CN116976242A - 商业空间智能人流预测方法、布局设计方法与优化方法 - Google Patents

商业空间智能人流预测方法、布局设计方法与优化方法 Download PDF

Info

Publication number
CN116976242A
CN116976242A CN202310953435.7A CN202310953435A CN116976242A CN 116976242 A CN116976242 A CN 116976242A CN 202310953435 A CN202310953435 A CN 202310953435A CN 116976242 A CN116976242 A CN 116976242A
Authority
CN
China
Prior art keywords
layout
counter
people stream
pix2pix
geometric parameters
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
Application number
CN202310953435.7A
Other languages
English (en)
Inventor
姚佳伟
王锦煜
张小钰
王瑜
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.)
Lingsi Technology Shanghai Co ltd
Tongji University
Original Assignee
Lingsi Technology Shanghai Co ltd
Tongji 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 Lingsi Technology Shanghai Co ltd, Tongji University filed Critical Lingsi Technology Shanghai Co ltd
Priority to CN202310953435.7A priority Critical patent/CN116976242A/zh
Publication of CN116976242A publication Critical patent/CN116976242A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Fluid Mechanics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明涉及一种商业空间智能人流预测方法、布局设计方法与优化方法，通过参数化随机生成柜台几何参数和非几何参数，根据几何参数生成柜台布局图像，并将非几何参数封装在图像的RGB信息中，生成模拟布局数据集，基于吸引系数和访问量分布曲线设置人员模板，并进行人流模拟，得到人流活动数据；构建pix2pix模型，以模拟布局数据集作为模型输入，以对应的人流活动数据作为模型输出，对模型进行训练；利用训练完成的pix2pix模型，根据输入的商业空间布局进行人流预测；并可根据人流预测结果进行布局设计或结合遗传算法进行布局优化。与现有技术相比，本发明具有预测精度高、预测速度快等优点。

