CN116415499B - 一种社区舒适感模拟预测方法 - Google Patents
一种社区舒适感模拟预测方法 Download PDFInfo
- Publication number
- CN116415499B CN116415499B CN202310362976.2A CN202310362976A CN116415499B CN 116415499 B CN116415499 B CN 116415499B CN 202310362976 A CN202310362976 A CN 202310362976A CN 116415499 B CN116415499 B CN 116415499B
- Authority
- CN
- China
- Prior art keywords
- community
- comfort
- predicted
- indexes
- visual perception
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004088 simulation Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 137
- 230000016776 visual perception Effects 0.000 claims abstract description 102
- 230000008447 perception Effects 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims description 53
- 238000011160 research Methods 0.000 claims description 38
- 230000011664 signaling Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000004438 eyesight Effects 0.000 claims description 11
- 230000005714 functional activity Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003796 beauty Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 16
- 230000003068 static effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000011470 Adenanthera pavonina Nutrition 0.000 description 3
- 241000428378 Lopa Species 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种社区舒适感模拟预测方法,通过采集研究城市的多个社区舒适感特征和社区使用者的个体属性;利用街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标;加载多波段遥感影像数据和建成环境空间数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;基于映射关系数据构建社区舒适感评价预测模型。进一步,将待预测社区的实际使用者个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知。
Description
技术领域
本发明属于环境心理学的技术领域,具体涉及一种社区舒适感模拟预测方法。
背景技术
社区是城市重要的公共空间,是人们日常开展生活的重要场所。已有研究表明,社区客观环境与社区的舒适感有着密切的联系:混乱失序、令人不安的社区空间会导致负面的社会后果,可能滋生犯罪。舒适的社区环境不仅能够促进形成和谐的生活环境,也能够吸引居民围绕社区开展日常活动,带动地方商业发展和经济增长,提升城市整体活力。
然而,经申请人研究发现,现有社区舒适感分析技术存在如下问题:
(1)早期研究通常采用构建综合指标体系的方法进行评估,该方案存在的问题为指标选择及权重设置相对主观,这造成评估结果不准确。
(2)近年来,现有评价技术已有开始利用街景图像数据,采用机器学习的方法开展社区舒适感评估,例如,徐磊青根据学生与居民对街景图像的打分情况,探讨街景因素与舒适感知觉的关系;美国麻省理工学院则利用众包的方式采集百万张街景图像的评分,构建卷积神经网络,以此形成街景舒适感的评价。
现有技术利用街景识别进行评价的准确度虽然有所提升,但仍然存在问题,一方面,街景图像只能反映视觉冲击影响的居民对社区的舒适感受,但经申请人研究发现,社区给人的舒适感除了视觉冲击外,还受到空间的围合性、功能活力等因素的影响,此外现有街景图像通常只能采集白天的图像,而忽略了社区夜晚的光照条件这一重要因素。另一方面,社区作为居民公共生活的载体,其舒适感是一种在地化的感知,即只有社区的实际高频使用者,才能更好对社区的舒适感做出评价,且不同的人群对同一个场景可能产生迥异的舒适感评价,因此社区舒适感评价也应该考虑实际使用者个体属性差异。
为此,现有城市社区舒适感的评价技术存在相关缺陷,有待提供新的思路进行优化改进。
发明内容
本发明的目的是要解决上述的采用街景图像的城市社区舒适感评价技术,街景图像只能反映视觉冲击影响居民对社区的舒适感受,但没有考量社区给人的其他因素的影响。且现有技术没有考量对社区的舒适感做出评价的群体,没有考虑个体属性差异,综合导致评价不准确的技术问题,提供一种社区舒适感模拟预测方法。
为了解决上述问题,本发明按以下技术方案予以实现的:
本发明提供了一种社区舒适感模拟预测方法,所述社区舒适感模拟预测方法包括以下步骤:
获取研究城市的多个社区舒适感特征和对应的社区使用者的个体属性,所述社区使用者为评价研究城市社区以得到社区舒适感特征的居民;
根据社区舒适感特征对应的地理位置信息生成样本社区舒适感标记点,构建所述个体属性、社区舒适感特征和样本社区舒适感标记点的映射关系;
利用Python编程批量获取样本社区舒适感标记点的街景图像数据;
根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标;
加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;
构建包含所述个体属性、社区舒适感特征、客观视觉感知指标、主观视觉感知指标、建成环境特征指标和所述样本社区舒适感标记点的映射关系数据;
基于映射关系数据构建社区舒适感评价预测模型;
根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取待预测社区的实际使用者的个体属性;
采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标;
获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标;
将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区舒适感。
进一步地,本发明还提供了一种具体实施方式,具体的,所述社区舒适感特征为社区使用者对社区舒适感的主观评分;所述个体属性包括年龄、性别和学历。
进一步地,本发明还提供了一种具体实施方式,具体的,利用Python编程批量获取样本社区舒适感标记点的街景图像数据,具体包括以下步骤:
调用互联网地图API接口中的全景静态图web服务;
根据预设的图像采集配置,利用Python编程批量获取样本社区舒适感标记点的街景图像数据,所述图像采集配置为采集街景图像数据的图像分辨率和采集视角。
进一步地,本发明还提供了一种具体实施方式,具体的,根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标记录,具体包括以下步骤:
利用深度学习方法对所述样本社区舒适感标记点的街景图像数据进行图像分割和感知特征预测,测算样本社区舒适感标记点的客观视觉感知指标,所述客观视觉感知指标包括绿视率、天空开敞度、建筑视觉密度和透明界面占比;
