CN101089884A - 一种人口数据空间化动态建模方法 - Google Patents

Abstract

一种人口数据空间化动态建模方法，基于各种人口分布影响因素数据，利用遗传规划算法GP与改进遗传算法GA相嵌套的方法进行统一快速人口数据空间化建模及优化，具体实现为：首先归一化处理影响因素数据；后将影响因素归一化值作为GP输入，组成搜索空间，来快速求解具有最佳适应度的模型结构；在GP每代个体选择复制操作过程中利用改进GA对待复制个体进行快速精确优化。本发明具有建模智能化与自动化、拟合和预测精度高、方法适应性广等优点；可用于环境健康风险诊断、自然灾害损失评估和现场抽样调查等项目中的人口信息精确获取。

Description

一种人口数据空间化动态建模方法

技术领域

本发明涉及一种人口数据空间化动态建模方法，可用于环境健康风险诊断、自然灾害损失评估和现场抽样调查等项目中的人口信息精确获取。

背景技术

人口增长已经给全球资源、环境承载能力造成了巨大压力：耕地和林地面积骤减，生态多样性破坏严重，人类生存条件日益恶化等。及时获取不同尺度上精确的人口空间分布及其变化信息对于解决这些社会、经济和环境问题，提高人口、资源和环境的综合管理能力有着重要意义。而人口数据通常是按照行政单元来逐级统计和汇总的。这种统计方法往往造成研究中人口和其它数据所依附的空间单元尺度不同，使得数据间融合成为难题。另外由于人口的增长和迁移，还需要大量的精力和财力来维持人口信息的实时性。因此非常必要将人口普查数据进行空间化，通过建模来模拟人口真实的空间分布状况和动态变迁的过程。自从1857年第一张人口密度等值线图产生之后，人口数据空间化研究迅速发展起来。人口数据空间化研究方法分为两大类：面插值和曲面建模。面插值是将人口数据在不同的面域单元内进行转换，目的是将源区(source zone)的人口普查数据转换到目标区(target zone)上。而人口分布曲面建模则是利用适当的公式将普查数据分配到一个规则的格网***中去，***中的每个格网都包含了一个其特定位置的人口估算值。

虽然人口空间化方法能提供大量人口空间分布和变化信息，但是它们都不可避免地存在一个难题-寻找影响因子和人口数据之间的数学关系。在国内外很多此类研究中是通过建立因子和人口之间线性或非线性回归模型的方法来实现人口空间化的。逐步回归是求取回归模型最为常用的方法之一。它是一种“有进有出”的许算方法，按照变量的重要性来逐一选出重要变量，而且还考虑到已入选回归方程的某些变量有可能随着其后另一些变量选入而失去原有的重要性，及时地把这些变量从回归方程中剔除出去，最终的回归方程只保留重要的变量。逐步回归分析等常用的建模方法虽然操作简单，结果便于解释，但是要求预先定义模型结构和模型参数，这个往往是很难确定。另外，还有一些其它学科的成熟模型，例如物理学上的重力模型被成功用来人口数据空间化。重力模型在人口空间化中运用的前提是假设人们都趋于在或靠近城市的地方生活，不然其生活区域与城市中心有很好的连接；即使在农村，人口密集区多靠近交通干线，而且越靠近城区，人口密度越要比腹地高。这种建模方法虽然只要对重力模型进行略微调整就能以此得到每个格网上的人口数，但是选择哪些人口分布影响因子变量输入模型同样也是个难题。如果集中分析模型中某一因子变量，往往容易引入偏倚。

总体来说，上述有关人口数据空间化的建模方法具有精度低、模型优化效果差的不足。

发明内容

本发明的技术解决问题是：克服现有人口数据空间化建模精度低、模型优化效果差的不足，提供一种在遗传规划算法和改进遗传算法相嵌套基础上的人口数据空间化动态建模方法，该方法具有建模精度高，模型优化效果好的优点。

本发明的技术解决方案为：一种人口数据空间化动态建模方法，其特点在于：首先处理对人口空间分布产生影响的n种自然和社会经济因素的原始数据，得出这些数据的归一化值；后将影响因素归一化值作为遗传规划算法(genetic programming，GP)输入，组成搜索空间，来快速求解具有最佳适应度的人口数据空间化模型；在GP算法每代个体选择复制操作过程中利用改进遗传算法(genetic algorithms，GA)对待复制个体进行优化，最终实现人口数据空间化动态建模的目的，其具体步骤如下：