Description

商业空间智能人流预测方法、布局设计方法与优化方法
技术领域
本发明涉及图像处理领域，尤其是涉及一种商业空间智能人流预测方法、布局设计方法与优化方法。
背景技术
传统布局设计中主要有人的经验来主导，因人而异。通过数据优化商业空间布局，以往已有很多探索。这包括中型商场布局的优化，以及更小、更有特色的商业布局的优化。在这些案例中，人群属性的影响得到了凸显，然而，现有的尝试大多是针对一种类型的特征空间，与其他类型的空间设计任务不兼容，或者不考虑局部的整体指标评估设计的调整。或者，作为设计前的模拟优化过程，由于其他设计因素的不稳定性，如方案的修改或推进方案时出现的调整，所需的模拟次数会增加。模拟次数的增加会导致效率降低，并且，完整的人流模拟相对耗时，多次修改会大幅增加优化成本。
发明内容
本发明的目的是为了提供一种商业空间智能人流预测方法、布局设计方法与优化方法，节约人流模拟时间，提高预测效率和预测精度，指导商业空间布局设计与优化。
本发明的目的可以通过以下技术方案来实现：
一种基于pix2pix的商业空间智能人流预测方法，包括以下步骤：
获取布局平面图，并划分封闭与开放空间，确定柜台布局边界并划分柜台类别；
通过参数化随机生成柜台几何参数和非几何参数，根据几何参数生成柜台布局图像，并将非几何参数封装在图像的RGB信息中，生成模拟布局数据集，其中，所述几何参数包括数量、大小、位置、方向，所述非几何参数包括访问时长、访问半径和吸引系数；
基于吸引系数和访问量分布曲线设置人员模板：
基于人员模板进行人流模拟，得到人流活动数据；
构建pix2pix模型，以模拟布局数据集作为模型输入，以对应的人流活动数据作为模型输出，对模型进行训练；
利用训练完成的pix2pix模型，根据输入的商业空间布局进行人流预测。
所述柜台类别包括带座位的柜台和独立柜台。
所述将非几何参数封装在图像的RGB信息中的方法为：为每一个非几何参数设定参数范围，根据非几何参数数值和参数范围，将三个非几何参数映射到0-255范围内的整数上，分别对应R、G、B数值。
所述基于吸引系数和访问量分布曲线设置人员模板具体为：
根据预设的访问量分布曲线分别确定1～N个柜台的柜台访问模板对应的概率P1～PN，其中，K个柜台的柜台访问模板由个人员模板组成，其中的每一人员模板X对应的概率PTempX根据柜台X1～XK的吸引系数以及K个柜台的柜台访问模板的概率PK确定。
K个柜台的柜台访问模板中，每一人员模板X对应的概率PTempX为：
其中，表示人员模板X中第K个柜台的吸引系数。
所述基于人员模板进行人流模拟具体为：根据生成的布局和设置的人员模板，设置模拟时间和最大访问人数，循环进行人流模拟。
所述人流活动数据包括：平均速度大小、平均速度方向、平均加速度大小、平均加速度方向和访问次数。
所述pix2pix模型中，对输入的RGB三维数据中的前两维进行复用，使得其与输出的五维数据对应。
一种基于pix2pix的商业空间智能布局设计方法，采用如上述所述的方法实现人流预测，并根据人流预测结果对输入的商业空间布局进行评价，根据评价结果的优劣选取最优布局，完成布局设计。
一种基于pix2pix的商业空间智能布局优化方法，包括以下步骤：
对商业空间设置设计边界、人行宽度、操作空间和柜台组合，并参数化生成布局设计；
以生成的布局设计作为输入，采用如上述所述的方法输出人流预测结果；
以参数化布局设计作为候选解，以人流预测结果中的单一指标作为适应度函数，或将人流预测结果中的多指标通过平均、极值或加权求和法降维为一维的综合指标并作为适应度函数，基于遗传算法对商业空间布局进行优化。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过代理模型加速模拟，与人流模拟插件相比，训练的基于生成式对抗神经网络的pix2pix模型在预测人群活动相关指标方面快了数百倍，并且具有高预测精度性能，节省了人流模拟的大量时间，提高了评估的效率。
(2)本发明提出了数据驱动的布局设计和优化工作流，经过训练的模型可以结合遗传算法进行商业空间布局的快速自动优化，以帮助设计者获得不同人群活动相关指标下的最佳布局，节约了人力资源，提升了工作效率。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例中的人员模板及其概率设定示意图；
图3为本发明的模型训练与应用流程图；
图4为本发明实施例中的人流预测结果可视化分析图；
图5为本发明实施例中的结合遗传算法的商业空间布局优化方法示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于pix2pix的商业空间智能人流预测方法，如图1的虚线框内部分所示，包括以下步骤：
S1、获取布局平面图，并划分封闭与开放空间，确定柜台布局边界并划分柜台类别。
本实施例收集了一些最常见现实商店的平面图，然后通过参数化对平面图进行概化，结果得到了200个平面图。在专家经验指导下，根据方案的合理程度筛选方案，并划分其中的封闭空间(储物间、洗手间、员工更衣室等)来明确柜台布局的边界。其后，本实施例根据PedSim Pro插件的特点和商业柜台布局策略将店内的柜台分为两类：带座位的柜台和独立的柜台，二者在模拟过程中的区别体现在访问点和容量的设置上。
S2、通过参数化随机生成柜台几何参数和非几何参数，根据几何参数生成柜台布局图像，并将非几何参数封装在图像的RGB信息中，生成模拟布局数据集。
其中，几何参数包括数量、大小、位置、方向，非几何参数包括访问时长、访问半径和吸引系数。几何参数和非几何参数随机生成，且它们的位置被控制以确保两两之间不重叠。
柜台吸引系数指不同柜台对人的吸引程度，实际工程应用中可以通过对以往同类型柜台在店铺中吸引的人的比例(吸引人数/总人数)得到。
对于非几何参数，为每一个非几何参数设定参数范围，根据非几何参数数值和参数范围，将三个非几何参数映射到0-255范围内的整数上，分别对应R、G、B数值。
