CN116151490A - 土地变化预测方法、装置、电子设备和存储介质 - Google Patents

土地变化预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116151490A
CN116151490A CN202310419057.4A CN202310419057A CN116151490A CN 116151490 A CN116151490 A CN 116151490A CN 202310419057 A CN202310419057 A CN 202310419057A CN 116151490 A CN116151490 A CN 116151490A
Authority
CN
China
Prior art keywords
data
city
land
grid
predicted
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.)
Granted
Application number
CN202310419057.4A
Other languages
English (en)
Other versions
CN116151490B (zh
Inventor
宋长青
高培超
高怡凡
叶思菁
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202310419057.4A priority Critical patent/CN116151490B/zh
Publication of CN116151490A publication Critical patent/CN116151490A/zh
Application granted granted Critical
Publication of CN116151490B publication Critical patent/CN116151490B/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
    • G06Q10/04—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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种土地变化预测方法、装置、电子设备和存储介质，涉及土地变化预测技术领域。该方法包括：获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；针对待预测区域中的任一城市，根据城市的综合实力指标数据确定城市的综合实力指数；将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到城市吸引力栅格数据，城市吸引力栅格数据包括每个栅格单元受到的各个城市的吸引力之和；根据每个城市的自然经济数据和城市吸引力栅格数据得到位置适宜性栅格数据；将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到土地变化预测结果。由此，能够提升土地变化预测的精度。

Description

土地变化预测方法、装置、电子设备和存储介质
技术领域
本发明涉及土地变化预测技术领域，尤其涉及一种土地变化预测方法、装置、电子设备和存储介质。
背景技术
土地利用变化是人类活动的直观体现，深刻影响着生态环境质量。对土地资源的不合理利用会导致生态环境持续恶化，因此，如何合理利用土地资源已经成为了城市可持续发展中的重要问题。
土地变化模拟技术可以预测未来不同情景下的土地利用变化，并得出空间显示的预测结果，能够为人们更合理的使用土地资源提供一定的参考建议。土地变化模拟的有效工具是土地变化模型。大多数土地变化模型的核心是通过达到土地系统服务的供需平衡来预测土地类型变化。土地系统服务是指某种土地类型的面积或者是土地提供的商品或服务（例如，粮食产量）。
依据一种土地类型能够提供的土地系统服务的数量，目前的土地变化模型可以分为两种，一种是，一种土地类型仅能够提供一种土地系统服务的土地变化模型，这种土地变化模型的应用范围较小。另一种是，一种土地类型能够提供多种土地系统服务的土地变化模型，这种土地变化模型在预测城市群未来的土地变化时，未考虑城市之间的相互作用，导致土地变化预测精度较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供一种土地变化预测方法、装置、电子设备和存储介质，以提升土地变化预测的精度。
本发明提供一种土地变化预测方法，包括：
获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；
针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数；
将每个所述城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到所述待预测区域的城市吸引力栅格数据，所述城市吸引力栅格数据包括每个栅格单元受到的各个所述城市的吸引力之和，所述城市综合引力模型用于根据所述预制的时间成本栅格数据以及待检测区域中每个所述城市的综合实力指数生成所述城市吸引力栅格数据；
根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据；
将所述土地数据和所述位置适宜性栅格数据输入至土地变化模型中，得到所述待预测区域的土地变化预测结果，所述土地变化模型用于根据所述土地数据和所述位置适宜性栅格数据生成所述待预测区域的土地变化预测结果。
在一些可实现的方式中，所述城市的综合实力指标数据包括多个子成分指标，所述子成分指标用于评价城市在单个方面所体现的实力，所述针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数，包括：将所述城市的所有所述子成分指标输入至SPSS软件中，得到所述城市的多个主成分指标和每个所述主成分指标的贡献度；根据所述城市的所有所述主成分指标的贡献度确定所述城市的综合实力指数。