利用Place Pulse2.0数据集和深度学习方法模型,生成街景视觉主观感知评价模型,批量化自动测算每个样本社区舒适感标记点在视觉上的主观视觉感知指标,所述主观视觉感知指标包括视觉活力感、视觉美丽感、视觉安全感和视觉无聊感;
利用ArcGIS的添加字段工具,将相应的客观视觉感知指标和主观视觉感知指标记录在所述样本社区舒适感标记点。
进一步地,本发明还提供了一种具体实施方式,具体的,加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标,具体包括以下步骤:
基于空间形态、功能活力、植被覆盖、夜间灯光维度构建建成环境特征指标体系,所述建成环境特征指标体系包括建筑贴线率、建筑高度、街道高宽比、设施密度、主导功能、设施多样性、植被归一化指数、绿化覆盖率和夜间灯光强度;
加载所述研究城市的建成环境空间数据,测算所述样本社区舒适感标记点的建筑贴线率、建筑高度、街道高宽比、设施密度、主导功能和设施多样性;
加载所述研究城市的多光谱遥感影像和夜间灯光遥感影像数据,测算所述样本社区舒适感标记点的植被归一化指数、绿化覆盖率和夜间灯光强度。
进一步地,本发明还提供了一种具体实施方式,具体的,基于映射关系数据构建社区舒适感评价预测模型,具体包括以下步骤:
将映射关系数据作为构建社区舒适感评价预测模型的样本数据,对样本数据进行重采样处理,等到类型比例均衡的样本数据集;其中,将个体属性、客观视觉感知指标、主观视觉感知指标、建成环境特征指标作为样本数据集的输入属性;社区舒适感特征作为待预测的输出属性。
将样本数据集划分为训练集和测试集,其中,所述训练集用于训练机器学习模型,所述测试集用于评估机器学习模型预测的精度;
调用Python编程,选择多种机器学习算法分别进行模型构建,利用均方误差(MSE)、平均绝对误差(MAE)、均方根误差(rMSE)指标评估模型精度,选择模型精度最高的算法作为最终模型,生成基于机器学习的社区舒适感评价预测模型。
进一步地,本发明还提供了一种具体实施方式,具体的,根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性,具体包括以下步骤:
通过手机信令识别用户的居住地基站、工作地基站和日常活动地基站;
识别待预测社区的手机基站,筛选出在待预测社区的手机基站日常活动驻留频繁的手机用户,将其识别为待预测社区的实际使用者;
通过ArcGIS的按属性选择工具,获取待预测社区的实际使用者的居住地基站;
调取人口普查数据,根据人口普查的常住人口平均年龄、性别比例、学历构成,对待预测社区的实际使用者的个体属性特征进行推算,生成实际使用者的个体属性。
进一步地,本发明还提供了一种具体实施方式,具体的,采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标,具体包括以下步骤:
加载所述研究城市的道路网络空间数据,通过ArcGIS相交工具,将预设待预测范围的矢量面图形与道路网络数据进行相交,提取出待预测社区的街道;
加载所述待预测社区的街道,利用ArcGIS沿线生成点工具,按相等的间隔生成待预测社区的舒适感评价点;
加载待预测社区的舒适感评价点的矢量点图形,利用Python编程批量获取各舒适感评价点的街景图像数据;
测算待预测社区的客观视觉感知指标和主观视觉感知指标。
进一步地,本发明还提供了一种具体实施方式,具体的,获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标,具体包括以下步骤:
加载待预测社区的多波段遥感影像数据和建成环境空间数据,测算待预测社区的舒适感评价点的建成环境特征指标。
进一步地,本发明还提供了一种具体实施方式,具体的,将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感,具体包括以下步骤:
将实际使用者的个体属性、街客观视觉感知指标、主观视觉感知指标和建成环境特征指标输入所述社区舒适感评价预测模型中,测算待预测社区的舒适感评价点的舒适感预测值;
通过ArcGIS的统计功能,测算待预测社区的舒适感平均指标值,其用于对待预测社区舒适感进行定量评估,制作待预测社区舒适感分布地图。
与现有技术相比,本发明的有益效果是:
本发明提供了一种全新的评价思路,社区舒适感模拟预测方法,获取研究城市的多个社区舒适感特征和社区使用者的个体属性;利用街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标;加载多波段遥感影像数据和建成环境空间数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;基于映射关系数据构建社区舒适感评价预测模型。进一步,根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性;将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知。
针对现有技术存在的问题,本发明除利用街景图像数据外,还将空间形态、功能活力等社区建成环境特征作为影响因素纳入社区舒适感的评价,进一步通过手机信令数据识别需徐策评价社区的实际使用者,并将其个体属性纳入评价的考量因素,利用机器学习的方法构建社区舒适感评价预测模型,该发明给城市社区舒适感的评价提供了新的思路,考量因素更为全面周全,且模型评价结果更为客观且准确,为后续规划、创建更安全的城市社区提供参考,对今后城市社区的设计和改造工作提供相关分析工具。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1是本发明的一种社区舒适感模拟预测方法的流程示意图;
图2是本发明的一种社区舒适感模拟预测方法的研究框架图;
图3是本发明的街景视觉特征指标测算示意图;
图4是本发明的建成环境特征指标测算示意图;
图5是本发明的待预测社区的实际使用者的居住地分布示意图;
图6是本发明的待预测社区的舒适感评价预测结果分布示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
基于申请人的研究发现,现有社区舒适感分析技术存在如下问题:
(1)早期研究通常采用构建综合指标体系的方法进行评估,该方案存在的问题为指标选择及权重设置相对主观,这造成评估结果不准确。
(3)社区是居民生活的核心载体,是居民开展各类日常生活活动的主要空间,也是政府进行社会治理的基本空间单元。以社区为单元进行评估,能更好地反映居民需求,衔接政府社会治理抓手。但现有评价多对线性的街道空间进行舒适感评价,而较少关注对面状的社区进行舒适感全面的评估。
(2)近年来,现有评价技术已有开始利用街景图像数据,采用机器学习的方法开展社区舒适感评估,例如,徐磊青根据学生与居民对街景图像的打分情况,探讨街景因素与舒适感知觉的关系;美国麻省理工学院则利用众包的方式采集百万张街景图像的评分,构建卷积神经网络,以此形成街景舒适感的评价。
现有技术利用街景识别进行评价的准确度虽然有所提升,但仍然存在问题,一方面,街景图像只能反映视觉冲击影响的居民对社区的主观舒适感受,但经申请人研究发现,社区给人的舒适感除了视觉冲击外,还受到空间的围合性、功能活力等因素的影响,此外现有街景图像通常只能采集白天的图像,而忽略了社区夜晚的光照条件这一重要因素。另一方面,社区作为居民公共生活的载体,其舒适感是一种在地化的感知,即只有社区的实际使用者,才能更好对社区的舒适感做出评价,且不同的人群对同一个场景可能产生迥异的舒适感评价,因此社区舒适感评价也应该考虑实际使用者个体属性差异。
为此,针对现有城市社区舒适感的评价技术存在相关缺陷,本发明给城市社区舒适感的评价提供了新的思路,本发明提供了一种社区舒适感模拟预测方法,获取研究城市的多个社区舒适感特征和社区使用者的个体属性;利用街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标;加载多波段遥感影像数据和建成环境空间数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;基于映射关系数据构建社区舒适感评价预测模型。进一步,根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性;将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知。