S3、基于吸引系数和访问量分布曲线设置人员模板。
由于PedSim Pro设置中访问柜台的随机性是通过人的不同模板及其可能性比率实现，而并非直接通过更为容易观测到的人群访问数量和各类柜台吸引系数设定的。因此，本实施例设计了基于柜台随机吸引力的可能性分布流程，预设了商店中人的分布，并通过人员模板及其概率的设定将人群分布和柜台吸引系数体现于模拟中。基于此流程，可以满足现实情况下，通过调研得到的柜台吸引系数和访问量分布作为输入的正向模拟流程，以得到人员模板。
如图2左上角所示为访问量分布曲线示意图，访问量分布指一个店铺中访问展柜的数量的人群数量分布，x轴为访问柜台数量从小到大，y轴为不同的人群的概率大小。本实施例中采用正弦函数以模拟这种访问趋势，也可以采用正态函数或其他类似曲线进行模拟，在实际工程应用中可以通过调查得到具有当地特征的分布曲线。
如图2的右上角所示，每个柜台对应一个吸引系数。
人员模板的设定受到采用的社会力学模拟器的规定，基本原理为通过人员的期望(需要访问哪几个柜台)设定作为单一模板，并通过不同模板的人员的概率进行模拟。结合访问量分布曲线和吸引系数通过公式计算得到在此规律下的各个人群模板设定。具体的，如图2的下方图所示，根据预设的访问量分布曲线(可以通过记录实际数据得到)可以获得参观不同数量柜台的人的比例，从而分别确定1～N个柜台的柜台访问模板对应的概率P1～PN。对于其中的K个柜台的柜台访问模板由个人员模板组成，其中的每一人员模板X对应的概率PTempX根据柜台X1～XK的吸引系数以及K个柜台的柜台访问模板的概率PK确定：
其中，表示人员模板X中第K个柜台的吸引系数。
举例来说，若一共设有10个柜台，则共有10个柜台访问模板P1～P10。设10个柜台分别对应序号①-⑩，以其中访问2个柜台的柜台访问模版P2为例，其表示从10个柜台中选取两个柜台进行访问的情况，具体为：访问柜台①②，①③，①④……①⑩，②③，②④……，⑨⑩，因此对应个人员模板，分别表示为PTemp1-PTemp45。对于其中的某一人员模板X，其概率PTempX取决于X中对应的访问柜台的吸引系数，如模板3中，对应访问柜台①和④，PTemp3取决于柜台①和柜台④的吸引系数，公式中表示为/>和/>其中，下下标1和2分别表示第1个柜台①和第2个柜台④。则：
S4、基于人员模板进行人流模拟，得到人流活动数据。
生成室内布局且设置人员模版后，使用Grasshopper和PedSim Pro运行批量人流活动模拟，并记录过程中的数据。本实施例使用相同的设置模拟每个布局10分钟，最大人数为20人，访问时间被设置的较短以增加人员样本。注意，本实施例使用此设置只是为了演示工作流程，在实际工作模型中，需要根据周期性变化的人数调整模拟时间设置。
本实施例获得的人流活动数据包括：平均速度大小、平均速度方向、平均加速度大小、平均加速度方向和访问次数。
S5、构建pix2pix模型，以模拟布局数据集作为模型输入，以对应的人流活动数据作为模型输出，对模型进行训练。
如图3所示，在生成模拟布局数据集后，将最大25.6*25.6m范围划分为128*128个的0.2*0.2m大小的网格，按每个网格作为一个像素点，记录其上的RGB信息。根据前述分析，可以发现pix2pix模型输出为5维的，且该模型要求输入和输出的维度一致，因此，本实施例对于RGB信息复用前两个维度，将数据调整为5维后，再作为pix2pix模型输入。
对上述获得的人流活动数据通过设定不同的上限并进行归一化处理，将指标映射至0-255范围的整数，随后将每个指标视为以为数据，打包为Excel文件，导入到tensorflow中成为128*128*5的数组作为人流模拟的结果，也即模型的输出。本实施例中的上限设置如下：平均速度大小(0-5m/s)、平均速度方向(0-360°)、平均加速度大小(0-7m/s2)、平均加速度方向(0-360°)和访问次数(0-50次)，
本实施例不对pix2pix模型的具体结构进行限制，且对于此模型的工作过程本实施例在此也不再赘述。
通过上述输入和输出的设置，将数据集按照0.8:0.2的比例划分为训练集和测试集，利用训练集对模型进行训练并利用测试集测试模型性能。
S6、利用训练完成的pix2pix模型，根据输入的商业空间布局进行人流预测。
本实施例还提供一种基于pix2pix的商业空间智能布局设计方法，采用如上述所述的方法实现人流预测，并根据人流预测结果对输入的商业空间布局进行评价，根据评价结果的优劣选取最优布局，完成布局设计。
具体的，可以使用rhino grasshopper平台，基于ladybug插件对人流预测结果进行分析，得到人群分布热图、人群移动方向分布、视野分布预测等，如图4所示。根据分析结果，评判商业空间布局是否合理，以期找到最优的布局，实现布局设计。
另外，本实施例还提供一种基于pix2pix的商业空间智能布局优化方法，如图5所示，包括以下步骤：
A1、对商业空间设置设计边界、人行宽度、操作空间和柜台组合并进行控制，参数化生成布局设计；
A2、以生成的布局设计作为输入，采用如上述所述的方法输出人流预测结果；
A3、以参数化布局设计作为候选解，以人流预测结果中的单一指标作为适应度函数，或将人流预测结果中的多指标通过平均、极值或加权求和法降维为一维的综合指标并作为适应度函数，基于遗传算法对商业空间布局进行优化。
如图5中，展示了galapagos遗传算法以访问次数作为单一指标的布局优化结果，以及基于访问次数和移动速度双指标降维后得到的大小为(1,1)的综合指标的优化结果。
综上，本发明提出了一个基于社会力模型的多维人流预测方法，并基于pix2pix模型设计了一个训练和应用的工作流程，可用于预测零售商业空间内全场0.2m*0.2m精度各点的多个特定人群活动指标，并通过提高时间效率数百倍以上，同时，结合遗传算法可以在短时间内实现基于人群活动指标的商业空间布局的快速优化。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (10)

