CN117077005A - 一种城市微更新潜力的优化方法和系统 - Google Patents
一种城市微更新潜力的优化方法和系统 Download PDFInfo
- Publication number
- CN117077005A CN117077005A CN202311058607.0A CN202311058607A CN117077005A CN 117077005 A CN117077005 A CN 117077005A CN 202311058607 A CN202311058607 A CN 202311058607A CN 117077005 A CN117077005 A CN 117077005A
- Authority
- CN
- China
- Prior art keywords
- update
- micro
- potential
- urban
- land
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 164
- 230000006870 function Effects 0.000 claims abstract description 127
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 claims abstract description 25
- 230000008901 benefit Effects 0.000 claims description 55
- 238000013139 quantization Methods 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 29
- 230000005484 gravity Effects 0.000 claims description 15
- 238000011002 quantification Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 17
- 230000007246 mechanism Effects 0.000 description 16
- 230000009471 action Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 6
- 238000004445 quantitative analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市微更新潜力的优化方法和系统,包括:获取所有地块的地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理时空数据之间的关联度,确定城市微更新的评估因子;根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系;通过可解释性机器学习模型,量化每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度;构建城市微更新多目标优化函数;通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新。本发明实现了在多源数据的基础上更精细化地进行城市微更新。
Description
技术领域
本发明涉及城市规划、地理信息与技术与人工智能领域,尤其涉及一种城市微更新潜力的优化方法和系统。
背景技术
海量城市时空大数据如街景图片、手机信令等的涌现为街道空间分析奠定了新数据环境基础;而机器学习、深度学习的迅猛发展,也推动了结构化数据与非结构化数据如图片、文本等共同进行量化分析。新数据与新技术的结合能够实现宏观与微观尺度的大规模街道空间精细化的量化分析,辅助规划管理人员科学、精确分析与管控城市街道空间。
传统评估步骤多为首先手动构建指标体系,再利用数学公式去进行计算,存在着指标冗余、不精准、不能有效地概括区域特征的问题。因此,亟需一种能够兼顾城市更新数据的内在规律与评价效率的优化方法。
发明内容
本发明提供了一种城市微更新潜力的优化方法和系统,实现了在多源数据的基础上更精细化地进行城市微更新。
为了解决上述技术问题,本发明实施例提供了一种城市微更新潜力的优化方法,包括:
获取地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理数据之间的关联度,将所述关联度大于预设值的指标作为城市微更新的评估因子;
根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系;
通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果;
根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数;
通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案;所述城市微更新时序安排方案用于优化城市更新规划。
可以理解的是,相较于现有技术,本发明提供的方法可以基于多源数据,如社会经济数据和街景数据,通过挖掘数据的规律,自动根据数据内在规律构建一个科学、多维度的微更新潜力评估指标体系,并将无监督学习与半监督学习结合起来的方法,来解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度;此外,通过可解释机器学习模型实现了更精细化的空间潜力因子挖掘,不仅可以从宏观和微观两种尺度来对区域的城市更新潜力进行综合评估,还能基于不同更新潜力类别深入地分析不同因子交互影响机制,并综合考虑效益和公平性的原则,采用遗传算法来选择各区域的更新时序安排及更新要素选择,从而计算最优微更新时序安排方案,对后续微更新实践具有一定的科学指导作用。
进一步地,所述根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系,具体包括:
对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签;
在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;
根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