(1)利用GIS技术获取对人口分布具有影响的自然和社会经济因素的原始数据，对这些数据进行归一化处理；

(2)初始化遗传规划算法和改进遗传算法参数；

(3)将各种影响因素的归一化值作为遗传规划算法的输入，组成搜索空间，来求解具有最佳适应度的人口数据空间化模型；在遗传规划算法每代个体选择复制操作过程中利用改进遗传算法对待复制个体进行快速精确优化，最终实现人口数据空间化动态建模。

所述的初始化遗传规划算法参数有种群规模，即种群中的个体数GP_Size、样本量GP_N、遗传代数GP_Gen、最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_P_c和变异概率GP_P_m；初始化改进遗传算法参数有种群规模，即种群中的个体数GA_Size、样本数目GA_N和遗传代数GA_Gen；然后用遗传规划算法和改进遗传算法相嵌套的方法快速求解具有最佳适应度的人口数据空间化模型，即：

A.首先确定遗传规划算法搜索空间中的基本组成单元，包括n种影响因素归一化值的基本算子(f₁，f₂，...，f_n)和基本算术运算符，再由基本组成单元随机形成GP_Size个个体。这些个体都是人口数据空间化模型的备选方案，即人口分布和输入影响因素变量之间的可能的数学关系表达式，一般具有以下函数形式：

POPU＝f(X₁f₁，X₂f₂，...，X_nf_n)    (1)

式中POPU为人口数据变量；(f₁，f₂，...，f_n)和(X₁，X₂，...，X_n)分别为各类输入影响因素变量及其系数。

B.计算针对个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的适应度BsJi(i，t)_GP，其计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GP}=\frac{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}{\sqrt{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})}^2\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}^2}}---\left(2\right)$

式中

和

分别为所有样本实测值和计算理论值的平均值；P′_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值；

C.根据公式(2)所确定的适应度，采取竞争选择策略来选择复制个体以产生新个体，即随机从群体中选取一组个体，比较该组每个成员的适应度，选出实际最好的个体Kpid(BesOpt)_GP，即POPU＝f(XB₁f₁，XB₂f₂，...，XB_nf_n)，在利用改进遗传算法对其进行快速精确地优化后，复制优化后的个体以取代该组最差的。用改进遗传算法对个体组中最优个体进行优化的步骤如下：

a.首先对模型结构进行判别，若属于已经优化过的结构则不再优化。

b.采用实数编码方式，直接用样本中实际数据的实数类型，根据整体误差模型中待优化的模型系数(X_B1，X_B2，...，X_Bn)，随机生成初始群体中GA_Size个个体；

c.建立改进遗传算法的适应度评价函数，计算针对个体Kpid(i)_GA(1≤i≤GA_Size)的所有样本的计算理论值与实测值之间方差的总和，将其作为第t代(1≤t≤GA_Gen)中该个体的适应度BsJi(i，t)_GA，计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GA}=\frac{1}{\frac{\mathrm{GA}\_\mathrm{Size}\×\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}{\underset{i=1}{\overset{\mathrm{GA}\_\mathrm{Size}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}+{10}^{-10}}---\left(2\right)$

式中P_GA(j)为个体Kpid(i)_GA在样本j(1≤j≤GA_N)的计算理论值；P_GA(j)为样本j的实测值。

d.根据公式(2)所确定的适应度评价函数计算群体中每个个体所对应的适应度。对其按升序排序，通过优(适应度小)胜劣(适应度大)汰，对排序后的个体采用比例选择模式来挑选复制。为了避免计算中适应度比例取整时可能会造成新旧种群个体数目不一致问题，对复制前后所有个体数目差异也进行排序，依次对损失较大的个体加1直到差异为0。随后通过在每个待交叉个体上选取两个交叉点，互换两个待交叉个体的交叉点之间部分来实现个体交叉操作。变异操作采用多级变异，变异概率GA_P_m也是一个间于(0，0.1)的不确定值。

e.对子代群体重复步骤c的操作，进行新一轮遗传进化过程，直到达到所设定的遗传代数t＝GA_Gen或适应度最好值等于预先设定值时，则适应度最好的个体为最优个体，即为最优解。