在一些可实现的方式中，所述时间成本栅格数据的生成步骤包括：获取所述待预测区域范围内的道路数据，所述道路数据包括所述栅格单元中的道路长度和相应道路的标准行驶速度；针对所述待预测区域中的任一栅格单元，根据所述任一栅格单元的道路长度和标准行驶速度确定所述任一栅格单元的时间成本；根据每个所述栅格单元的时间成本生成所述时间成本栅格数据。
在一些可实现的方式中，所述预先构建的城市综合引力模型公式为：
Figure SMS_1
；
其中，Fx为所述栅格单元x受到的各个所述城市的吸引力之和，c=1表示所述待预测区域中的第一个城市，n为所述待预测区域中城市的总数目，Mc为第c个城市的综合实力指数，m为所述栅格单元x的质量，m=1，D（x,Center（c））为所述栅格单元x到第c个城市中心的时间成本距离值，G为预设系数，G=1。
在一些可实现的方式中，在根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据之前，所述方法还包括：利用预设公式对所述城市吸引力栅格数据进行均衡化处理；所述根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据，包括：根据每个所述城市的自然经济数据和均衡化后的城市吸引力栅格数据得到所述位置适宜性栅格数据。
在一些可实现的方式中，所述预设公式为：
Figure SMS_2
；
其中，D（i）为均衡化后第i个所述栅格单元受到的各个所述城市的吸引力之和，d（i）为第i个所述栅格单元受到的各个所述城市的吸引力之和的占比，max（D）为均衡化后所述栅格单元受到的各个所述城市的吸引力之和的最大值。
在一些可实现的方式中，所述土地数据包括土地系统类型、土地转换阻力值和土地转移矩阵。
本发明还提供一种土地变化预测装置，包括：获取模块，用于获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；第一确定模块，用于针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数；城市综合引力计算模块，用于将每个所述城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到所述待预测区域的城市吸引力栅格数据，所述城市吸引力栅格数据包括每个栅格单元受到的各个所述城市的吸引力之和，所述城市综合引力模型用于根据所述预制的时间成本栅格数据以及待检测区域中每个所述城市的综合实力指数生成所述城市吸引力栅格数据；第二确定模块，用于根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据；预测模块，用于将所述土地数据和所述位置适宜性栅格数据输入至土地变化模型中，得到所述待预测区域的土地变化预测结果，所述土地变化模型用于根据所述土地数据和所述位置适宜性栅格数据生成所述待预测区域的土地变化预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述土地变化预测方法。
本发明还提供一种非暂态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任一种所述土地变化预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述土地变化预测方法。
本发明提供的土地变化预测方法、装置、电子设备和存储介质，通过将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据，通过城市吸引力栅格数据来量化城市之间的相互作用；再通过城市吸引力栅格数据和每个城市的自然经济数据得到待预测区域的位置适宜性栅格数据；最后通过土地数据和位置适宜性栅格数据确定最终的土地变化预测结果，考虑了城市之间的相互影响，有效的提升了土地变化预测的精度。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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是本发明实施例的土地变化预测方法的流程图之一；
图2是本发明实施例的时间成本栅格的示意图；
图3是本发明实施例的土地变化预测方法的流程图之二；
图4是本发明实施例的土地变化预测方法的流程图之三；
图5是本发明实施例的时间成本栅格和路径的示意图；
图6是本发明一个具体实施例的土地变化预测方法的流程图；
图7是本发明实施例的土地变化预测装置的方框图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做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。
图1是本发明实施例的土地变化预测方法的流程图之一。如图1所示，该土地变化预测方法可以包括以下步骤：
步骤110：获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据。
具体地，可以先选择所要预测的城市群，可以将城市群所在区域作为待预测区域。确定待预测区域后，获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据。
这里，需要说明的是，综合实力指标数据可以选择统计年鉴的数据，统计年鉴的时间可以选择与预测起始年份接近的年份。示例地，若要预测2010年待预测区域的土地利用变化，则可以将2000年作为预测起始年份，统计年鉴则可以选择1999年，即可以使用1999年统计的综合实力指标数据来对2010年待预测区域的土地利用变化进行预测。
