CN116167148B - 基于局域微气候的城市街区形态优化方法及其系统 - Google Patents

Abstract

本申请涉及节能领域，其具体地公开了一种基于局域微气候的城市街区形态优化方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

Description

基于局域微气候的城市街区形态优化方法及其系统

技术领域

本申请涉及节能领域，且更为具体地，涉及一种基于局域微气候的城市街区形态优化方法及其系统。

背景技术

在能源危机日益严重的形势下，随着建筑建成量的不断增长，建筑能耗和节能优化问题逐渐成为广大学者研究的焦点。现有的建筑节能优化方法，一是通过改变围护结构(比如：窗墙比，建筑体形系数，建筑物屋顶形状等)计算建筑冷热负荷，选择能耗最小的建筑形式；二是改善建筑内部的能源系统设计优化及运行优化，达到通过降低能源系统能耗降低建筑用能；三是利用新能源，综合考虑新能源下的节能率和工程造价来进行优化选择。

但是，上述优化方案的关注点在建筑本身，通过建筑本身性能优化、内部能源系统优化、利用新能源来达到建筑节能的目的。事实上，城市建筑处于不断变化的城市局域微气候中，仅优化单体建筑本身能达到的节能效果往往是有局限性的。

因此，期望一种优化的基于局域微气候的城市街区形态优化方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于局域微气候的城市街区形态优化方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

根据本申请的一个方面，提供了一种基于局域微气候的城市街区形态优化方法，其包括：

获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；

将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；

将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；

获取备选建筑群的备选方案图；

将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；

融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及

将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

在上述基于局域微气候的城市街区形态优化方法中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核。

在上述基于局域微气候的城市街区形态优化方法中，将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的最后一层的输出为所述多尺度微气候特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的第一层的输入为所述全时序环境参数输入矩阵。

在上述基于局域微气候的城市街区形态优化方法中，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述备选建筑群的备选方案图进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑群布局特征矩阵；以及，将所述初始建筑群布局特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述建筑群布局特征矩阵。

在上述基于局域微气候的城市街区形态优化方法中，融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵，包括：以如下优化公式对所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵；其中，所述优化公式为：

。

其中，M₁和M₂分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，m₁和m₂分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，μ和σ 分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，r表示特征矩阵的尺度，且m'是所述解码特征矩阵的各个位置特征值。

根据本申请的另一方面，提供了一种基于局域微气候的城市街区形态优化系统，其包括：

环境数据采集模块，用于获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；

排列模块，用于将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；

第一卷积模块，用于将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；

备选方案图获取模块，用于获取备选建筑群的备选方案图；

第二卷积模块，用于将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；

融合模块，用于融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及

建筑群备选方案图生成模块，用于将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被

所述处理器运行时使得所述处理器执行如上所述的基于局域微气候的城市街区形态优化方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于局域微气候的城市街区形态优化方法。

与现有技术相比，本申请提供的一种基于局域微气候的城市街区形态优化方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于局域微气候的城市街区形态优化方法的流程图；

图2为根据本申请实施例的基于局域微气候的城市街区形态优化方法的架构示意图；

图3为根据本申请实施例的基于局域微气候的城市街区形态优化方法中双流管线模型编码过程的流程图；

图4为根据本申请实施例的基于局域微气候的城市街区形态优化方法中卷积神经网络编码的流程图；

图5为根据本申请实施例的基于局域微气候的城市街区形态优化系统的框图；

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述

的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如背景技术中所言，目前，现有的建筑能耗节能优化方案的关注点大多在建筑本身，通过建筑本身性能优化、内部能源系统优化、利用新能源来达到建筑节能的目的。事实上，城市建筑处于不断变化的城市局域微气候中，仅优化单体建筑本身能达到的节能效果往往是有局限性的。因此，期望一种优化的基于局域微气候的城市街区形态优化方案。