可以理解的是,本发明提供的方法通过无监督聚类与半监督学习的评估方法,赋予聚类标签以微更新潜力等级的含义。挖掘每个地块各所述城市微更新的评估因子数据内在规律的联系来确定每个地块微更新潜力等级,解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度。
进一步地,所述通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果,具体包括:
将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;
将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
可以理解的是,本发明提供的方法通过将基于半监督学习训练完成的随机森林模型,输入至SHAP可解释机器学习模型中,不仅能够计算出不同微更新潜力等级下,各城市微更新的评估因子对全局尺度的单项作用及交互影响机制;还能够计算出微观尺度下每个地块中的城市微更新的评估因子作用机制及主要影响因素。从而实现自动识别出对于高潜力微更新地区的主要城市微更新的评估因子影响机制,为后续进一步优化过程提供了辅助决策支持。
进一步地,根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数,具体包括:
根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数;
根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数;
根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数;
将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
可以理解的是,本发明提供的方法参考城市体检、城市更新等工作,在总资源一定的情况下,根据每块地的收益以及考虑公平性原则来最优化分配各地块的权重,同时在具体的地块内根据各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果来选择微更新指标,因此制定多目标函数包括潜力目标函数、效益目标函数和公平目标函数,能够提升城市更新决策的准确度。
进一步地,所述根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数,具体公式为:
其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果;
所述根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数,具体公式为:
其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值;
所述根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数,具体公式为:
其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
进一步地,所述通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新,具体包括:
通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
可以理解的是,本发明提供的方法通过遗传算法在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最佳解。使用遗传算法来求解城市微更新目标函数不需要背景知识,不需要太关注过程,就能够确定每个地块的更新要素和更新时序级别,解决了以往评估中更新地块选择不合理、更新要素捕捉不精准等的问题。
相应地,本发明实施例也提供了一种城市微更新潜力的优化系统,所述系统包括:
评估因子构建模块,用于获取地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理数据之间的关联度,将所述关联度大于预设值的指标作为城市微更新的评估因子;
微更新潜力等级确定模块,用于根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系;
影响程度量化模块,用于通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果;
目标函数构建模块,用于根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数;
更新时序确定模块,用于通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案;所述城市微更新时序安排方案用于优化城市更新规划。
可以理解的是,相较于现有技术,本发明提供的系统基于多源数据,自动根据数据内在规律构建一个科学、多维度的微更新潜力评估指标体系,构建无监督聚类和半监督学习的范式,能够有效地对微更新潜力进行评估分类;采用可解释性机器学习对不同等级的微更新潜力驱动因子进行深挖,并设定多目标函数进行最优求解,解决了传统微更新中难以定量分析的问题。将更新后的结果回传到训练好的评估模型中,即时地查看更新模拟评估结果,为后续微更新实践提供了较为精准、动态的数字化手段。
进一步地,所述微更新潜力等级确定模块,具体包括:
聚类子模块,用于对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签;
半监督学习子模块,用于在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
可以理解的是,本发明提供的系统过无监督聚类与半监督学习的评估方法,赋予聚类标签以微更新潜力等级的含义。挖掘每个地块各所述城市微更新的评估因子数据内在规律的联系来确定每个地块微更新潜力等级,解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度。
进一步地,所述影响程度量化模块,具体包括:
将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;
将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