在本实施例中，各个城市的土地数据和自然经济数据均可以为栅格数据。可以理解的是，栅格数据是将空间分割成有规律的网格，每一个网格称为一个单元，并在各单元上赋予相应的属性值来表示实体的一种数据形式。因此，可以将待预测区域的空间分割成有规律的网格，每个网格即为一个栅格单元。另外，本实施例中的土地数据和自然经济数据可以为TIF格式的栅格数据，其分辨率为100米，坐标系可以选择WGS_1984_UTM_Zone_49N坐标系。需要说明的是，本发明实施例中所涉及到的所有栅格数据均可以使用相同的分辨率和坐标系。
在一些实施方式中，土地数据包括土地系统类型、土地转换阻力值和土地转移矩阵。需要说明的是，这里所说的土地系统类型是指，在预测起始年份时，栅格单元所代表地区的土地系统类型。
在本实施例中，土地系统类型可以包括（但不限于）：水域系统、建设用地系统和非建设用地系统。土地系统类型的获取方式可以为：先获取待预测区域中各个城市的土地覆被数据，采用的土地覆被数据可以为Globeland30数据。得到土地覆被数据后，可以将土地覆被数据进行升尺度操作，并在升尺度的过程中，利用滑动窗口统计土地覆被数据统计窗口内占比最多的像元类型，并根据该像元类型确定土地系统类型。
另外，需要说明的是，获得的土地覆被数据同样为栅格数据形式，根据土地覆被数据得到的土地系统类型也为栅格数据形式。
作为一个示例，可以通过升尺度的方式将土地覆被数据制作成90米分辨率的土地系统数据；再对该土地系统数据重采样至100米分辨率，从而来调整土地系统数据的分辨率。在升尺度时，可以使用3×3的滑动窗口统计窗口内占比最多的像元类型，若占比最多的像元类型为水域，则升尺度后的土地系统类型为水域系统。若占比最多的像元类型为建设用地，则升尺度后的土地系统类型为建设用地系统。若占比最多的像元类型为其他剩余类型，则升尺度后的土地系统类型为非建设用地系统。
土地转换阻力值用于表示某种土地系统类型转换为其他土地系统类型的难易程度，土地转换阻力值可以通过历史年份的土地系统数据来计算得到。示例地，可以根据2000年至2010年的历史土地系统数据，计算得到非建设用地系统转换为其他用地系统的概率大小为75%。
土地转移矩阵用于表示任意两种土地系统类型之间是否允许转换，同样地，土地转移矩阵也可以通历史年份的土地系统数据来确定。示例地，可以统计2009年和2010年的土地系统数据，并将这些数据进行叠加分析，如果某两种土地系统类型在这两年发生过转换，则可以认为这两种土地系统类型能够发生转换，并得到土地转移矩阵。
在本实施例中，自然经济数据可以包括（但不限于）：地形数据、可达性数据和兴趣点密度数据，这三个方面。
其中，地形数据可以包括：DEM（Digital Elevation Model，数字高程模型)、坡度、坡向等。DEM的数据来源可以为ASTER V2，坡度数据可以由DEM进行计算得到，坡向数据也可以由DEM进行计算得到。DEM、坡度数据和坡向数据均可以为栅格数据形式。
可达性数据可以包括：到城市中心、河流、道路、铁路的最近距离。到城市中的最近距离可以从资源环境科学与数据中心的数据库中获得，到河流、道路、铁路的最近距离可以从Open Street Map中获得。可达性数据的数据形式可以为矢量数据。
兴趣点密度数据可以包括：餐饮设施、购物消费设施、医疗设施、旅游景点、交通设施等密度数据。这些兴趣点密度数据均可以从开源地图数据库中获取得到。
在本实施例中，城市的综合实力指标数据可以包括（但不限于）能够反映城市经济发展、社会发展、科学和教育、基础设置、环境条件这五个方面的指标数据。
作为一个示例，能够反映经济发展的指标数据可以包括：全市地区生产总值、社会消费品零售总额、公共财务收入、在岗职工平均工资、固定资产投资（不含农户）等。能够反映社会发展的指标数据可以包括：全市年平均人口、人均地区生产总值、公共图书馆图书总藏量、医院和卫生院个数、医生数等。能够反映科学和教育的指标数据可以包括：科学研究指标、技术服务指标、地质勘查业指标、普通高等学校数量、在校学生数-普通高等学校等。能够反映基础设置的指标数据可以包括：建成区面积、年末邮政局、公路货运量、全社会用电量等。能够反映环境条件的指标数据可以包括：建成区绿化覆盖率、城市污水处理率、城市人均公园绿地面积等。
步骤120：针对待预测区域中的任一城市，根据城市的综合实力指标数据确定城市的综合实力指数。
在得到待预测区域中各个城市的综合实力指标数据后，可以通过一个城市的综合实力指标数据确定该城市的综合实力指数。可以理解的是，每个城市可以对应有一个综合实力指数。
由于用于反映城市综合实力的指标数据多种多样，因此，可以通过将这些指标数据进行融合，得到一个综合实力指数，所得到的综合实力指数能够更清楚、准确的评价该城市的综合实力。另外，还可以考虑每个综合实力指标的重要程度，根据每个综合实力指标的重要程度来计算得到综合实力指数。
步骤130：将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据。
其中，城市吸引力栅格数据包括每个栅格单元受到的各个城市的吸引力之和。
需要说明的是，可以将待预测区域的空间分割为多个有规律的栅格单元，可以预先计算得到行驶通过每个栅格单元所代表的地区需要花费的时间成本，所有栅格单元和对应的时间成本可以组成一个时间成本栅格数据。
图2是本发明实施例的时间成本栅格的示意图。如图2所述，作为一个示例，每个栅格单元中的数据表示行驶通过该栅格单元所代表的地区需要花费的时间成本，时间成本数据单位为小时。例如，图2中的阴影栅格中的数据为2，则可以确定行驶通过阴影栅格单元所代表的地区需要花费的时间成本为2个小时。
在得到每个城市的综合实力指数和时间成本栅格数据后，可以将每个城市的综合实力指数和时间成本栅格数据输入至预先构建的城市综合引力模型中，可以得到待预测区域的城市吸引力栅格数据。同样地，可以将待预测区域的空间分割为多个有规律的栅格单元，城市综合引力模型用于计算每个栅格单元受到各个城市的吸引力之和，从而确定各个城市对于每个栅格单元所代表的地区的影响。
具体地，城市综合引力模型会根据时间成本栅格数据确定任一栅格单元所代表地区到某一个城市中心的时间成本距离，再通过该时间成本距离和该城市的综合实力指数计算的到该城市对栅格单元所代表地区的吸引力；以此类推，可以计算得到每个城市对栅格单元所代表地区的吸引力；进而能够得到每个城市对栅格单元所代表地区的吸引力之和。最终，能够得到城市吸引力栅格数据。