相应地，考虑到在实际进行城市街区形态的建筑节能优化过程中，由于城市建筑处于不断变化的城市局域微气候中，而微气候中的采光负荷、冷热负荷和风速舒适度这些因素对于建筑能耗和室内外环境质量具有重要影响。具体地，采光负荷决定了建筑内部的自然光线程度，冷热负荷是指建筑内部需要花费的空调制冷/供暖能量，而其过高会导致能源浪费和环境污染。另外，风速舒适度也是重要因素之一，它可以影响建筑物内部的性能。因此，通过综合考虑这些因素，可以寻找到最优的建筑群能耗和环境微气候的平衡点，以实现建筑群能耗及室外微环境的综合优化。

基于此，在本申请的技术方案中，期望基于微气候的时序动态关联特征信息和建筑群布局分布特征信息来综合进行城市街区形态优化，以此来实现建筑节能的目的。但是，由于微气候中的各个参数项之间具有着时序的协同关联关系，并且这种关联关系在不同的时间段所表现的协同关联特征不同，这对于城市街区的形态优化带来了难度。因此，在此过程中，难点在于如何挖掘所述微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特

征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值。接着，考虑到由于所述平均气温值、所述风速值和所述日照强度值都在时间维度上有着各自的动态变化规律性，并且这些环境数据之间还具有着时序协同关联关系。因此，为了能够便于后续进行这些环境数据的时序协同关联特征的捕捉提取，进一步将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵，以此来建立所述平均气温值、所述风速值和所述日照强度值在时间维度和样本维度上的关联关系。

然后，考虑到由于微气候中的所述平均气温值、所述风速值和所述日照强度值之间在时间维度和样本维度上都具有着不同程度的关联特性，也就是说，所述微气候中的各个参数项不仅在不同的样本上具有着不同的关联关系，而且在不同的时间跨度下也呈现出不同的模式变化特征信息。因此，在本申请的技术方案中，为了能够进行所述微气候的时序动态特征的充分表达，进一步将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型具有不同的特征感受野，以此来提取出不同的样本维度和不同时间跨度下的关于微气候中的各个参数项的多尺度时序协同关联特征信息。

进一步地，由于在实际的城市街区形态优化以实现建筑节能时，考虑到城市建筑处于不断变化的城市局域微气候中，因此，不仅需要关注于建筑环境的微气候，还需要关注于建筑群之间的布局信息。基于此，在本申请的技术方案中，首先，获取备选建筑群的备选方案图。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述备选建筑群的备选方案图的特征提取，特别地，考虑到在进行所述建筑群的布局检测时，应更加关注于建筑群的布局特征信息而忽略与布局检测无关的干扰特征，以此来提高建筑群的布局检测能力和精准度。应可以理解，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型中进行处理，以提取出所述备选建筑群的备选方案图中聚焦于空间上的关于所述建筑群的布局分布特征信息，从而得到建筑群布局特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于建筑群的布局特征信息。

接着，进一步再融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵，以此来融合所述微气候中的平均气温值、风速值和日照强度值之间的时序协同多尺度关联特征信息和所述建筑群的布局分布特征信息，以基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

然后，为了能够基于所述基于所述环境微气候的时序动态关联特征和所述建筑群布局分布特征来生成优化后的建筑群备选方案图，在本申请的技术方案中，进一步再将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。特别地，在本申请的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述解码特征矩阵逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述优化建筑群备选方案图。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

特别地，在本申请的技术方案中，在融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵时，由于所述多尺度微气候特征矩阵表达建筑群周边的环境数据的时序-参数间的多尺度关联特征，而所述建筑群布局特征矩阵表达的备选建筑群的备选方案图在图像局部邻域内的空间关联以及通道关联特征，也就是，所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的特征表达。因此，期望所述解码特征矩阵能够对于所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的更好的融合效果，从而提高将所述解码特征矩阵通过基于扩散模型的搜索式生成模型得到的优化建筑群备选方案图的合理性和准确性。

因此，优选地，对所述多尺度微气候特征矩阵M₁和所述建筑群布局特征矩阵M₂进行基于尺度认知的高斯联合密度融合，以得到解码特征矩阵，具体表示为：

。

其中，M₁和M₂分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，m₁和m₂分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，μ和σ 分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，r表示特征矩阵的尺度，且m'是所述解码特征矩阵的各个位置特征值。