可以理解的是,本发明提供的系统通过将基于半监督学习训练完成的随机森林模型,输入至SHAP可解释机器学习模型中,不仅能够计算出不同微更新潜力等级下,各城市微更新的评估因子对全局尺度的单项作用及交互影响机制;还能够计算出微观尺度下每个地块中的城市微更新的评估因子作用机制及主要影响因素。从而实现自动识别出对于高潜力微更新地区的主要城市微更新的评估因子影响机制,为后续进一步优化过程提供了辅助决策支持。
进一步地,所述目标函数构建模块,具体包括:
潜力目标函数构建子模块,用于根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数;
效益目标函数构建子模块,用于根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数;
公平目标函数构建子模块,用于根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数;
总目标函数构建子模块,用于将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
可以理解的是,本发明提供的系统参考城市体检、城市更新等工作,在总资源一定的情况下,根据每块地的收益以及考虑公平性原则来最优化分配各地块的权重,同时在具体的地块内根据各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果来选择微更新指标,因此制定多目标函数包括潜力目标函数、效益目标函数和公平目标函数,能够提升城市更新决策的准确度。
进一步地,所述潜力目标函数构建子模块,具体公式为:
其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果;
所述效益目标函数构建子模块,具体公式为:
其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值;
所述公平目标函数构建子模块,具体公式为:
其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
进一步地,所述更新时序确定模块,具体包括:
通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
可以理解的是,本发明提供的系统采用遗传算法求解所述城市微更新多目标优化函数。遗传算法是一种通过模拟自然进化过程中搜索最优解的方法。引入自然选择中的概率思想,个体的选择具有随机性,同时通过变异机制可以避免搜索最优解的过程中陷入局部最优解,就能够确定每个地块的更新要素和更新时序级别,解决了以往评估中更新地块选择不合理、更新要素捕捉不精准等的问题。
附图说明
图1:为本发明实施例所提供的一种城市微更新潜力的优化方法的步骤流程图;
图2:为本发明实施例所提供的城市微更新潜力评估指标体系;
图3:为本发明实施例所提供的基于无监督聚类和半监督学习的城市微更新潜力评估过程;
图4:为本发明实施例所提供的城市微更新潜力案例区的评估结果;
图5:为本发明实施例所提供的某地块各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果示例一;
图6:为本发明实施例所提供的某地块各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果示例二;
图7:为本发明实施例所提供的全域微更新潜力评价结果到案例区域统筹安排方案的步骤流程图;
图8:为本发明实施例所提供的一种城市微更新潜力的优化系统的结构示意图;
图9:为本发明实施例所提供的一种城市微更新潜力的优化系统中微更新潜力等级确定模块的内部结构示意图;
图10:为本发明实施例所提供的一种城市微更新潜力的优化系统中目标函数构建模块的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
实施例一
请参照图1,为本发明实施例所提供的一种城市微更新潜力的优化方法的步骤流程图,包括以下步骤S101-105,各步骤具体内容如下。
S101:获取所有地块的地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理时空数据之间的关联度,将所述关联度大于预设值的地理时空数据组合分别作为城市微更新的评估因子。
在本实施例中,通过网络爬虫程序,进行大范围多尺度的多源数据收集,包括POI兴趣点、OSM道路数据、规划地块数据、多光谱遥感数据和街景图像数据等。请参考图2,为本发明实施例所提供的城市微更新潜力评估指标体系。本发明参考城市体检、全龄友好城市等构建微更新潜力评估指标体系,从主客观角度出发,涵盖休闲空间、城市活力、设施齐备、环境宜人等维度,综合全面地评估城市的微更新潜力。利用Apriori关联规则算法,从大量时空多中挖掘出有价值的数据项,自动根据数据内在关联规律构建一个科学、多维度的微更新潜力评估指标体系。其中,Apriori关联规则算法的支持度公式为:
支持度能够表达微更新要素之间组合出现的频繁度。式中,X和Y代表要分析的2项微更新潜力指标。此外,它们之间的关联性被定义为关联规则,一般用置信度进行衡量,其公式为:
对于给定的规则X→Y,如果置信度的值较大的话,Y在包含X的事务中出现的可能性就越大。
需要说明的是,在时空数据多源融合的关系型数据库中,每一行记录代表一个片区,其数据列代表着所有的数据指标类型,并通过独热编码的方式记录是否当前列的数据是否存在。并通过Apriori关联规则算法计算数据之间的关联规则,提取出城市微更新潜力频繁项,即综合关联度较高的主要指标组合作为后续评估因子。
S102:根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系。
在本实施例中,所述根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系,具体包括:对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签;在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
需要说明的是,以往基于机器学习的评估方法需要首先收集微更新潜力等级数据作为标签,而这种抽象的定义在现实中往往难以收集。因此本发明为解决这个问题,提出了无监督聚类与半监督学习的评估方法。为剔除量纲对于聚类算法的影响,首先采用Min-Max方法对指标数值进行归一化处理。其公式为:
式中,xj代表第j项指标的数据,xij代表第j项指标第i个地块的指标数值。此外,①式为正向指标的标准化步骤,②式则为负向指标的标准化过程。
在本实施例中,利用聚类算法进行聚类标签生成。以K-Means方法为例,首先从数据集中随机选取k个初始聚类中心Ci(1≤i≤k),计算其余数据对象与聚类中心Ci的欧式距离,找出离目标数据对象最近的聚类中心Ci,并将数据对象分配到聚类中心Ci所对应的簇中。然后计算每个簇中数据对象的平均值作为新的聚类中心,进行下一次迭代,直到聚类中心不再变化或达到最大的迭代次数停止。
空间中数据对象与聚类中心间的欧式距离计算公式为:
其中,x为数据对象,Ci为第i个聚类中心,m为数据对象的维度,xj,Cij为x和Ci的第j个属性值。
请参考图3,为本发明实施例所提供的基于无监督聚类和半监督学习的城市微更新潜力评估过程。图3左侧分图是通过聚类算法生成聚类结果,图3中间和右侧分图分别对应标签0和1微更新潜力等级数值的分布规律。对于聚类标签生成结果,再根据现有规划案例、先验知识及数据规律等,选出部分确定的伪标签投入至半监督学习范式的随机森林分类模型中进行训练,其中随机森林分类的公式为:
其中H(x)表示随机森林算法中产生的模型结果;W表示决策树的分类模型;ht表示每个决策树的单个分类器;y表示微更新潜力评估结果。
在本实施例中,将随机森林对于微更新潜力的评估运用半监督学习的方式进行迭代学习,其中半监督训练过程为:每一轮学习过程中,评估模型的输入主要包括有标签数据和无标签数据/>其中,L表示上述生成的微更新潜力等级伪标签;xi表示第i个地块的微更新潜力指标数据;yi表示第i个地块的真实微更新潜力等级;U表示无标签数据;l表示有标签数据总数;u表示无标签数据总数。主要过程包括:利用有标签数据L训练初始微更新潜力等级评估分类器;用得到的初始分类器U预测得到新一轮的微更新潜力等级伪标签数据,从中挑选出满足阈值的高置信度地块数据加入训练集,用扩充后的训练集继续训练微更新潜力等级评估分类器,直到所有的地块都完成微更新潜力等级评估。
作为优选方案,请参考图4,为本发明实施例所提供的城市微更新潜力案例区的评估结果,每个地块的微更新潜力等级被划分为五个等级。
可以理解的是,本发明提供的方法通过无监督聚类与半监督学习的评估方法,赋予聚类标签以微更新潜力等级的含义。挖掘每个地块各所述城市微更新的评估因子数据内在规律的联系来确定每个地块微更新潜力等级,解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度。
S103:通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
在本实施例中,所述通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果,具体包括:将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
需要说明的是,SHAP方法借鉴了合作博弈论中的Shapley value,将模型的预测值理解为每个输入特征的归因值之和,即是一种可加特征归因方法。
式中,g(x)是解释模型,M是输入城市微更新潜力指标因子数目,xj∈{0,1}M表示为M维空间上的0/1矢量,1表示特征出现,0反之。φ0为解释模型的常数,其大小是所有训练样本的预测均值。每个特征都有一个对应的Shapley value,也就是φj。
需要说明的是,Shapely value即SHAP值,类似回归系数,有正负、大小之分。若SHAP值为正,则表示微更新因子正向地影响着城市微更新潜力等级,SHAP值的绝对值越高,则表示微更新因子对城市微更新潜力等级影响越大;否则反之。
作为优选方案,请参考图5和图6,分别为本发明实施例所提供的某地块各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果示例一和示例二。可见,地块潜力等级评分被拆分成各所述城市微更新的评估因子的综合作用结果,能够快速看到对该地块起主要影响的评估因子,便于及时调整地区发展规划,平衡地区之间的发展差距。
可以理解的是,本发明提供的方法通过将基于半监督学习训练完成的随机森林模型,输入至SHAP可解释机器学习模型中,不仅能够计算出不同微更新潜力等级下,各城市微更新的评估因子对全局尺度的单项作用及交互影响机制;还能够计算出微观尺度下每个地块中的城市微更新的评估因子作用机制及主要影响因素。从而实现自动识别出对于高潜力微更新地区的主要城市微更新的评估因子影响机制,为后续进一步优化过程提供了辅助决策支持。
S104:根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数。
在本实施例中,根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数,具体包括:根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数,具体公式为:其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果。
在本实施例中,根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数,具体公式为:其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值。
在本实施例中,根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数,具体公式为:其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
在本实施例中,将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
可以理解的是,本发明提供的方法参考城市体检、城市更新等工作,在总资源一定的情况下,根据每块地的收益以及考虑公平性原则来最优化分配各地块的权重,同时在具体的地块内根据各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果来选择微更新指标,因此制定多目标函数包括潜力目标函数、效益目标函数和公平目标函数,能够提升城市更新决策的准确度。
S105:通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新。