步骤140：根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据。
位置适宜性栅格数据能够反映栅格单元所代表地区在受到自然、经济、社会等因素的驱动下，成为某种土地系统类型的可能性。因此，位置适宜性栅格数据可以包括每个栅格单元所代表地区的土地系统类型能够成为水域系统的概率值、成为建设用地系统的概率值以及成为非建设用地系统的概率值。
在本实施例中，不仅利用每个城市的自然经济数据来计算位置适宜性栅格数据，还考虑了各个城市吸引力对位置适宜性的影响，从而能够提高待预测区域位置适宜性栅格数据的全面性和准确性。计算位置适宜性栅格数据的方式可以为：利用Logistic回归算法来计算位置适宜性栅格数据。具体可以通过下式计算一个栅格单元的位置适宜性数据：
Figure SMS_3
；
其中，Pi为土地系统类型i成为某一种土地系统类型的概率，Xn,i是影响土地系统类型i变化的第n个影响因子的数据，β0为常数，βn为Xn,i的系数。这里，需要说明的是，影响因子包括自然经济和城市吸引力，影响因子的数据包括自然经济数据和城市吸引力栅格数据中该栅格单元的城市吸引力数据。
采用同样的方式可以计算得到每个栅格单元的位置适宜性数据，每个栅格单元的位置适宜性数据可以组成最终的位置适宜性栅格数据。
步骤150：将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果。
需要说明的是，本发明实施例可以使用目前已有的土地变化模型来得到土地变化预测结果。
具体地，在得到土地系统类型、土地转换阻力值、土地转移矩阵以及位置适宜性栅格数据后，将土地系统类型、土地转换阻力值、土地转移矩阵以及位置适宜性栅格数据输入至土地变化模型中，土地变化模型则会输出待预测区域的土地变化预测结果。
图3是本发明实施例的土地变化预测方法的流程图之二。如图3所示，在一些实施方式中，城市的综合实力指标数据可以包括多个子成分指标，子成分指标用于评价城市在单个方面所体现的实力，在步骤120中，可以通过以下步骤确定城市的综合实力指数：
步骤310：将城市的所有子成分指标输入至SPSS软件中，得到城市的多个主成分指标和每个主成分指标的贡献度。
步骤320：根据城市的所有主成分指标的贡献度确定城市的综合实力指数。
需要说明的是，子成分指标可以为前述能够反映城市经济发展、社会发展、科学和教育、基础设置、环境条件的指标。示例地，子成分指标可以为：全市地区生产总值、社会消费品零售总额、公共财务收入、在岗职工平均工资、全市年平均人口、人均地区生产总值、公共图书馆图书总藏量、普通高等学校数量、建成区面积、建成区绿化覆盖率、城市污水处理率、城市人均公园绿地面积等。
具体地，在获得上述多个子成分指标后，可以将子成分指标输入至SPSS(Statistical Package for the Social Sciences，社会科学统计软件包)软件的因子分析模块，得到多个主成分指标和每个主成分指标的贡献度。
可以理解的是，不同指标之间是有一定相关性的，所以实际观测到的数据包含的信息有一部分可能是重复的。SPSS软件的因子分析模块就是利用降维的思想，在尽可能不损失信息或者少损失信息的情况下，将多个变量减少为少数几个潜在的因子，这几个因子可以高度概括大量数据中的信息，这样既减少了变量个数，又能够再现变量之间的内在联系。
在本实施例中，将多个子成分指标输入至SPSS软件的因子分析模块，因子分析模块可以通过线性计算，将几种相关的子成分指标融合得到一个主成分指标。因子分析模块根据多个子成分指标得到多个主成分指标后，再计算各个主成分指标的载荷，并对各主成分指标的载荷进行凯撒正态化最大方差旋转。可以理解的是，凯撒正态化最大方差旋转是对各主成分指标的载荷进行了正交变换，使得各主成分指标的载荷方差之和最大，从而可以减少载荷中的负值，以避免主成分指标的计算结果中出现负值。
在步骤320中，得到每个主成分指标的贡献度后，可以选择累计贡献度达到预设阈值的主成分指标来计算最终的综合实力指数。需要说明的是，累计贡献度是指将主成分指标的贡献度依次累计相加，作为一个示例，若主成分指标包括Xa、Xb以及Xc，Xa、Xb和Xc的贡献度分别为：Sa、Sb和Sc，则Xa的累计贡献度为Sa，Xb的累计贡献度为Sa+Sb，Xc的累计贡献度为Sa+Sb+Sc。
另外，预设阈值可以由工作人员根据实际情况进行设置。作为一个示例，预设阈值可以设置为85%，在本实施例中，认为主成分指标的累计贡献度达到85%，则可以概括原有指标中的信息。因此，利用贡献度达到预设阈值的主成分指标来计算最终的综合实力指数，能够有效的减少数据的冗余。
作为一个示例，若获得的子成分指标包括X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12以及X13，预设阈值为85%。将这些子成分指标输入至SPSS软件的因子分析模块后，因子分析模块输出的主成分指标有Xa、Xb、Xc、Xd以及Xe（这几个主成分的贡献度依次减弱）。其中，Xa的累计贡献度为65%，Xb的累计贡献度为78%，Xc的累计贡献度为86%，Xd的累计贡献度为90%，Xe的累计贡献度为100%，可见，主成分指标Xa、Xb和Xc的累计贡献度已经达到了预设阈值85%，因此，可以选择主成分指标Xa、主成分指标Xb和主成分指标Xc来计算最终的综合实力指数。
在一些实施方式中，根据任一城市的所有主成分指标的贡献度确定任一城市的综合实力指数的方式可以为：根据各个主成分指标的贡献确定各个主成分指标所占的权重大小，再根据各个主成分指标和对应的权重对各个主成分指标进行加权平均计算，加权平均后的结果即为该城市的综合实力指数。
作为一个示例，主成分指标Xa的贡献度为65%，主成分指标Xb的贡献度为13%，主成分指标Xc的贡献度为8%。则主成分指标Xb所占权重的计算方式可以为：
Figure SMS_4
；
可以得到主成分指标Xb的权重Wb为15%。采用同样地方式，可以得到主成分指标Xa的权重Wa为76%，主成分指标Xc的权重Wc为9%。