这里，所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性，为了提高特征融合的有效性和相对于待融合特征的泛化性能，将具有尺度认知的高斯联合密度作为优势函数（advantage function），来对基于均值和方差的特征分布的类表现差异（performance gap）进行策略表达（policy representation），从而提升特征融合的特征-尺度自依赖性。通过上述方式得到的所述解码特征矩阵能够对于所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的良好的融合效果，从而提高所述解码特征矩阵通过基于扩散模型的搜索式生成模型得到的优化建筑群备选方案图的合理性和准确性。这样，能够准确地基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

基于此，本申请提出了一种基于局域微气候的城市街区形态优化方法，其包括：获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；获取备选建筑群的备选方案图；将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及，将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图1为根据本申请实施例的基于局域微气候的城市街区形态优化方法的流程图。如图1所示，根据本申请实施例的基于局域微气候的城市街区形态优化方法，包括步骤：S110，获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；S120，将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；S130，将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；S140，获取备选建筑群的备选方案图；S150，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；S160，融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及，S170，将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

图2为根据本申请实施例的基于局域微气候的城市街区形态优化方法的架构示意图。如图2所示，在该网络结构中，首先，获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；其次，将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；接着，将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；然后，获取备选建筑群的备选方案图；将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；进而，将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

具体地，在步骤S110中，获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值。应可以理解，在实际进行城市街区形态的建筑节能优化过程中，由于城市建筑处于不断变化的城市局域微气候中，而微气候中的采光负荷、冷热负荷和风速舒适度这些因素对于建筑能耗和室内外环境质量具有重要影响。特别地，采光负荷决定了建筑内部的自然光线程度，冷热负荷是指建筑内部需要花费的空调制冷/供暖能量，而其过高会导致能源浪费和环境污染。另外，风速舒适度也是重要因素之一，它可以影响建筑物内部的性能。因此，在本申请的技术方案中，可通过挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群能耗及室外微环境的综合优化。更具体地，首先，可通过温度传感器来获取建筑群周边的平均气温值，通过风速传感器来获取所述建筑群周边的风速值，以及通过日照强度传感器来获取所述建筑群周边的日照强度值。

具体地，在步骤S120中，将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵。考虑到由于所述平均气温值、所述风速值和所述日照强度值都在时间维度上有着各自的动态变化规律性，并且这些环境数据之间还具有着时序协同关联关系。因此，为了能够便于后续进行这些环境数据的时序协同关联特征的捕捉提取，进一步将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵，以此来建立所述平均气温值、所述风速值和所述日照强度值在时间维度和样本维度上的关联关系。

具体地，在步骤S130中，将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵。考虑到由于微气候中的所述平均气温值、所述风速值和所述日照强度值之间在时间维度和样本维度上都具有着不同程度的关联特性，也就是说，所述微气候中的各个参数项不仅在不同的样本上具有着不同的关联关系，而且在不同的时间跨度下也呈现出不同的模式变化特征信息。因此，在本申请的技术方案中，为了能够进行所述微气候的时序动态特征的充分表达，进一步将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型具有不同的特征感受野，以此来提取出不同的样本维度和不同时间跨度下的关于微气候中的各个参数项的多尺度时序协同关联特征信息。

图3为根据本申请实施例的基于局域微气候的城市街区形态优化方法中双流管线模型编码过程的流程图。如图3所示，在所述双流管线模型编码过程中，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的最后一层的输出为所述多尺度微气候特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的第一层的输入为所述全时序环境参数输入矩阵。

具体地，在步骤S140中，获取备选建筑群的备选方案图。由于在实际的城市街区形态优化以实现建筑节能时，考虑到城市建筑处于不断变化的城市局域微气候中，因此，不仅需要关注于建筑环境的微气候，还需要关注于建筑群之间的布局信息。基于此，在本申请的技术方案中，首先，获取备选建筑群的备选方案图。

具体地，在步骤S150中，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述备选建筑群的备选方案图的特征提取，特别地，考虑到在进行所述建筑群的布局检测时，应更加关注于建筑群的布局特征信息而忽略与布局检测无关的干扰特征，以此来提高建筑群的布局检测能力和精准度。应可以理解，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型中进行处理，以提取出所述备选建筑群的备选方案图中聚焦于空间上的关于所述建筑群的布局分布特征信息，从而得到建筑群布局特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于建筑群的布局特征信息。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。