在本实施例中,所述通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新,具体包括:通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
需要说明的是,请参考图7,为本发明实施例所提供的全域微更新潜力评价结果到案例区域统筹安排方案的步骤流程图。根据微更新潜力等级评估结果,结合SHAP可解释模型和遗传优化算法处理案例研究区域,得到案例区域更新统筹安排方案。遗传算法所求结果可直接产生一个shp格式数据,并且包含一项计算结果字段,主要分为“优先改造”和“后续改造”两类,即在更新时序上的优先程度级别。不仅如此,也可以将地块设置为改造后的结果,例如对设施数量进行增加,并将该地块数据输入已训练好的评估分类模型,能够得到更新后的微更新潜力新评估结果,从而为科学更新规划起到了一定的数字化基础手段。
作为优选方案,本发明提供的方法还可以检验更新地块设施的有效性。只需将地块设置为改造后的目标标准,例如新增一个学校设施点,重新输入至随机森林分类模型中即可得到新的评估结果,就可以检验新增学校设施点对本地块的有效性。
可以理解的是,本发明提供的方法通过遗传算法在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最佳解。使用遗传算法来求解城市微更新目标函数不需要背景知识,不需要太关注过程,就能够确定每个地块的更新要素和更新时序级别,解决了以往评估中更新地块选择不合理、更新要素捕捉不精准等的问题。
本发明提供的方法可以基于多源数据,如社会经济数据和街景数据,通过挖掘数据的规律,自动根据数据内在规律构建一个科学、多维度的微更新潜力评估指标体系,并将无监督学习与半监督学习结合起来的方法,来解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度;此外,通过可解释机器学习模型实现了更精细化的空间潜力因子挖掘,不仅可以从宏观和微观两种尺度来对区域的城市更新潜力进行综合评估,还能基于不同更新潜力类别深入地分析不同因子交互影响机制,并综合考虑效益和公平性的原则,采用遗传算法来选择各区域的更新时序安排及更新要素选择,从而计算最优微更新时序安排方案,对后续微更新实践具有一定的科学指导作用。
实施例二
请参考图8,为本发明实施例所提供的一种城市微更新潜力的优化系统的结构示意图,包括评估因子构建模块201、微更新潜力等级确定模块202、影响程度量化模块203、目标函数构建模块204和更新时序确定模块205。
所述评估因子构建模块201,用于获取地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理数据之间的关联度,将所述关联度大于预设值的指标作为城市微更新的评估因子。
所述微更新潜力等级确定模块202,用于根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系。
所述影响程度量化模块203,用于通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
所述目标函数构建模块204,用于根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数。
所述更新时序确定模块205,用于通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案;所述城市微更新时序安排方案用于优化城市更新规划。
在本实施例中,请参考图9,为本发明实施例所提供的一种城市微更新潜力的优化系统中微更新潜力等级确定模块的内部结构示意图,所述微更新潜力等级确定模块202,具体包括:聚类子模块2021和半监督学习子模块2022。
所述聚类子模块2021,用于对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签。
所述半监督学习子模块2022,用于在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
可以理解的是,本发明提供的系统过无监督聚类与半监督学习的评估方法,赋予聚类标签以微更新潜力等级的含义。挖掘每个地块各所述城市微更新的评估因子数据内在规律的联系来确定每个地块微更新潜力等级,解决以往评估中对于潜力等级难以界定的问题,该方法可以在大范围尺度下使用,并能提高评估精度。
在本实施例中,所述影响程度量化模块203,具体包括:将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
可以理解的是,本发明提供的系统通过将基于半监督学习训练完成的随机森林模型,输入至SHAP可解释机器学习模型中,不仅能够计算出不同微更新潜力等级下,各城市微更新的评估因子对全局尺度的单项作用及交互影响机制;还能够计算出微观尺度下每个地块中的城市微更新的评估因子作用机制及主要影响因素。从而实现自动识别出对于高潜力微更新地区的主要城市微更新的评估因子影响机制,为后续进一步优化过程提供了辅助决策支持。
在本实施例中,请参考图10,为本发明实施例所提供的一种城市微更新潜力的优化系统中目标函数构建模块的内部结构示意图,所述目标函数构建模块204,具体包括:潜力目标函数构建子模块2041、效益目标函数构建子模块2042、公平目标函数构建子模块2043和总目标函数构建子模块2044。
所述潜力目标函数构建子模块2041,用于根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数,具体公式为:
其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果。
所述效益目标函数构建子模块2042,用于根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数,具体公式为:
其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值。
所述公平目标函数构建子模块2043,用于根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数,具体公式为:
其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
所述总目标函数构建子模块2044,用于将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