图4是本发明实施例的土地变化预测方法的流程图之三。如图4所示，在一些实施方式中，可以通过以下步骤生成时间成本栅格数据：
步骤410：获取待预测区域范围内的道路数据，道路数据包括栅格单元中的道路长度和相应道路的标准行驶速度。
步骤420：针对待预测区域中的任一栅格单元，根据栅格单元的道路长度和标准行驶速度确定栅格单元的时间成本。
步骤430：根据每个栅格单元的时间成本制作时间成本栅格数据。
具体地，道路长度可以从Open Street Map中获得。众所周知，道路分为不同的等级，不同等级的道路规定有不同的道路形式速度，在本实施例中，可以参考《公路工程技术标准》得到不同等级道路对应的标准行驶速度。
得到每个栅格单元所代表地区的道路长度和标准行驶速度后，根据道路长度和标准行驶速度，来计算通过栅格单元所代表地区需要的最小时间成本。可以通过下述公式来计算时间成本：
Figure SMS_5
；
其中，T为通过栅格单元所代表地区需要的最小时间成本，T的单位为秒；S为通过栅格单元所代表地区的最短道路长度，S的单位为千米；V为道路的标准行驶速度，V的单位为千米/小时。
采用同样地计算方式，可以得到待预测区域每个栅格单元的最小时间成本。所有栅格单元的最小时间成本数据可以组成一个时间成本栅格数据，时间成本栅格数据的空间分辨率为1KM。
在一些实施方式中，预先构建的城市综合引力模型公式为：
Figure SMS_6
；
其中，Fx为栅格单元x受到的各个城市的吸引力之和，c=1表示待预测区域中的第一个城市，n为待预测区域中城市的总数目，Mc为第c个城市的综合实力指数，m为栅格单元x的质量，m=1，D（x,Center（c））为栅格单元x到第c个城市中心的时间成本距离值，G为预设系数，G=1。
需要说明的是，D（x,Center（c））值的确定方式可以为：先确定栅格单元x到第c个城市中心的最短路径，再确定该路径经过的栅格单元，最后将该路径经过的栅格单元的时间成本相加，即可得到栅格单元x到第c个城市中心的时间成本距离值。
图5是本发明实施例的时间成本栅格和路径的示意图。
作为一个示例，参考图5，确定阴影栅格单元x到城市A的城市中心的时间成本距离值的方式可以为：先确定阴影栅格单元x到城市A的城市中心的最短路径，即路径1；再将路径1经过的栅格单元的时间成本进行加和，可以得到阴影栅格单元x到城市A的城市中心的时间成本距离值为12小时。
为了在不改变城市综合引力模型计算结果相对大小的前提下，使得到的城市吸引力栅格数据的数据分布更均匀，提高城市吸引力栅格数据的数据精度。在一些实施方式中，在根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据之前，该土地变化预测方法还包括：利用预设公式对城市吸引力栅格数据进行均衡化处理。
在一些实施方式中，预设公式为：
Figure SMS_7
其中，D（i）为均衡化后第i个栅格单元受到的各个城市的吸引力之和，d（i）为第i个栅格单元受到的各个城市的吸引力之和的占比，max（D）为均衡化后栅格单元受到的各个城市的吸引力之和的最大值。
具体地，在得到每个栅格单元受到的各个城市的吸引力之和后，利用预设公式，计算均衡化后的栅格单元受到的各个城市的吸引力之和。所有均衡化后的栅格单元受到的各个城市的吸引力之和组成最终的均衡化后的城市吸引力栅格数据。
在一些实施方式中，根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据，包括：根据每个城市的自然经济数据和均衡化后的城市吸引力栅格数据得到位置适宜性栅格数据。
具体地，在得到均衡化后的城市吸引力栅格数据时，根据均衡化后的城市吸引力栅格数据和每个城市的自然经济数据，来计算得到待预测区域的位置适宜性栅格数据。
为了方便理解，下面通过一个具体实施例来介绍本发明实施例的土地变化预测方法。
图6是本发明一个具体实施例的土地变化预测方法的流程图。如图6所示，该方法还可以包括以下步骤：
步骤610：确定待预测区域，并获取待预测区域中各个城市的土地覆被数据、自然经济数据、综合实力指标数据以及土地转换阻力值、土地转移矩阵。
步骤620：针对待预测区域中的任一城市，根据城市的土地覆被数据确定城市的土地系统类型，根据城市的综合实力指标数据确定城市的综合实力指数。
步骤630：获取待预测区域范围内的道路数据，根据每个栅格单元的道路数据制作时间成本栅格数据。
步骤640：将每个城市的综合实力指数和时间成本栅格数据输入至城市综合引力模型中，得到待预测区域的城市吸引力栅格数据。
步骤650：将城市吸引力栅格数据进行均衡化处理，得到均衡化后的城市吸引力栅格数据。
步骤660：根据均衡化后的城市吸引力栅格数据和每个城市的自然经济数据确定待预测区域的位置适宜性栅格数据。
步骤670：将土地系统类型、土地转换阻力值、土地转移矩阵、位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果。
图7是本发明实施例的土地变化预测装置的方框图。
如图7所示，该土地变化预测装置700包括：用于获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据的获取模块710、用于针对待预测区域中的任一城市，根据城市的综合实力指标数据确定城市的综合实力指数的第一确定模块720、用于将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据的城市综合引力计算模块730、用于根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据的第二确定模块740、用于将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果的预测模块750。