图4为根据本申请实施例的基于局域微气候的城市街区形态优化方法中卷积神经网络编码的流程图。如图4所示，在所述卷积神经网络编码过程中，包括：S310，使用所述卷积神经网络模型的各层在层的正向传递中分别对所述备选建筑群的备选方案图进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑群布局特征矩阵；以及，S320，将所述初始建筑群布局特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述建筑群布局特征矩阵。

具体地，在步骤S160中，融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵在本申请的技术方案中，在得到所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵后，进一步将两者进行特征融合以此来融合所述微气候中的平均气温值、风速值和日照强度值之间的时序协同多尺度关联特征信息和所述建筑群的布局分布特征信息，以基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。特别地，在融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵时，由于所述多尺度微气候特征矩阵表达建筑群周边的环境数据的时序-参数间的多尺度关联特征，而所述建筑群布局特征矩阵表达的备选建筑群的备选方案图在图像局部邻域内的空间关联以及通道关联特征，也就是，所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的特征表达。因此，期望所述解码特征矩阵能够对于所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的更好的融合效果，从而提高将所述解码特征矩阵通过基于扩散模型的搜索式生成模型得到的优化建筑群备选方案图的合理性和准确性。因此，优选地，对所述多尺度微气候特征矩阵M₁和所述建筑群布局特征矩阵M₂进行基于尺度认知的高斯联合密度融合，以得到解码特征矩阵，具体表示为：

。

其中，M₁和M₂和分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，m₁和m₂分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，μ和σ 分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，r表示特征矩阵的尺度，且m'是所述解码特征矩阵的各个位置特征值。

这里，所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性，为了提高特征融合的有效性和相对于待融合特征的泛化性能，将具有尺度认知的高斯联合密度作为优势函数（advantage function），来对基于均值和方差的特征分布的类表现差异（performance gap）进行策略表达（policy representation），从而提升特征融合的特征-尺度自依赖性。通过上述方式得到的所述解码特征矩阵能够对于所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵具有不同尺度下的良好的融合效果，从而提高所述解码特征矩阵通过基于扩散模型的搜索式生成模型得到的优化建筑群备选方案图的合理性和准确性。这样，能够准确地基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

具体地，在步骤S170中，将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。也就是，为了能够基于所述基于所述环境微气候的时序动态关联特征和所述建筑群布局分布特征来生成优化后的建筑群备选方案图，在本申请的技术方案中，进一步再将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。特别地，在本申请的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述解码特征矩阵逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述优化建筑群备选方案图。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是

正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

综上，根据本申请实施例的基于局域微气候的城市街区形态优化方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

示例性系统

图5为根据本申请实施例的基于局域微气候的城市街区形态优化系统的框图。如图5所示，根据本申请实施例的基于局域微气候的城市街区形态优化系统300，包括：环境数据采集模块310；排列模块320；第一卷积模块330；备选方案图获取模块340；第二卷积模块350；融合模块360；以及，建筑群备选方案图生成模块370。

其中，所述环境数据采集模块310，用于获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；所述排列模块320，用于将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；所述第一卷积模块330，用于将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；所述备选方案图获取模块340，用于获取备选建筑群的备选方案图；所述第二卷积模块350，用于将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；所述融合模块360，用于融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及，所述建筑群备选方案图生成模块370，用于将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图。

在一个示例中，在上述基于局域微气候的城市街区形态优化系统300中，所述第一卷积模块330，用于：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进

行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的最后一层的输出为所述多尺度微气候特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的第一层的输入为所述全时序环境参数输入矩阵。其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核。

在一个示例中，在上述基于局域微气候的城市街区形态优化系统300中，所述第二卷积模块350，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述备选建筑群的备选方案图进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑群布局特征矩阵；以及，将所述初始建筑群布局特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述建筑群布局特征矩阵。

在一个示例中，在上述基于局域微气候的城市街区形态优化系统300中，所述融合模块360，用于：以如下优化公式对所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵；其中，所述优化公式为：

。

其中，M₁和M₂分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，m₁和m₂分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，μ和σ 分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，r表示特征矩阵的尺度，且m'是所述解码特征矩阵的各个位置特征值。