可以理解的是,本发明提供的系统参考城市体检、城市更新等工作,在总资源一定的情况下,根据每块地的收益以及考虑公平性原则来最优化分配各地块的权重,同时在具体的地块内根据各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果来选择微更新指标,因此制定多目标函数包括潜力目标函数、效益目标函数和公平目标函数,能够提升城市更新决策的准确度。
在本实施例中,所述更新时序确定模块205,具体包括:通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
可以理解的是,本发明提供的系统采用遗传算法求解所述城市微更新多目标优化函数。遗传算法是一种通过模拟自然进化过程中搜索最优解的方法。引入自然选择中的概率思想,个体的选择具有随机性,同时通过变异机制可以避免搜索最优解的过程中陷入局部最优解,就能够确定每个地块的更新要素和更新时序级别,解决了以往评估中更新地块选择不合理、更新要素捕捉不精准等的问题。
本发明提供的系统基于多源数据,自动根据数据内在规律构建一个科学、多维度的微更新潜力评估指标体系,构建无监督聚类和半监督学习的范式,能够有效地对微更新潜力进行评估分类;采用可解释性机器学习对不同等级的微更新潜力驱动因子进行深挖,并设定多目标函数进行最优求解,解决了传统微更新中难以定量分析的问题。将更新后的结果回传到训练好的评估模型中,即时地查看更新模拟评估结果,为后续微更新实践提供了较为精准、动态的数字化手段。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种城市微更新潜力的优化方法,其特征在于,包括:
获取所有地块的地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理时空数据之间的关联度,将所述关联度大于预设值的地理时空数据组合分别作为城市微更新的评估因子;
根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系;
通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果;
根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数;
通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新。
2.如权利要求1所述的城市微更新潜力的优化方法,其特征在于,所述根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系,具体包括:
对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签;
在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;
根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
3.如权利要求1所述的城市微更新潜力的优化方法,其特征在于,所述通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果,具体包括:
将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;
将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
4.如权利要求1所述的城市微更新潜力的优化方法,其特征在于,所述根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数,具体包括:
根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数;
根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数;
根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数;
将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
5.如权利要求4所述的城市微更新潜力的优化方法,其特征在于,所述根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数,具体公式为:
其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果;
所述根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数,具体公式为:
其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值;
所述根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数,具体公式为:
其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
6.如权利要求1所述的城市微更新潜力的优化方法,其特征在于,所述通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案,完成每个地块的规划更新,具体包括:
通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
7.一种城市微更新潜力的优化系统,其特征在于,所述系统包括:
评估因子构建模块,用于获取地理时空数据,对所述地理时空数据使用关联规则算法,计算所述地理数据之间的关联度,将所述关联度大于预设值的指标作为城市微更新的评估因子;
微更新潜力等级确定模块,用于根据所述城市微更新的评估因子,通过聚类算法生成聚类标签,利用半监督学习范式的随机森林训练模型,确定所述聚类标签和微更新潜力等级的对应关系;
影响程度量化模块,用于通过可解释性机器学习模型,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果;
目标函数构建模块,用于根据每个地块的效益、面积、人口、各所述城市微更新的评估因子和各所述量化结果,构建城市微更新多目标优化函数;