由此，通过城市综合引力计算模块730将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据，通过城市吸引力栅格数据来量化城市之间的相互作用。再通过第二确定模块740根据城市吸引力栅格数据和每个城市的自然经济数据得到待预测区域的位置适宜性栅格数据。最后通过预测模块750根据土地数据和位置适宜性栅格数据确定最终的土地变化预测结果，考虑了城市之间的相互影响，有效的提升了土地变化预测的精度。
需要说明的是，本实施例的土地变化预测装置中未披露的细节，请参照本说明书实施例中土地变化预测方法的实施例中所披露的细节，此处不再赘述。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行土地变化预测方法，该方法包括：获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；针对待预测区域中的任一城市，根据任一城市的综合实力指标数据确定任一城市的综合实力指数；将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据，城市吸引力栅格数据包括每个栅格单元受到的各个城市的吸引力之和；根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据；将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元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，本发明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）执行本发明各个实施例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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的土地变化预测方法，该方法包括：获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；针对待预测区域中的任一城市，根据城市的综合实力指标数据确定城市的综合实力指数；将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据，城市吸引力栅格数据包括每个栅格单元受到的各个城市的吸引力之和；根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据；将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的土地变化预测方法，该方法包括：获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；针对待预测区域中的任一城市，根据城市的综合实力指标数据确定城市的综合实力指数；将每个城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到待预测区域的城市吸引力栅格数据，城市吸引力栅格数据包括每个栅格单元受到的各个城市的吸引力之和；根据每个城市的自然经济数据和城市吸引力栅格数据得到待预测区域的位置适宜性栅格数据；将土地数据和位置适宜性栅格数据输入至土地变化模型中，得到待预测区域的土地变化预测结果。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。具体地，在得到每个栅格单元受到的各个城市的吸引力之和后，利用预设公式，计算均衡化后的栅格单元受到的各个城市的吸引力之和。所有均衡化后的栅格单元受到的各个城市的吸引力之和组成最终的均衡化后的城市吸引力栅格数据。

Claims (10)

1.一种土地变化预测方法，其特征在于，包括：
获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；
针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数；
将每个所述城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到所述待预测区域的城市吸引力栅格数据，所述城市吸引力栅格数据包括每个栅格单元受到的各个所述城市的吸引力之和，所述城市综合引力模型用于根据所述预制的时间成本栅格数据以及待检测区域中每个所述城市的综合实力指数生成所述城市吸引力栅格数据；
根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据；
将所述土地数据和所述位置适宜性栅格数据输入至土地变化模型中，得到所述待预测区域的土地变化预测结果，所述土地变化模型用于根据所述土地数据和所述位置适宜性栅格数据生成所述待预测区域的土地变化预测结果。
2.根据权利要求1所述的土地变化预测方法，其特征在于，所述城市的综合实力指标数据包括多个子成分指标，所述子成分指标用于评价城市在单个方面所体现的实力，所述针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数，包括：
将所述城市的所有所述子成分指标输入至SPSS软件中，得到所述城市的多个主成分指标和每个所述主成分指标的贡献度；
根据所述城市的所有所述主成分指标的贡献度确定所述城市的综合实力指数。
3.根据权利要求1所述的土地变化预测方法，其特征在于，所述时间成本栅格数据的生成步骤包括：
获取所述待预测区域范围内的道路数据，所述道路数据包括所述栅格单元中的道路长度和相应道路的标准行驶速度；
针对所述待预测区域中的任一栅格单元，根据所述栅格单元的所述道路长度和所述标准行驶速度确定所述栅格单元的时间成本；
根据每个所述栅格单元的时间成本生成所述时间成本栅格数据。
4.根据权利要求3所述的土地变化预测方法，其特征在于，所述预先构建的城市综合引力模型公式为：
Figure QLYQS_1
；
其中，Fx为所述栅格单元x受到的各个所述城市的吸引力之和，c=1表示所述待预测区域中的第一个城市，n为所述待预测区域中城市的总数目，Mc为第c个城市的综合实力指数，m为所述栅格单元x的质量，m=1，D（x,Center（c））为所述栅格单元x到第c个城市中心的时间成本距离值，G为预设系数，G=1。