1.一种基于pix2pix的商业空间智能人流预测方法，其特征在于，包括以下步骤：
获取布局平面图，并划分封闭与开放空间，确定柜台布局边界并划分柜台类别；
通过参数化随机生成柜台几何参数和非几何参数，根据几何参数生成柜台布局图像，并将非几何参数封装在图像的RGB信息中，生成模拟布局数据集，其中，所述几何参数包括数量、大小、位置、方向，所述非几何参数包括访问时长、访问半径和吸引系数；
基于吸引系数和访问量分布曲线设置人员模板：
基于人员模板进行人流模拟，得到人流活动数据；
构建pix2pix模型，以模拟布局数据集作为模型输入，以对应的人流活动数据作为模型输出，对模型进行训练；
利用训练完成的pix2pix模型，根据输入的商业空间布局进行人流预测。
2.根据权利要求1所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述柜台类别包括带座位的柜台和独立柜台。
3.根据权利要求1所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述将非几何参数封装在图像的RGB信息中的方法为：为每一个非几何参数设定参数范围，根据非几何参数数值和参数范围，将三个非几何参数映射到0-255范围内的整数上，分别对应R、G、B数值。
4.根据权利要求1所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述基于吸引系数和访问量分布曲线设置人员模板具体为：
根据预设的访问量分布曲线分别确定1～N个柜台的柜台访问模板对应的概率P1～PN，其中，K个柜台的柜台访问模板由个人员模板组成，其中的每一人员模板X对应的概率PTempX根据柜台X1～XK的吸引系数以及K个柜台的柜台访问模板的概率PK确定。
5.根据权利要求4所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，K个柜台的柜台访问模板中，每一人员模板X对应的概率PTempX为：
其中，表示人员模板X中第K个柜台的吸引系数。
6.根据权利要求1所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述基于人员模板进行人流模拟具体为：根据生成的布局和设置的人员模板，设置模拟时间和最大访问人数，循环进行人流模拟。
7.根据权利要求1所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述人流活动数据包括：平均速度大小、平均速度方向、平均加速度大小、平均加速度方向和访问次数。
8.根据权利要求7所述的一种基于pix2pix的商业空间智能人流预测方法，其特征在于，所述pix2pix模型中，对输入的RGB三维数据中的前两维进行复用，使得其与输出的五维数据对应。
9.一种基于pix2pix的商业空间智能布局设计方法，其特征在于，采用如权利要求1-8中任一所述的方法实现人流预测，并根据人流预测结果对输入的商业空间布局进行评价，根据评价结果的优劣选取最优布局，完成布局设计。
10.一种基于pix2pix的商业空间智能布局优化方法，其特征在于，包括以下步骤：
对商业空间设置设计边界、人行宽度、操作空间和柜台组合，并参数化生成布局设计；
以生成的布局设计作为输入，采用如权利要求1-8中任一所述的方法输出人流预测结果；
以参数化布局设计作为候选解，以人流预测结果中的单一指标作为适应度函数，或将人流预测结果中的多指标通过平均、极值或加权求和法降维为一维的综合指标并作为适应度函数，基于遗传算法对商业空间布局进行优化。
CN202310953435.7A 2023-07-31 2023-07-31 商业空间智能人流预测方法、布局设计方法与优化方法 Pending CN116976242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310953435.7A CN116976242A (zh) 2023-07-31 2023-07-31 商业空间智能人流预测方法、布局设计方法与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310953435.7A CN116976242A (zh) 2023-07-31 2023-07-31 商业空间智能人流预测方法、布局设计方法与优化方法