综上，根据本申请实施例的基于局域微气候的城市街区形态优化系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出微气候中的各个参数项之间的时序协同关联特征信息和所述建筑群布局分布特征信息，以此基于环境微气候和建筑群布局分布来综合进行城市街区的形态优化，以实现建筑群的节能目的。

如上所述，根据本申请实施例的基于局域微气候的城市街区形态优化系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于局域微气候的城市街区形态优化系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于局域微气候的城市街区形态优化系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于局域微气候的城市街区形态优化系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于局域微气候的城市街区形态优化系统300与该终端设备也可以是分立的设备，并且该基于局域微气候的城市街区形态

优化系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于局域微气候的城市街区形态优化方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如建筑群布局特征矩阵等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括优化建筑群备选方案图等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，

其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于局域微气候的城市街区形态优化方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于局域微气候的城市街区形态优化方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放

性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种基于局域微气候的城市街区形态优化方法，其特征在于，包括：

获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；

将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；

将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；

获取备选建筑群的备选方案图；

将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；

融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及

将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图；

融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵，包括：

以如下优化公式对所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵；

其中，所述优化公式为：

其中，

和/>

分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，/>

和/>

分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，/>

和/>

分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，/>

和/>

分别是特征矩阵的宽度和高度，/>

表示特征矩阵的尺度，且/>

是所述解码特征矩阵的各个位置特征值。

2.根据权利要求1所述的基于局域微气候的城市街区形态优化方法，其特征在于，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核。

3.根据权利要求2所述的基于局域微气候的城市街区形态优化方法，其特征在于，将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的最后一层的输出为所述多尺度微气候特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的第一层的输入为所述全时序环境参数输入矩阵。

4. 根据权利要求3所述的基于局域微气候的城市街区形态优化方法，其特征在于，将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵，包括：

使用所述卷积神经网络模型的各层在层的正向传递中分别对所述备选建筑群的备选方案图进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑群布局特征矩阵；以及

将所述初始建筑群布局特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述建筑群布局特征矩阵。

5.一种基于局域微气候的城市街区形态优化系统，其特征在于，包括：

环境数据采集模块，用于获取建筑群周边的环境数据，所述环境数据包括多天的平均气温值、风速值和日照强度值；

排列模块，用于将所述环境数据按照时间维度和样本维度排列为全时序环境参数输入矩阵；

第一卷积模块，用于将所述全时序环境参数输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型以得到多尺度微气候特征矩阵；

备选方案图获取模块，用于获取备选建筑群的备选方案图；

第二卷积模块，用于将所述备选建筑群的备选方案图通过使用空间注意力的卷积神经网络模型以得到建筑群布局特征矩阵；

融合模块，用于融合所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵以得到解码特征矩阵；以及

建筑群备选方案图生成模块，用于将所述解码特征矩阵通过基于扩散模型的搜索式生成模型以得到优化建筑群备选方案图；

所述融合模块，还用于：

以如下优化公式对所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述解码特征矩阵；

其中，所述优化公式为：

其中，

和/>

分别表示所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵，/>

和/>

分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵中各个位置的特征值，/>

和/>

分别是所述多尺度微气候特征矩阵和所述建筑群布局特征矩阵的所有特征值的特征集合的均值和方差，/>

和/>

分别是特征矩阵的宽度和高度，/>

表示特征矩阵的尺度，且/>

是所述解码特征矩阵的各个位置特征值。

6.根据权利要求5所述的一种基于局域微气候的城市街区形态优化系统，其特征在于，所述第一卷积模块，用于：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的最后一层的输出为所述多尺度微气候特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双流管线模型的第一层的输入为所述全时序环境参数输入矩阵。

7. 根据权利要求6所述的一种基于局域微气候的城市街区形态优化系统，其特征在于，所述第二卷积模块，用于：

使用所述卷积神经网络模型的各层在层的正向传递中分别对所述备选建筑群的备选方案图进行卷积处理、基于沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始建筑群布局特征矩阵；以及

将所述初始建筑群布局特征矩阵输入所述卷积神经网络模型的空间注意力层以得到所述建筑群布局特征矩阵。

Images