5.根据权利要求1-4中任一项所述的土地变化预测方法，其特征在于，在根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据之前，所述方法还包括：
利用预设公式对所述城市吸引力栅格数据进行均衡化处理；
所述根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据，包括：
根据每个所述城市的自然经济数据和均衡化后的城市吸引力栅格数据得到所述位置适宜性栅格数据。
6.根据权利要求5所述的土地变化预测方法，其特征在于，所述预设公式为：
Figure QLYQS_2
；
其中，D（i）为均衡化后第i个所述栅格单元受到的各个所述城市的吸引力之和，d（i）为第i个所述栅格单元受到的各个所述城市的吸引力之和的占比，max（D）为均衡化后所述栅格单元受到的各个所述城市的吸引力之和的最大值。
7.根据权利要求1-4中任一项所述的土地变化预测方法，其特征在于，所述土地数据包括土地系统类型、土地转换阻力值和土地转移矩阵。
8.一种土地变化预测装置，其特征在于，包括：
获取模块，用于获取待预测区域中各个城市的土地数据、自然经济数据以及综合实力指标数据；
第一确定模块，用于针对所述待预测区域中的任一城市，根据所述城市的综合实力指标数据确定所述城市的综合实力指数；
城市综合引力计算模块，用于将每个所述城市的综合实力指数和预制的时间成本栅格数据输入至预先构建的城市综合引力模型中，得到所述待预测区域的城市吸引力栅格数据，所述城市吸引力栅格数据包括每个栅格单元受到的各个所述城市的吸引力之和，所述城市综合引力模型用于根据所述预制的时间成本栅格数据以及待检测区域中每个所述城市的综合实力指数生成所述城市吸引力栅格数据；
第二确定模块，用于根据每个所述城市的自然经济数据和所述城市吸引力栅格数据得到所述待预测区域的位置适宜性栅格数据；
预测模块，用于将所述土地数据和所述位置适宜性栅格数据输入至土地变化模型中，得到所述待预测区域的土地变化预测结果，所述土地变化模型用于根据所述土地数据和所述位置适宜性栅格数据生成所述待预测区域的土地变化预测结果。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的土地变化预测方法。
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，所述程序被处理器执行时实现如权利要求1-7中任一项所述的土地变化预测方法。
CN202310419057.4A 2023-04-19 2023-04-19 土地变化预测方法、装置、电子设备和存储介质 Active CN116151490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310419057.4A CN116151490B (zh) 2023-04-19 2023-04-19 土地变化预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310419057.4A CN116151490B (zh) 2023-04-19 2023-04-19 土地变化预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116151490A true CN116151490A (zh) 2023-05-23
CN116151490B CN116151490B (zh) 2023-06-27

Family

ID=86352852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310419057.4A Active CN116151490B (zh) 2023-04-19 2023-04-19 土地变化预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116151490B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472882A (zh) * 2019-08-21 2019-11-19 河南大学 基于主成分分析的城市开发用地适宜性评价方法
CN111340285A (zh) * 2020-02-24 2020-06-26 河南大学 国土空间规划中城市建设用地分配的量化方法
US20220270192A1 (en) * 2020-01-29 2022-08-25 Urban Dashboard Ltd Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model
CN115859765A (zh) * 2022-09-29 2023-03-28 中山大学 城市扩张的预测方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472882A (zh) * 2019-08-21 2019-11-19 河南大学 基于主成分分析的城市开发用地适宜性评价方法
US20220270192A1 (en) * 2020-01-29 2022-08-25 Urban Dashboard Ltd Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model
CN111340285A (zh) * 2020-02-24 2020-06-26 河南大学 国土空间规划中城市建设用地分配的量化方法
CN115859765A (zh) * 2022-09-29 2023-03-28 中山大学 城市扩张的预测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何力;刘耀林;: "基于城市流模型的城市群扩张模拟――以武汉城市圈为例", 华中师范大学学报(自然科学版), vol. 51, no. 02 *