更新时序确定模块,用于通过遗传算法求解所述城市微更新多目标优化函数,得到城市微更新时序安排方案;所述城市微更新时序安排方案用于优化城市更新规划。
8.如权利要求7所述的城市微更新潜力的优化系统,其特征在于,所述微更新潜力等级确定模块,具体包括:
聚类子模块,用于对所述城市微更新的评估因子进行最大最小归一化处理,通过聚类算法生成聚类标签;
半监督学习子模块,用于在所述聚类标签中选出符合预设条件的微更新潜力等级伪标签,并初始化微更新潜力等级评估分类器;根据每次迭代的所述微更新潜力等级评估分类器,预测无标签的地块的微更新潜力等级,将分类置信度高于预设阈值的地块数据加入训练集,用扩充后的训练集再次训练所述微更新潜力等级评估分类器,确定所述聚类标签和微更新潜力等级的对应关系。
9.如权利要求7所述的城市微更新潜力的优化系统,其特征在于,所述影响程度量化模块,具体包括:
将训练完成的所述半监督学习范式的随机森林训练模型,输入至SHAP可解释机器学习模型中;
将所述微更新潜力等级拆分成各所述城市微更新的评估因子的归因值之和,得到每个地块中各所述城市微更新的评估因子对所述微更新潜力等级的影响程度的量化结果。
10.如权利要求7所述的城市微更新潜力的优化系统,其特征在于,所述目标函数构建模块,具体包括:
潜力目标函数构建子模块,用于根据每个地块中各所述城市微更新的评估因子和各所述量化结果,构建潜力目标函数;
效益目标函数构建子模块,用于根据每个地块中各所述城市微更新的评估因子和效益值,构建效益目标函数;
公平目标函数构建子模块,用于根据各地块占总地块面积和各地块中人口数量占总地块人口数量的比重,构建公平目标函数;
总目标函数构建子模块,用于将所述潜力目标函数、效益目标函数和公平目标函数的最大值作为城市微更新多目标优化函数。
11.如权利要求10所述的城市微更新潜力的优化系统,其特征在于,所述潜力目标函数构建子模块,具体公式为:
其中,si为第i个待优化地块的潜力值;aj为第j项所述城市微更新的评估因子的数值;SHAPj为第j项所述城市微更新的评估因子的对所述微更新潜力等级的影响程度的量化结果;
所述效益目标函数构建子模块,具体公式为:
其中,pi为第i个待优化地块的效益值,bj为第j项所述城市微更新的评估因子的数值,Profitj为第j项所述城市微更新的评估因子的效益值;
所述公平目标函数构建子模块,具体公式为:
其中,T为微更新优化方案的泰尔指数,即公平指数;wi为第i个地块面积占所有地块面积总和的比重;ni为第i个地块的人口数量占所有地块人口数量总和的比重。
12.如权利要求7所述的城市微更新潜力的优化系统,其特征在于,所述更新时序确定模块,具体包括:
通过遗传算法求解所述城市微更新多目标优化函数,确定每个地块的更新要素和更新时序级别,得到城市微更新时序安排方案,完成每个地块的规划更新;所述更新时序级别包括优先改造和后续改造。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058607.0A CN117077005B (zh) | 2023-08-21 | 2023-08-21 | 一种城市微更新潜力的优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058607.0A CN117077005B (zh) | 2023-08-21 | 2023-08-21 | 一种城市微更新潜力的优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077005A true CN117077005A (zh) | 2023-11-17 |
CN117077005B CN117077005B (zh) | 2024-05-10 |
Family
ID=88716575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058607.0A Active CN117077005B (zh) | 2023-08-21 | 2023-08-21 | 一种城市微更新潜力的优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077005B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117379A1 (en) * | 2014-10-24 | 2016-04-28 | Yahoo! Inc. | Taxonomy-Based System for Discovering and Annotating Geofences from Geo-Referenced Data |
CN109146563A (zh) * | 2018-08-14 | 2019-01-04 | 电子科技大学 | 一种基于迁移学习的城市住宅地价评估方法 |
WO2020151089A1 (zh) * | 2019-01-25 | 2020-07-30 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
CN112163367A (zh) * | 2020-08-20 | 2021-01-01 | 同济大学 | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
CN113935656A (zh) * | 2021-11-17 | 2022-01-14 | 潍坊工商职业学院 | 一种无废城市区域大宗固废资源化评价方法 |
CN114398951A (zh) * | 2021-12-14 | 2022-04-26 | 华中师范大学 | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 |
CN114819589A (zh) * | 2022-04-20 | 2022-07-29 | 湖南师范大学 | 城市空间高质量利用测定方法、系统、计算机设备及终端 |
CN115619227A (zh) * | 2022-12-19 | 2023-01-17 | 深圳市城市规划设计研究院有限公司 | 可视化的城市更新行动评估方法 |
CN116050879A (zh) * | 2022-11-24 | 2023-05-02 | 洛阳市规划建筑设计研究院有限公司 | 一种基于城市体检评估的城市更新方法及系统 |
-
2023
