分映射算法将S2中高度分布频率直方图与所述重点地块的最终高度潜力值自动匹配,地块i的高度Hi与最终高度潜力值P(i)的映射关系为:
依据上述对应关系和函数公式f(x)计算得到高度Hi,其中Pi为最终高度潜力值,Hi为地块i的高度,不定函数f()依据高度分布频率直方图的曲线变化得到;
S504、依据一般地块的地块面积和功能信息,通过KNN算法自动匹配S2城市设计案例库中功能一致、与一般地块面积大小比值在0.8-1.2之间,且最接近1的地块高度;若匹配失败,则为该地块分配其邻近地块的平均最高高度,其中,有一边相邻即视为邻近地块,平均最高高度计算方式为各地块面积*各地块最高高度/地块总面积。
7.根据权利要求6所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S6的具体步骤为:
S601、合并S5中重点地块和一般地块数据,形成地块的最高高度方案,单位为米;
S602、将生成的最高高度方案输入全息沙盘平台,通过地理空间坐标信息在全息沙盘后台中自动落位,生成地块高度三维模型并进行显示;
S603、对所述S602生成的地块高度三维模型中的地块高度进行拉升、压缩调整,形成最终的高度方案。
8.根据权利要求7所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S7的具体步骤为:
S701、导入上位规划指标库至全息沙盘平台,所述上位规划指标库包括地块限高指标;
S702、使用计算机工作站计算并判断场地地块的高度是否符合上位规划指标库指标要求,若是,则将结果导出生成工程图纸,并在全息沙盘上进行展示,若否,则返回S6进行调整后再次输出结果。
9.根据权利要求2所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S102中所述地块功能的高度潜力值通过地块用地功能进行赋值,其中赋值规则为:
商业商务混合用地赋值为9、商务用地赋值为8、商住混合用地赋值为8、商业用地赋值为7、科研用地赋值为7、行政办公用地赋值为6、文化设施用地赋值为5、学校教育用地赋值为4、体育用地赋值为5、医疗卫生用地赋值为5、二类居住用地赋值为4、工业用地赋值为3、公用设施用地赋值为2、仓储用地赋值为1;
其中,分类标准按照城市用地分类与规划建设用地标准中的种类进行分类。
10.根据权利要求4所述的基于人工智能算法的城市地块高度自适应生成与演示平台,其特征在于,所述S304中的赋值规则为:
所述赋值由地块质心距最近核心点要素距离与地块距最近轴线要素相加得到;
其中,地块质心距最近核心点要素距离小于200m记5分,大于等于200m且小于400m记3分,大于等于400m且小于800m记3分,大于等于800m记1分;地块质心距最近轴线要素距离小于200m记4分,大于等于200m且小于600m记2分,大于等于600m记0分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211510534.XA CN115774957A (zh) | 2022-11-29 | 2022-11-29 | 基于人工智能算法的城市地块高度自适应生成与演示平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211510534.XA CN115774957A (zh) | 2022-11-29 | 2022-11-29 | 基于人工智能算法的城市地块高度自适应生成与演示平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115774957A true CN115774957A (zh) | 2023-03-10 |
Family
ID=85390621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211510534.XA Pending CN115774957A (zh) | 2022-11-29 | 2022-11-29 | 基于人工智能算法的城市地块高度自适应生成与演示平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115774957A (zh) |
-
2022
- 2022-11-29 CN CN202211510534.XA patent/CN115774957A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3951719A1 (en) | Blended urban design scene simulation method and system | |
US11302072B2 (en) | System for constructing urban design digital sand table | |
CN102004963B (zh) | 一种数字城市生成方法 | |
CN110322564B (zh) | 一种适用于vr/ar的变电站运行环境的三维模型构建方法 | |
CN110222357A (zh) | 一种海绵城市规划建设bim建模方法 | |
CN104766366A (zh) | 一种三维虚拟现实演示的建立方法 | |
WO2022166681A1 (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
Shan et al. | Auxiliary use and detail optimization of computer VR technology in landscape design | |
CN108765567A (zh) | 一种用于构建城市设计数字化沙盘的系统 | |
CN110660125A (zh) | 用于电力配网系统的三维建模装置 | |
CN111177498A (zh) | 基于bim技术的结构监测数据三维可视化方法及系统 | |
CN117407550B (zh) | 一种基于gis技术的藏羌传统聚落景观数字化系统 | |
CN204695673U (zh) | 一种用于城市规划建设中的三维数字化沙盘 | |
Lin et al. | Urban space simulation based on wave function collapse and convolutional neural network | |
CN115774957A (zh) | 基于人工智能算法的城市地块高度自适应生成与演示平台 | |
CN115713603A (zh) | 基于建筑空间图谱的多类型街区建筑群形态智能生成方法 | |
CN112800514B (zh) | 一种采用激光点云加bim建模技术运用到换流站可视化管控平台的方法 | |
CN114937137A (zh) | 一种基于bim与gis的建筑环境智能分析方法 | |
Glander et al. | Concepts for automatic generalization of virtual 3D landscape models | |
CN108345688A (zh) | 一种城市设计的数字化转译及应用方法 | |
CN115048473A (zh) | 城市信息模型人工智能服务方法及系统 | |
CN114490907A (zh) | 名城管理数据库的构建方法、装置及存储介质 | |
Hu et al. | Research on 3D GIS Data Modeling System Based on Computer Big Data Technology | |
Xie | Application of computer simulation virtual reality simulation technology in the statistical analysis of urban building communities | |
Chen | [Retracted] Construction of a Large Visual Landscape Design Platform considering Low‐Carbon Environmental Protection Based on Nanomaterials |
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 |