刘梦丽;王伟;刘静玉;梁留科;乔墩墩;安俞静: "中原城市群城市引力范围界定及演变格局", 地域研究与开发, vol. 36, no. 4 *

Also Published As

Publication number Publication date
CN116151490B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Chen et al. Predicting station level demand in a bike‐sharing system using recurrent neural networks
Liang et al. The effects of locational factors on the housing prices of residential communities: The case of Ningbo, China
Wen et al. Polycentric urban structure and housing price in the transitional China: Evidence from Hangzhou
Martinez et al. An optimisation algorithm to establish the location of stations of a mixed fleet biking system: an application to the city of Lisbon
Zhang et al. Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China
Deng et al. Urban land use change and regional access: A case study in Beijing, China
Behan et al. Smart growth strategies, transportation and urban sprawl: simulated futures for Hamilton, Ontario
Zhang et al. Urban spatial structure and travel patterns: Analysis of workday and holiday travel using inhomogeneous Poisson point process models
CN106952105A (zh) 一种基于迁移学习的商铺最优化选址方法
Zhuang et al. Effects of land and building usage on population, land price and passengers in station areas: A case study in Fukuoka, Japan
CN111160622A (zh) 基于混合神经网络模型的景区客流预测方法和装置
Hu et al. An adaptive hawkes process formulation for estimating time-of-day zonal trip arrivals with location-based social networking check-in data
CN109933901B (zh) 一种生态系统服务价值最优化的mcr城市扩张模拟方法
Mahamud et al. Identifying factors influencing urban spatial growth for the George Town Conurbation
Han et al. Improving educational equity by maximizing service coverage in rural Changyuan, China: An evaluation-optimization-validation framework based on spatial accessibility to schools
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Lin et al. Passenger flow scale prediction of urban rail transit stations based on multilayer perceptron (mlp)
Song Infrastructure and Urban development: Evidence from Chinese cities
He et al. Exploring influencing factors on transit ridership from a local perspective
Murakami et al. A new areal interpolation method based on spatial statistics
CN116151490B (zh) 土地变化预测方法、装置、电子设备和存储介质
Fan et al. How does upzoning impact land use and transport: a case study of Seattle
Ku et al. Real-time taxi demand prediction using recurrent neural network
Zong et al. Daily commute time prediction based on genetic algorithm
Castro et al. State of the art on artificial intelligence in land use simulation

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