Publications (1)

Publication Number Publication Date
CN116976242A true CN116976242A (zh) 2023-10-31

Family

ID=88479220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310953435.7A Pending CN116976242A (zh) 2023-07-31 2023-07-31 商业空间智能人流预测方法、布局设计方法与优化方法

Country Status (1)

Country Link
CN (1) CN116976242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118396673A (zh) * 2024-06-27 2024-07-26 深圳大学 一种基于视觉吸引的地铁站商铺布局优化方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118396673A (zh) * 2024-06-27 2024-07-26 深圳大学 一种基于视觉吸引的地铁站商铺布局优化方法及系统

Similar Documents

Publication Publication Date Title
CN110598029B (zh) 基于注意力转移机制的细粒度图像分类方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN109829399A (zh) 一种基于深度学习的车载道路场景点云自动分类方法
Mokhtar et al. Conditional generative adversarial networks for pedestrian wind flow approximation
CN107204025B (zh) 基于视觉感知的自适应服装动画建模方法
CN108596329A (zh) 基于端到端深度集成学习网络的三维模型分类方法
CN106228185A (zh) 一种基于神经网络的通用图像分类识别系统及方法
CN109272016A (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN114092697B (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN113095251B (zh) 一种人体姿态估计方法及系统
CN108540988B (zh) 一种场景划分方法及装置
Yao et al. Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China
CN114693064B (zh) 一种建筑群方案生成性能评价方法
Brekke et al. Multimodal 3d object detection from simulated pretraining
Feng et al. A cellular automata model based on nonlinear kernel principal component analysis for urban growth simulation
CN116976242A (zh) 商业空间智能人流预测方法、布局设计方法与优化方法
CN108235003A (zh) 基于3d卷积神经网络的立体视频质量评价方法
CN109376941A (zh) 基于人工神经网络和bim的建筑能耗模拟和优化方法
CN109543693A (zh) 基于正则化标签传播的弱标注数据降噪方法
CN115564194A (zh) 智能电网的计量异常诊断信息生成模型构建方法及系统
CN111709977A (zh) 一种基于自适应单峰立体匹配成本滤波的双目深度学习方法
CN114627263A (zh) 一种基于变异粒子群优化算法的三维产权体视角选择方法
CN114419372A (zh) 一种多尺度点云分类方法及系统
Gan et al. UDGAN: A new urban design inspiration approach driven by using generative adversarial networks

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