本发明除利用街景图像数据外,还将空间形态、功能活力等社区建成环境特征作为影响因素纳入社区舒适感的评价,进一步通过手机信令数据识别需评价社区的实际高频使用者,并将其个体属性纳入评价的考量因素,利用机器学习的方法构建社区舒适感评价预测模型,考量因素更为全面周全,且模型评价结果更为客观且准确,为后续规划、创建更安全的城市社区提供参考,对今后城市社区的设计和改造工作提供相关分析工具。
参照图1所示,图1为本申请实施例提供的社区舒适感模拟预测方法的流程示意图,且结合图2的研究框架图,具体方法流程为:
S100:利用公众参与式地理信息问卷调查系统进行众包数据采集,获取研究城市的多个社区舒适感特征和对应的社区使用者的个体属性,所述社区使用者为评价研究城市社区以得到社区舒适感特征的居民,具体的,社区使用者通过使用公众参与式地理信息问卷调查系统生成社区舒适感特征;根据社区舒适感特征对应的地理位置信息生成样本社区舒适感标记点,构建所述个体属性、社区舒适感特征和样本社区舒适感标记点的映射关系。
S200:利用Python编程批量获取样本社区舒适感标记点的街景图像数据;根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标。
S300:加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;
S400:构建包含所述个体属性、社区舒适感特征、客观视觉感知指标、主观视觉感知指标、建成环境特征指标和所述样本社区舒适感标记点的映射关系数据;基于映射关系数据构建社区舒适感评价预测模型。
S500:根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性;
S600:采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标;
S700:获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标;
S800:将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知。
具体的,结合部分实际分析数据,本发明对社区舒适感模拟预测方法的具体实施方式进行如下补充说明:
S100:利用公众参与式地理信息问卷调查系统进行众包数据采集,获取研究城市的多个社区舒适感特征和对应的社区使用者的个体属性,所述社区使用者为评价研究城市社区以得到社区舒适感特征的居民,具体的,社区使用者通过使用公众参与式地理信息问卷调查系统生成社区舒适感特征。
根据社区舒适感特征对应的地理位置信息生成样本社区舒适感标记点,构建所述个体属性、社区舒适感特征和样本社区舒适感标记点的映射关系。
在一种优选实施中,利用公众参与式地理信息问卷调查系统进行众包数据采集,得到研究城市的多个社区舒适感特征和社区使用者的个体属性,具体包括:
S110:设计特定的社区舒适感调查问卷,采集社区使用者的个体属性和对社区的主观舒适感。
在一种具体实施中,所述社区舒适感特征为社区使用者对社区的主观舒适感评分,社区舒适感根据多个调查问卷问题进行综合打分评价。所述个体属性包括年龄、性别和学历。
具体地,社区舒适感调查问卷对社区的舒适感知涉及多个问题,用10分制进行衡量,5分以上代表被调查的居民个体认为该社区标记点的舒适感较好,5分以下代表舒适感相对较低,同时,分值越高代表舒适感越高。
在一种具体实施中,社区舒适感调查问卷的问题如下表所示:
S120:设计开发基于公众参与式地理信息系统的社区舒适感调查程序,通过众包的方式调查所述研究城市的多位居民,标记其熟悉的社区空间位置,并对该标记位置的舒适感进行评价。
在一种具体实施中,利用微信小程序平台的位置定位功能,开发公众参与式地理信息问卷调查系统,被调查者在该小程序上填写个体属性信息后,查看互联网地图并选择和标记自己熟悉且感觉相对安全或不安全各5个社区的空间点位,同时根据上一步调查问卷对每个社区舒适感标记点位的舒适感进行评分。
S130:根据被调查的社区使用者所标记的社区空间位置,生成所述研究城市的样本社区舒适感标记点,构建社区使用者的个体属性和社区舒适感的映射关系。
在一种具体实施中,映射关系可通过映射表格进行体现。
本发明还提供了的步骤S100的具体实例,利用小程序搭建公众问卷调查平台,采集了2736名居民对8274个样本社区舒适感标记点的舒适感知评价。本实例中共采集到2736名居民的10908次舒适感评价,数据采集的居民涵盖各年龄段和受教育水平,采集的社区舒适感标记点涉及各种类型和区域,能够用于本次实例研究。
具体地,将步骤S120中的居民进行评价和标记的社区空间点位,导入ArcGIS平台,生成共计10908个样本社区舒适感标记点,涉及1573条社区,存储为“广州市样本社区舒适感标记点.shp”矢量点数据。
然后,通过ArcGIS添加字段工具,依次添加并记录“舒适感标记点编号”、“舒适感标记点经度”、“舒适感标记点纬度”字段记录,记录舒适感标记点的编号和空间经纬度信息。添加“标记者年龄”、“标记者性别”、“标记者学历”字段。其中“标记者年龄”字段为数值变量;“标记者性别”字段为分类变量,分为男、女2类;“标记者学历”字段为分类变量,分为小学及以下、初高中、大专及以上3类。
通过记录社区使用者的个体属性;添加“舒适感标记点舒适感”字段记录社区使用者对该舒适感标记点的舒适感评价,通过表格以体现映射关系,如下表《样本社区使用者个体属性和社区舒适感评价映射表》。
样本社区使用者个体属性和社区舒适感评价映射表
S200:利用Python编程批量获取样本社区舒适感标记点的街景图像数据;根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标。
本发明通过利用S100生成的样本社区舒适感标记点的经纬度坐标信息,通过python编程批量获取舒适感标记点的街景全景图像数据。
在一种优选实施中,利用Python编程批量获取样本社区舒适感标记点的街景图像数据,具体包括以下步骤:
S210:调用互联网地图API接口中的全景静态图web服务。
S220:根据预设的图像采集配置,利用Python编程批量获取样本社区舒适感标记点的街景图像数据,所述图像采集配置为采集街景图像数据的图像分辨率和采集视角。
具体的,步骤S210和步骤S220通过以下具体实施方式实现:
S200-1:获取互联网地图全景静态图应用的apkey。本实施例选择百度地图提供的街景图像作为数据源,注册百度地图开发者平台账号,申请全景静态图API应用,获取全景静态图应用服务的apkey。
S200-2:调用互联网地图服务商提供的API服务,利用编程根据样本社区舒适感标记点的空间经纬度,批量获取标记点的街景图像。
具体地,通过python编写街景批量采集程序,将全景静态图应用apkey作为用户访问密匙(ak)参数;将“广州市样本社区舒适感标记点.shp”的“舒适感标记点经度”和“舒适感标记点纬度”分别作为全景点位置(location)参数;设置图片(width)宽度、高度(height)、水平视角(heading)、垂直视角(pitch)参数分别为1024:512:360和0,即每个采样点获取一张平视视角、视野范围为360度环视、照片高度和宽度分别为1024:512像素的街景全景图像。
S200-3:存储样本社区舒适感标记点的街景图像。
具体地,依据上述参数设置,通过Python编程历遍样本社区舒适感标记点的全景静态图GET请求,获取返回的街景图像,将获取采样点街景图像以“舒适感标记点编号”为存储名称,以jpg格式存储在文件夹中。
在一种优选实施中,根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标记录,具体包括以下步骤:
S230:利用深度学习方法对所述样本社区舒适感标记点的街景图像数据进行图像分割和感知特征预测,测算样本社区舒适感标记点的客观视觉感知指标,所述客观视觉感知指标包括绿视率、天空开敞度、建筑视觉密度、透明界面占比;
S240:利用Place Pulse2.0数据集和深度学习方法模型,生成街景视觉主观感知评价模型,批量化自动测算每个样本社区舒适感标记点在视觉上的主观视觉感知指标,所述主观视觉感知指标包括视觉活力感、视觉美丽感、视觉安全感;
S250:利用ArcGIS的添加字段工具,将相应的客观视觉感知指标和主观视觉感知指标记录在宿舍样本社区舒适感标记点。