- 2023-08-21 CN CN202311058607.0A patent/CN117077005B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160117379A1 (en) * | 2014-10-24 | 2016-04-28 | Yahoo! Inc. | Taxonomy-Based System for Discovering and Annotating Geofences from Geo-Referenced Data |
CN109146563A (zh) * | 2018-08-14 | 2019-01-04 | 电子科技大学 | 一种基于迁移学习的城市住宅地价评估方法 |
WO2020151089A1 (zh) * | 2019-01-25 | 2020-07-30 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
CN112163367A (zh) * | 2020-08-20 | 2021-01-01 | 同济大学 | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 |
CN113935656A (zh) * | 2021-11-17 | 2022-01-14 | 潍坊工商职业学院 | 一种无废城市区域大宗固废资源化评价方法 |
CN114398951A (zh) * | 2021-12-14 | 2022-04-26 | 华中师范大学 | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 |
CN114819589A (zh) * | 2022-04-20 | 2022-07-29 | 湖南师范大学 | 城市空间高质量利用测定方法、系统、计算机设备及终端 |
CN116050879A (zh) * | 2022-11-24 | 2023-05-02 | 洛阳市规划建筑设计研究院有限公司 | 一种基于城市体检评估的城市更新方法及系统 |
CN115619227A (zh) * | 2022-12-19 | 2023-01-17 | 深圳市城市规划设计研究院有限公司 | 可视化的城市更新行动评估方法 |
Non-Patent Citations (4)
Title |
---|
梁海锋 等: "基于混合遗传算法的城市更新优先改造项目选址研究", 《科技通报》, vol. 34, no. 4, pages 135 - 140 * |
王景丽 等: "开放大数据支持下的深圳市城市更新改造潜力评价", 《地域研究与开发》, vol. 38, no. 3, pages 72 - 76 * |
王艳虎 等: "基于灰色关联和聚类算法的避难所选址研究", 《武汉理工大学学报( 信息与管理工程版)》, vol. 42, no. 1, pages 12 - 15 * |
聂艳 等: "基于GIS的耕地定级方法及其应用", 《长江流域资源与环境》, pages 1 - 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077005B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
Zhang et al. | Heuristic sample learning for complex urban scenes: Application to urban functional-zone mapping with VHR images and POI data | |
CN106951498A (zh) | 文本聚类方法 | |
CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN116628455B (zh) | 一种城市交通碳排放监测与决策支持方法及系统 | |
CN111079968A (zh) | 基于多特征融合的景区游玩轨迹预测系统 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN116629258B (zh) | 基于复杂信息项数据的司法文书的结构化分析方法及系统 | |
CN111708865B (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
CN112417286A (zh) | 区域性文化产业集聚的影响因素分析方法和系统 | |
CN116629716A (zh) | 一种智能交互系统工效分析方法 | |
CN117077005B (zh) | 一种城市微更新潜力的优化方法和系统 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN116226404A (zh) | 一种针对肠-脑轴的知识图谱构建方法及知识图谱系统 | |
Xu et al. | MM-UrbanFAC: Urban functional area classification model based on multimodal machine learning | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
Banerjee et al. | Predictive analysis of taxi fare using machine learning | |
Du et al. | Mining multicity urban data for sustainable population relocation | |
Wu et al. | An unsupervised framework for extracting multilane roads from OpenStreetMap | |
CN116975256B (zh) | 抽水蓄能电站地下厂房施工过程多源信息的处理方法及系统 | |
Wang et al. | Fuzzy boost classifier of decision experts for multicriteria group decision-making | |
CN117114105B (zh) | 基于科研大数据信息的目标对象推荐方法和系统 | |
CN113064962B (zh) | 一种环境类投诉举报事件相似度分析方法 |
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 |