具体的,步骤S230-步骤S250通过以下具体实施方式实现:
本发明提供一种具体实施方式,分别采用Cityscapes数据集和Place Pulse2.0数据集作为训练数据,通过Python编程语言编写程序,构建地物分割模型和街景主观感知评价模型,测算街景图像的视觉特征指标,具体的,包括以下内容:
S200-4:通过Python的TensorFlow机器学习函数库编程,利用卷积神经网络算法建模,训练图像分割模型,可自动识别并分割图像中的绿色植物、天空、建筑等常见地物。
具体的,图像分割模型是本发明利用的公知技术,在此不过多说明。
需要说明的是,本实施例采用Cityscapes数据集作为训练数据集,Cityscapes数据集是奔驰为满足其自动驾驶技术开发的通用图像分割数据集,包含多个城市的多张图像,已对道路、汽车、绿色植物等多种地物进行了精细的分割标记。Cityscapes数据集更符合本发明技术的需求。
基于上述技术手段,本实施例采用Python编程语言的TensorFlow机器学习包编程,以Cityscapes数据集作为训练样本,利用卷积神经网络算法使计算机根据训练集中的图像分割规律构建图像分割模型,使得计算机可对任意街景图像中的道路、汽车、绿色植物等常见地物边界进行识别分割。
S200-5:利用图像分割模型,批量化自动测算每个样本舒适感标记点的街景图像数据的绿视率、天空开敞度、界面围合度、建筑视觉密度等客观感知指标。
具体地,本实施例利用上述步骤训练的图像分割模型,利用Python编程生成街景图像批量化自动识别分割程序,对采集的街景图像数据按地物类别进行图像分割,根据绿视率、天空开敞度、建筑视觉密度、界面围合度的计算公式,测算舒适感标记点街景图像的相应指标。
S200-6:利用Place Pulse2.0数据集,通过深度学习方法模型,生成街景视觉主观感知评价模型,批量化自动测算每个样本社区舒适感标记点视觉上的活力感、美丽感、安全感等主观视觉感知指标。
具体地,本实施例采用美国麻省理工大学城市感知实验室(MIT Senseable CityLab)采集的Place Pulse2.0数据集作为训练数据集,Place Pulse2.0数据集通过采集了全球56个城市居民对11.1万对街景图像116.9万次的安全感(Safe)、活力感(Lively)、美丽感(Beautiful)、富裕感(Wealthy)、压抑感(Depresing)、无聊感(Boring)6种主观感知的评价,每张街景图像标记6类感知评分,分值在0-10分之间,分值越高代表该类感知程度越高。该数据集采集的方式为每组两张街景图像对比,即让受访者标记两张随机街景图像中更具美丽感(或其他感知)的图片,更接近于“看图说话”的方式,并非让受访者对自己经常使用过的社区进行综合主观评价,仅能代表街景图像本身视觉冲击反映出的感知特征,而非对街景图像所在场所空间的综合心理感受。同时该数据集并未采集受访者的年龄、受教育情况等个体属性,因此数据集标注的分数是基于大多数人对街景图像的一般评价。
本实施例将基于街景图像本身视觉冲击带来的感知作为输入因素,用于辅助评价使用者视角的社区舒适感。基于Python编程语言的TensorFlow机器学习包编程,以PlacePulse2.0数据集作为训练样本,利用卷积神经网络算法建模,生成街景视觉主观感知评估模型,使得计算机可对任意街景图像视觉上的六种主观感知进行评分,对采集的各舒适感标记点的街景图像数据进行视觉主观感知的批量计算。
在一种具体实施中,本发明还提供了客观视觉感知指标、主观视觉感知指标中的各指标的计算方式,具体的如表《街景视觉特征指标计算方法》。
街景视觉特征指标计算方法
S200-7:利用ArcGIS的添加字段工具,记录样本社区舒适感标记点的街景视觉特征指标。
具体地,本实施例通过ArcGIS添加字段工具,对矢量点图形“广州市样本社区舒适感标记点.shp”添加“绿视率”、“天空开敞度”、“建筑视觉密度”属性字段,记录样本社区舒适感标记点的视觉客观感知指标;添加“视觉安全感”、“视觉活力感”、“视觉美丽感”、“视觉富裕感”、“视觉压抑感”和“视觉无聊感”属性字段,记录样本社区舒适感标记点的主观视觉感知指标,生成样本社区舒适感标记点街景视觉指标表,如图3所示。
S300:加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标。
在一种优选实施中,加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标,具体包括以下步骤:
S310:基于空间形态、功能活力、植被覆盖、夜间灯光维度构建建成环境特征指标体系,所述建成环境特征指标体系包括建筑贴线率、建筑高度、社区高宽比、设施密度、主导功能、设施多样性、植被归一化指数、绿化覆盖率和夜间灯光强度。
在本发明中,经申请人研究发现,居民对城市舒适感的主观感受与社区空间建成环境特征关系密切,街景图像能够反映视觉层面社区空间给居民带来的空间感受,空间形态和植被覆盖等直接影响社区的空间秩序和品质等特质,而混乱的空间秩序、低品质的空间品质容易导致居民产生相对负面的感知情绪。
另一方面,社区的活力越好,设施数量越多,“社区眼”的数量也就越多,能够显著提升居民的舒适感受。夜间社区的灯光亮度同样能够反映社区的夜间活力和安全感。为更好构建社区舒适感的评价预测模型,本实施例除利用街景图像分析视觉层面的影响指标外,充分叠加了社区的空间形态、功能活力、植被覆盖、夜间灯光4大维度的9项指标,如表《建成环境特征指标计算方法》所示,通过ArcGIS缓冲区工具,测算每个样本社区舒适感标记点100米的缓冲区,生成“广州市样本社区舒适感标记点缓冲区.shp”矢量面图形,以此为范围测算每个样本社区舒适感标记点周边的建成环境特征指标。
建成环境特征指标计算方法
/>
S320:加载所述研究城市的建成环境空间数据,测算所述样本社区舒适感标记点的建筑贴线率、建筑高度、社区高宽比、设施密度、主导功能和设施多样性。
在一种具体实施中,所述建成环境空间数据包括道路网络、建筑房屋面、百度POI等空间矢量数据。
在一种具体实例中,本实施例加载广州市的道路网络、建筑房屋面、百度POI等建成环境空间数据,通过ArcGIS的相交工具,将空间数据与“样本社区舒适感标记点缓冲区.shp”相交,根据建成环境特征指标的测算方法,通过ArcGIS的汇总统计功能测算样本社区舒适感标记点的建筑贴线率、建筑平均高度、社区高宽比、设施密度、主导功能、设施多样性指标,并依次记录在相应字段中,如图4所示。
S330:加载所述研究城市的多光谱遥感影像和夜间灯光遥感影像数据,测算所述样本社区舒适感标记点的植被归一化指数、绿化覆盖率和夜间灯光强度。
在一种具体实施中,载研究城市的多光谱遥感影像和夜间灯光遥感影像数据,还需要进行空间配准、辐射校正、大气校正等数据处理,以得到符合要求的遥感影像数据。
在一种具体实例中,本实施例利用Google Earth Engine地理空间处理服务平台获取Sentinel-2(哨兵二号)遥感影像和珞珈一号夜间灯光遥感影像分别进行植被覆盖和夜间灯光强度维度指标的测算。其中,Sentinel-2为欧洲航天局2015年发射的多光谱卫星,涵盖RGB、近红外NIR等13个光谱波段,各波段的空间分辨率10米-60米,可用于测算各类植被覆盖指数;珞珈一号是由武汉大学与相关机构共同研发与2018年升空的专业夜光遥感卫星,空间分辨率为130m,可用于测算中微观尺度的夜间灯光强度。
本实施例选择区域覆盖广州市、拍摄时间为7-8月、云量小于10%的Sentinel-2和珞珈一号遥感影像数据,通过ENVI遥感图像处理对上述步骤获取的多波段遥感影像进行空间配准、辐射校正、大气校正,并按广州市市域范围进行裁剪,以此作为指标测算的基础数据。通过ArcGIS分区统计工具,以各标记点缓冲区为统计范围,根据表《建成环境特征指标计算方法》中建成环境特征指标的测算方法,测算样本社区舒适感标记点的植被归一化指数、绿化覆盖率、夜间灯光强度指标,并依次记录在相应字段中,如图4所示。
S400:构建包含所述个体属性、社区舒适感特征、客观视觉感知指标、主观视觉感知指标、建成环境特征指标和所述样本社区舒适感标记点的映射关系数据;基于映射关系数据构建社区舒适感评价预测模型。
在一种优选实施中,基于映射关系数据构建社区舒适感评价预测模型,具体包括以下步骤:
S410:将映射关系数据作为构建社区舒适感评价预测模型的样本数据,对样本数据进行重采样处理,等到类型比例均衡的样本数据集;其中,将个体属性、客观视觉感知指标、主观视觉感知指标、建成环境特征指标作为样本数据集的输入属性;社区舒适感特征作为待预测的输出属性。
在一种具体实施中,通过ArcGIS的表连接功能,根据样本社区的舒适感标记点的编号字段将使用者的个体属性,舒适感标记点的客观视觉感知指标、主观感知指标和建成环境特征指标,以及社区使用者对舒适感标记点的舒适感评价进行连接,生成包含上述属性值的映射表,如表《样本社区标记点特征属性表》所示,作为下一步构建社区舒适感预测模型的数据基础。
样本社区标记点特征属性表
/>
在一种优选实施中,本发明将映射关系数据作为构建社区舒适感评价预测模型的样本数据,对样本数据进行重采样处理,等到类型比例均衡的样本数据集。
具体的,在数据采集过程中社区使用者更倾向于标记感觉环境不舒适的社区,因此,本实施例中采集的舒适感评分在5分以下(认为相对不安全)的标记点数量有8007个,样本数量占总量的73.4%,样本数据的不均衡可能影响模型精度。为此,本实施例采用SMOTE策略进行样本的重采样,采用最临近算法计算出每个少数派样本(本实施例中即舒适感评分5分以上的样本)的K个临近,进一步从K个近邻中随机挑选N个样本进行随机插值,以此合成新的少数派样本使得舒适感评分5分以上和5分以下的样本数量趋于平衡,最终获得样本数据16014个。
S420:将样本数据集划分为训练集和测试集,其中,所述训练集用于训练模型,所述测试集用于评估模型预测的精度。
在本发明的具体实施中,随机选择了70%的样本数据作为训练数据集,另外30%的样本作为测试集。
S430:调用Python编程,选择多种机器学习算法分别进行模型构建,利用均方误差(MSE)、平均绝对误差(MAE)、均方根误差(rMSE)指标评估模型精度,选择模型精度最高的算法作为最终模型,生成基于机器学习的社区舒适感评价预测模型。
在一种具体实例中,本实施例选择线性回归算法、BP神经网络算法、随机森林算法进行模型构建。
其中,线性回归算法可解释性强,可给出各自变量的影响权重。BP神经网络算法是一种按误差逆传播算法训练的多层前馈网络,对于非线性的数据特征拟合能力更强,精度更高。随机森林算法是一种基于多个决策树的团体学习算法,可处理线性及非线性问题,通用性较好。
进一步地,本实施例待预测的值为舒适感评价值,是一个典型的回归任务,主要关注预测值和真实值之间的误差,因此采用均方误差(以下简称MSE)、平均绝对误差(MAE)、均方根误差(rMSE)3个指标进行模型性能的综合评价,具体计算方法如下表《模型性能评价指标》所示。
在一种具体实例中,本实施例的随机森林算法的精度最高,MSE、RMSE和MAE指标均处于较低水平,分别为0.37:0.608:0.87。以MAE指标值为例,平均绝对误差为0.87分,预测值相比于10分的总分平均偏离0.87分,在10%以内,说明该模型能够较为精准地用于社区舒适感的评价预测。模型的输入参数中包含社区使用者的个体属性特征,因此该评价预测结果是基于社区使用者视角下的舒适感评价。
模型性能评价指标
S500:根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性。
对于待预测社区的实际使用者的个体属性获取,本发明提供通过移动运营商提供的手机信令数据,识别出待预测社区的实际使用者,通过叠加第七次人口普查数据获取其性别、年龄、学历构成的技术方向。
在一种具体实施中,根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性,具体包括以下步骤:
S510:加载研究城市的手机信令数据,通过手机信令识别用户的居住地基站、工作地基站和日常活动地基站。
在本发明的线下具体实施中,通过与中国移动运营商展开合作,获取了广州市移动用户2021年9月1日至30日连续30天的手机信令基站精度定位数据。手机信令数据是用户手机与基站之间联系或周期确认状态的记录,能够反映用户行为活动的时空规律,并且能够基于普通居民的一般活动规律,识别其居住地、工作地和日常活动地点,识别方法如表《手机信令用户基站识别方法》所示。
手机信令用户基站识别方法
S520:识别待预测社区的舒适感评价点附近的基站,筛选出在待预测社区居住、工作或进行日常活动的手机用户,将其识别为待预测社区的实际使用者。
其中,本实施例在ArcGIS中加载矢量面图形“待预测社区空间范围.shp”矢量面体系和“广州市移动手机基站.shp”矢量点数据,通过ArcGIS空间连接工具,将“广州市移动手机基站.shp”矢量点与“待预测社区空间范围.shp”矢量面图形按空间距离进行连接,获取待预测社区的基站。
通过此步骤提取出与待预测社区的手机信令基站。
通过上一步识别的移动手机用户日常活动地基站,筛选出在待预测社区居住、工作或2021年9月1日至30日间日常活动驻留次数大于10次的用户,将其作为待预测社区的实际使用者。本实施例中待预测社区的共识别出23613个实际使用者,涉及35.2万次日常活动驻留。
S550:通过ArcGIS的按属性选择工具,获取待预测社区的实际使用者的居住地基站。
在具体实施中,通过ArcGIS的按属性选择工具,筛选出待预测社区23613个实际使用者的居住地基站,生成“待预测社区实际使用者居住地基站.shp”矢量点图形。
可以看出,待预测社区所在区域是番禺区近年来发展较好的重点区域,承载了大量就业和商业服务,因此,待预测社区的实际使用者并非仅来源于周边区域。如图5所示,53%的实际使用者居住在5公里以外,说明识别实际使用者能够更好地基于使用者视角对社区舒适感进行评估预测。
S560:调取人口普查数据,根据人口普查的常住人口平均年龄、性别比例、学历构成,对待预测社区的实际使用者的个体属性特征进行推算,生成实际使用者的个体属性。
在本发明中,因从移动运营商获取的手机信令数据并无用户的性别、年龄和受教育水平个体属性信息。为此,需要将待预测社区的实际使用者的居住地与第七次人口普查(以下简称七普)社区数据进行匹配,得到实际使用者的个体属性。
在一种具体实施中,加载“广州市七普社区统计数据.shp”矢量面图形,每个社区均记录了七普统计的社区常住人口总数、平均年龄、各学历人口占比和性别比例,将其与“待预测社区实际使用者居住地基站.shp”矢量点图形相交,识别待预测社区的实际使用者的居住地所在社区。
进一步的,根据七普社区统计数据对待预测社区的舒适感评价点实际使用者的个体属性特征进行加权,测算每类人群的权重占比。例如,待预测社区总共有23613位实际使用者,其中2346位实际使用者来源于SQ00318号七普社区,该七普社区居民的平均年龄为38岁,男性居民占比53.3%、学历构成占比为小学及以下占比13.2%、初高中学历占比43.7%、大专及以上学历占比43.1%。因此,来源于SQ00381号七普社区的实际使用者年龄属性设置为38岁,并根据性别和学历细分为6种人群类型,分别为“男-小学及以下学历、男-初高中学历、男-大专及以上学历、女-小学及以下学历、女-初高中学历、女-大专及以上学历”,评价权重根据人数占比、性别占比、学历占比进行测算,以“男-小学及以下学历”类型为例,其评价权重为(2346/23613)*53.3%*13.2%,即0.699%。
通过上述方法,以此类推获取每个待预测社区的舒适感评价点来源于各七普社区的实际使用者个体属性特征,进而生成表格如表《待预测社区的实际使用者个体属性特征表》所示。
待预测社区的实际使用者个体属性特征表
S600:采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标。
在一种优选实施中,采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标,具体包括以下步骤:
S610:加载所述研究城市的道路网络空间数据,通过ArcGIS相交工具,将待预测社区空间范围的矢量面图形与道路网络数据进行相交,提取出待预测社区的街道。
在具体实例中,以广州市为例,加载广州市的道路网络空间数据”,通过ArcGIS相交工具将待预测社区范围与广州市道路网络相交,生成“广州市待预测社区街道.shp”矢量线图形,并在道路交叉口处被打断为89条街道段,长度共计21.4千米,添加“待预测社区街道段编号”字段,记录各待预测社区街道段的唯一编号,编号在1-89之间。
S620:加载所述待预测社区街道,利用ArcGIS沿线生成点工具,按相等的间隔生成待预测社区的舒适感评价点。
在一种具体实施中,加载“广州市待预测社区街道.shp”矢量线图形,使用ArcGIS沿线生成点工具,“点放置”参数设置为按距离放置、“距离”参数设置为50米,即按50米的空间间隔生成样本街区的舒适感标记点,即待预测社区的舒适感标记点,共计428个,存储为“待预测社区舒适感评价点.shp”。
通过ArcGIS添加字段工具,为“待预测社区舒适感评价点.shp”添加“评价点编号”、“评价点所在街道段编号”、“评价点经度”和“评价点纬度”字段。其中,“评价点编号”进行自动编号,使得每个评价点的“评价点编号”唯一;“评价点所在街道段编号”记录评价点所在街道段;“评价点经度”和“评价点纬度”字段通过计算几何工具记录各评价点的经纬度坐标。
S630:加载待预测社区的舒适感评价点的矢量点图形,利用Python编程批量获取各舒适感评价点的街景图像数据。
在一种具体实施中,加载“待预测社区舒适感评价点.shp”矢量点图形,参考上述步骤S200,利用python编写街景批量采集程序,将全景静态图应用apkey作为用户访问密匙(ak)参数;将“待预测社区舒适感评价点.shp”的“评价点经度”和“评价点纬度”分别作为全景点位置(location)参数;设置图片(width)宽度、高度(height)、水平视角(heading)、垂直视角(pitch)参数分别为1024:512:360和0,即每个采样点获取一张平视视角、视野范围为360度环视、照片高度和宽度分别为1024:512像素的街景全景图像。
S640:测算待预测社区的客观视觉感知指标和主观视觉感知指标。
在一种具体实施中,根据步骤S200中利用Cityscapes数据集训练的图像分割模型和利用Place Pulse2.0数据集训练的街景视觉主观感知评估模型,结合绿视率、天空开敞度等视觉客观感知指标和视觉活力感、美丽感等视觉主观感知指标的计算方式,利用S610采集的街景图像数据测算各评价点的街景视觉特征指标,并添加相应字段进行记录。
S700:获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标。
在一种优选实施中,获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标,具体包括以下步骤:
加载待预测社区的多波段遥感影像数据和建成环境空间数据,测算待预测社区的舒适感评价点的建成环境特征指标。
在一种具体实例中,加载广州市的多波段遥感影像、道路网络、建筑房屋面、POI数据,根据步骤S300中数据处理方法和指标计算方法,测算并记录待预测社区舒适感评价点的建筑高度、建筑贴线率、设施密度、植被覆盖率、夜间灯光强度等建成环境特征指标。
进一步地,通过ArcGIS的数据连接工具,构建包含待预测社区的实际使用者的个体属性、客观视觉评价指标、主观视觉评价指标、建成环境特征指标的自变量属性表。
具体地,以待预测社区的舒适感评价点编号为连接字段,将实际使用者个体属性特征指标、客观视觉评价指标、主观视觉评价指标和建成环境特征指标进行连接,生成待预测社区舒适感评价点的自变量属性表,如表《待社区标记点特征属性表》。
待预测社区标记点特征属性表
S800:将待预测社区的实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知。
在一种优选实施中,将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感感知,具体包括以下步骤:
S810:将实际使用者的个体属性、街客观视觉感知指标、主观视觉感知指标和建成环境特征指标输入所述社区舒适感评价预测模型中,测算待预测社区的舒适感评价点的舒适感预测值。
具体地,本实施例利用步骤S700中生成的待预测社区舒适感评价点的自变量属性表,将其作为输入参数,输入社区舒适感评价预测模型,因此,进一步通过下列公式按各细分类型的权重占比叠加,此测算428个待预测社区舒适感评价点的舒适感评价值。
式中,PJDssd为待预测社区舒适感评价点的舒适感评价值;在步骤S500中每个待预测社区实际使用者的已根据其来源社区、性别和学历进行了细分,并测算了权重,因此,f(xik)代表该舒适感评价点来源于第s个七普社区的第t种细分实际使用者个体属性;qst代表该类型实际使用者的权重占比,与步骤S500中测算的一致。
S820:通过ArcGIS的统计功能,测算待预测社区的舒适感平均指标值,其用于对待预测社区舒适感进行定量评估,制作待预测社区舒适感分布地图。
在一种具体实施中,本实施例将待预测社区的舒适感评价点的舒适感评价值,通过ArcGIS的统计功能,按平均值的方法测算待预测社区各街道段的舒适感评价值。
式中,JDssdk为第k条待预测社区街道段的舒适感评价值;PJDssdki为该社区的第i个舒适感评价点的舒适感评价值;n为该街道段的舒适感评价点总数量。
本实施例测算出了89条待预测社区的舒适感评价值,通过ArcGIS的插值分析模块,对待预测社区的舒适感预测值进行空间插值分析,如图6所示。结果表明该区域舒适感整体较高,待预测社区的舒适感评价值平均为8.7分,居民感受不舒适的区域主要集中在社区的西南部等级高、车流量大但人行道不连续的干道,如图6所示。
以上为本发明的全部技术方案。
本实施例所述一种社区舒适感模拟预测方法的其它结构参见现有技术。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种社区舒适感模拟预测方法,其特征在于,所述社区舒适感模拟预测方法包括以下步骤:
获取研究城市的多个社区舒适感特征和对应的社区使用者的个体属性,所述社区使用者为评价研究城市社区以得到社区舒适感特征的居民;
根据社区舒适感特征对应的地理位置信息生成样本社区舒适感标记点,构建所述个体属性、社区舒适感特征和样本社区舒适感标记点的映射关系;
利用Python编程批量获取样本社区舒适感标记点的街景图像数据;
根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标;
加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标;
构建包含所述个体属性、社区舒适感特征、客观视觉感知指标、主观视觉感知指标、建成环境特征指标和所述样本社区舒适感标记点的映射关系数据;
基于映射关系数据构建社区舒适感评价预测模型;
根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取待预测社区的实际使用者的个体属性;
采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标;
获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标;
将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区舒适感。
2.根据权利要求1所述的一种社区舒适感模拟预测方法,其特征在于,根据街景图像数据,生成样本社区舒适感标记点的客观视觉感知指标和主观视觉感知指标记录,具体包括以下步骤:
利用深度学习方法对所述样本社区舒适感标记点的街景图像数据进行图像分割和感知特征预测,测算样本社区舒适感标记点的客观视觉感知指标,所述客观视觉感知指标包括绿视率、天空开敞度、建筑视觉密度和透明界面占比;
利用Place Pulse2.0数据集和深度学习方法模型,生成街景视觉主观感知评价模型,批量化自动测算每个样本社区舒适感标记点在视觉上的主观视觉感知指标,所述主观视觉感知指标包括视觉活力感、视觉美丽感、视觉安全感和视觉无聊感;
利用ArcGIS的添加字段工具,将相应的客观视觉感知指标和主观视觉感知指标记录在所述样本社区舒适感标记点。
3.根据权利要求2所述的一种社区舒适感模拟预测方法,其特征在于,加载所述研究城市的建成环境空间数据和多波段遥感影像数据,测算多个所述样本社区舒适感标记点的建成环境特征指标,具体包括以下步骤:
基于空间形态、功能活力、植被覆盖、夜间灯光维度构建建成环境特征指标体系,所述建成环境特征指标体系包括建筑贴线率、建筑高度、街道高宽比、设施密度、主导功能、设施多样性、植被归一化指数、绿化覆盖率和夜间灯光强度;
加载所述研究城市的建成环境空间数据,测算所述样本社区舒适感标记点的建筑贴线率、建筑高度、街道高宽比、设施密度、主导功能和设施多样性;
加载所述研究城市的多光谱遥感影像和夜间灯光遥感影像数据,测算所述样本社区舒适感标记点的植被归一化指数、绿化覆盖率和夜间灯光强度。
4.根据权利要求3所述的一种社区舒适感模拟预测方法,其特征在于,基于映射关系数据构建社区舒适感评价预测模型,具体包括以下步骤:
将映射关系数据作为构建社区舒适感评价预测模型的样本数据,对样本数据进行重采样处理,得到类型比例均衡的样本数据集;其中,将个体属性、客观视觉感知指标、主观视觉感知指标、建成环境特征指标作为样本数据集的输入属性;社区舒适感特征作为待预测的输出属性;
将样本数据集划分为训练集和测试集,其中,所述训练集用于训练机器学习模型,所述测试集用于评估机器学习模型预测的精度;
调用Python编程,选择多种机器学习算法分别进行模型构建,利用均方误差(MSE)、平均绝对误差(MAE)、均方根误差(rMSE)指标评估模型精度,选择模型精度最高的算法作为最终模型,生成基于机器学习的社区舒适感评价预测模型。
5.根据权利要求1所述的一种社区舒适感模拟预测方法,其特征在于,根据手机信令识别待预测社区的实际使用者,结合人口普查数据,获取实际使用者的个体属性,具体包括以下步骤:
通过手机信令识别用户的居住地基站、工作地基站和日常活动地基站;
识别待预测社区的手机基站,筛选出在待预测社区的手机基站日常活动驻留频繁的手机用户,将其识别为待预测社区的实际使用者;
通过ArcGIS的按属性选择工具,获取待预测社区的实际使用者的居住地基站;
调取人口普查数据,根据人口普查的常住人口平均年龄、性别比例、学历构成,对待预测社区的实际使用者的个体属性特征进行推算,生成实际使用者的个体属性。
6.根据权利要求1所述的一种社区舒适感模拟预测方法,其特征在于,采集待预测社区的街景图像数据,得到待预测社区的客观视觉感知指标和主观视觉感知指标,具体包括以下步骤:
加载所述研究城市的道路网络空间数据,通过ArcGIS相交工具,将预设待预测范围的矢量面图形与道路网络数据进行相交,提取出待预测社区的街道;
加载所述待预测社区的街道,利用ArcGIS沿线生成点工具,按相等的间隔生成待预测社区的舒适感评价点;
加载待预测社区的舒适感评价点的矢量点图形,利用Python编程批量获取各舒适感评价点的街景图像数据;
测算待预测社区的客观视觉感知指标和主观视觉感知指标。
7.根据权利要求1所述的一种社区舒适感模拟预测方法,其特征在于,获取待预测社区的遥感影像数据和建成环境空间数据,生成待预测社区的建成环境特征指标,具体包括以下步骤:
加载待预测社区的多波段遥感影像数据和建成环境空间数据,测算待预测社区的舒适感评价点的建成环境特征指标。
8.根据权利要求1所述的一种社区舒适感模拟预测方法,其特征在于,将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标作为输入参数,输入所述社区舒适感评价预测模型中,预测所述待预测社区的舒适感,具体包括以下步骤:
将实际使用者的个体属性、待预测社区的客观视觉感知指标、主观视觉感知指标和建成环境特征指标输入所述社区舒适感评价预测模型中,测算待预测社区的舒适感评价点的舒适感预测值;
通过ArcGIS的统计功能,测算待预测社区的舒适感平均指标值,其用于对待预测社区舒适感进行定量评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362976.2A CN116415499B (zh) | 2023-04-07 | 2023-04-07 | 一种社区舒适感模拟预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362976.2A CN116415499B (zh) | 2023-04-07 | 2023-04-07 | 一种社区舒适感模拟预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116415499A CN116415499A (zh) | 2023-07-11 |
CN116415499B true CN116415499B (zh) | 2024-02-27 |
Family
ID=87059193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362976.2A Active CN116415499B (zh) | 2023-04-07 | 2023-04-07 | 一种社区舒适感模拟预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415499B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957520B (zh) * | 2023-09-20 | 2023-12-26 | 北京融信数联科技有限公司 | 一种基于大数据的失业率监测方法、系统和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418674A (zh) * | 2020-11-24 | 2021-02-26 | 中国地质大学(武汉) | 基于城市多源数据的街道空间品质测度评价方法和系统 |
WO2021102031A1 (en) * | 2019-11-18 | 2021-05-27 | Sidewalk Labs LLC | Methods, systems, and media for generating and evaluating street grids |
CN113642928A (zh) * | 2021-08-31 | 2021-11-12 | 广州市城市规划勘测设计研究院 | 应用于城市更新的社区生活圈的规划模拟测度与评价方法 |
CN113657688A (zh) * | 2021-08-31 | 2021-11-16 | 广州市城市规划勘测设计研究院 | 一种社区生活圈的模拟测度方法 |
WO2022198963A1 (zh) * | 2021-03-24 | 2022-09-29 | 华南理工大学 | 基于大数据的商业空间品质评价方法、系统、设备及介质 |
CN115204686A (zh) * | 2022-07-18 | 2022-10-18 | 上海市城市建设设计研究总院(集团)有限公司 | 基于面向用户感知体验的城市街道设计品质评价方法 |
CN115564174A (zh) * | 2022-08-29 | 2023-01-03 | 华南理工大学 | 生活性街道空间品质测度方法、系统、计算机设备及介质 |
CN115660269A (zh) * | 2022-09-20 | 2023-01-31 | 哈尔滨工业大学建筑设计研究院有限公司 | 一种基于安全感知的寒地街道空间品质评价方法、系统、计算机设备和可读存储介质 |
CN115879594A (zh) * | 2022-09-06 | 2023-03-31 | 中国科学院空天信息创新研究院 | 一种基于地理探测器的城市定居人口分布趋势预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082362A1 (en) * | 2008-09-17 | 2010-04-01 | Baker Salsbury | Method and Apparatus for Assessing Salient Characteristics of a Community |
US20150330645A1 (en) * | 2012-11-29 | 2015-11-19 | United Technologies Corporation | Comfort estimation and incentive design for energy efficiency |
-
2023
- 2023-04-07 CN CN202310362976.2A patent/CN116415499B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021102031A1 (en) * | 2019-11-18 | 2021-05-27 | Sidewalk Labs LLC | Methods, systems, and media for generating and evaluating street grids |
CN112418674A (zh) * | 2020-11-24 | 2021-02-26 | 中国地质大学(武汉) | 基于城市多源数据的街道空间品质测度评价方法和系统 |
WO2022198963A1 (zh) * | 2021-03-24 | 2022-09-29 | 华南理工大学 | 基于大数据的商业空间品质评价方法、系统、设备及介质 |
CN113642928A (zh) * | 2021-08-31 | 2021-11-12 | 广州市城市规划勘测设计研究院 | 应用于城市更新的社区生活圈的规划模拟测度与评价方法 |
CN113657688A (zh) * | 2021-08-31 | 2021-11-16 | 广州市城市规划勘测设计研究院 | 一种社区生活圈的模拟测度方法 |
CN115204686A (zh) * | 2022-07-18 | 2022-10-18 | 上海市城市建设设计研究总院(集团)有限公司 | 基于面向用户感知体验的城市街道设计品质评价方法 |
CN115564174A (zh) * | 2022-08-29 | 2023-01-03 | 华南理工大学 | 生活性街道空间品质测度方法、系统、计算机设备及介质 |
CN115879594A (zh) * | 2022-09-06 | 2023-03-31 | 中国科学院空天信息创新研究院 | 一种基于地理探测器的城市定居人口分布趋势预测方法 |
CN115660269A (zh) * | 2022-09-20 | 2023-01-31 | 哈尔滨工业大学建筑设计研究院有限公司 | 一种基于安全感知的寒地街道空间品质评价方法、系统、计算机设备和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Frederico Freitas.Characterizing the perception of urban spaces from visual analytics of street-levle imagery.《AI & society》.2022,全文. * |
申悦;傅行行.社区主客观特征对社区满意度的影响机理――以上海市郊区为例.地理科学进展.2019,(第05期),全文. * |
韩冰冰.寒地社区绿色空间对老年人主观幸福感影响——以长春市为例.《风景园林》.2022,第29卷(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116415499A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Measuring daily accessed street greenery: A human-scale approach for informing better urban planning practices | |
Dai et al. | Analyzing the correlation between visual space and residents' psychology in Wuhan, China using street-view images and deep-learning technique | |
Brereton et al. | Happiness, geography and the environment | |
Wu et al. | Using geometrical, textural, and contextual information of land parcels for classification of detailed urban land use | |
Czepkiewicz et al. | Geo-questionnaire: a spatially explicit method for eliciting public preferences, behavioural patterns, and local knowledge–an overview | |
CN112418674A (zh) | 基于城市多源数据的街道空间品质测度评价方法和系统 | |
Johansen et al. | Bridging between the regional degree and the community approaches to rurality—A suggestion for a definition of rurality for everyday use | |
CN116415499B (zh) | 一种社区舒适感模拟预测方法 | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN112561401A (zh) | 一种基于多源大数据的城市活力测度与表征方法及系统 | |
Joly et al. | A quantitative approach to the visual evaluation of landscape | |
CN116562125B (zh) | 一种耦合使用人群特征与街道建成环境特征的街道安全感模拟预测方法及系统 | |
Pafi et al. | Measuring the accessibility of urban green areas | |
Sun et al. | Population spatial distribution based on Luojia 1–01 nighttime light image: A case study of Beijing | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
Chaudhuri et al. | Application of web-based Geographical Information System (GIS) in tourism development | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
Martini et al. | Database-supported change analysis and quality evaluation of OpenStreetMap Data | |
Zong et al. | An innovative approach for equitable urban green space allocation through population demand and accessibility modeling | |
CN109446285B (zh) | 高校校园空间认知与活动的交互系统及方法、处理器 | |
da Rocha¹ et al. | Studies of volumetric relation between vegetation and buildings using LIDAR data and NDVI to propose urban parameters | |
Blachowski et al. | Application of multi-criteria analysis in GIS for optimal planning of house development areas. Case study of Wrocław Functional Area | |
Garg | Understanding Geospatial Data | |
Lai | Three-dimensional Visualisation of Cultural Landscape under the Perspective of Culture and Tourism Integration | |
Bendrioua et al. | On Spatial Data in Measuring Urban Livability, An analytical review |
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 |