D.遗传规划算法对选择复制后的新个体进行交换和变异操作。

E.以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_P_c和变异概率GP_P_m为遗传规划算法运行的约束条件，循环运行步骤C、D，直到遗传代数t＝GP_Gen或适应度最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP，即POPU＝f(X_e1f₁，X_e2f₂，...，X_enf_n)，便为具有最佳适应度的人口数据空间化模型；其中：f₁，f₂，...，f_n分别为n种影响因素归一化值的基本算子，X_e1，X_e2，...，X_en分别为基本算子所对应的系数。

本发明与现有技术相比的优点在于：本发明克服了传统上对人口数据空间化建模精度低、模型优化效果差的缺点，将遗传规划算法和改进遗传算法相嵌套，引入到人口数据空间化的建模和优化中，以遗传程序设计优化模型结构，以遗传算法优化模型参数，成功地实现了人口数据空间化建模过程自动化。

附图说明

图1为本发明的一种人口数据空间化动态建模方法的流程图。

具体实施方式

如图1所示，本发明的具体实施方法如下：

1、为了增强算法的精度和效率，对遗传规划算法和改进遗传算法的参数进行初始化；初始化遗传规划算法的参数主要有种群规模GP_Size(≥10)、样本量GP_N(≥100)、遗传代数GP_Gen(≥200)、最大生成深度Max_Dep(≤15)、最大交叉深度Max_CDep(≤10)、交叉概率GP_P_c(≤1)和变异概率GP_P_m(≤1)；初始化改进遗传算法参数有种群规模，即种群中的个体数GA_Size(≥10)、样本数目GA_N(≥100)、遗传代数GA_Gen(≥200)。

2、利用空间分析等GIS技术计算出坡度、河流、交通设施、土地覆被和邻近村镇五种人口分布影响因素的原始属性值，对这些值进行归一化处理。归一化处理的公式是：

$f_{\mathrm{jk}}=\frac{{\mathrm{org}}_{\mathrm{jk}}}{\sqrt{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{\left({\mathrm{org}}_{\mathrm{jk}}\right)}^2}}---\left(1\right)$

式中org_jk和f_jk分别表示样本j(1≤j≤GP_N)第k(1≤k≤5)类影响因素属性的原始值和归一化值。

3、完成上面两步后，最后用遗传规划算法和改进遗传算法相嵌套的进化建模算法快速求解具有最佳适应度的人口数据空间化模型，其步骤如下：

(1)先确定遗传规划算法搜索空间中的基本组成单元，包括五种影响因素归一化值的基本算子(f₁，f₂，f₃，f₄，f₅)和基本算术运算符{+，-，*，/，ln()，exp()}；后由基本组成单元随机形成GP_Size个个体。对个体进行规范化处理，所有系数项均位于运算符的右边，这样有利于对同类模型结构的识别。

(2)计算个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的适应度BsJi(i，t)_GP，其计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GP}=\frac{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}{\sqrt{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})}^2\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}^2}}---\left(2\right)$

式中

和

分别为所有样本实测值和计算理论值的平均值；P′_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值；

(3)根据公式(2)所确定的适应度，采取竞争选择策略来选择复制个体以产生新个体，即随机从群体中选一组个体，比较该组每个成员的适应度，选出实际最好的个体Kpid(BesOpt)_GP，即POPU＝f(X_B1f₁，X_B2f₂X_B3f₃，X_B4f₄，X_B5f₅)在利用改进遗传算法对其进行快速精确地优化后，复制优化后的个体以取代该组最差的。需要说明的是，当代个体是有放回的选取，所以同一个体可能会被多次选中或复制。用改进遗传算法对个体组中最优个体进行优化的步骤如下：

①首先对模型结构进行判别，若属于已经优化过的结构则不再优化。

②采用实数编码方式，直接用样本中实际数据的实数类型，根据整体误差模型中待优化的模型系数(X_B1，X_B2，X_B3，X_B4，X_B5)，随机生成初始群体中GA_Size个个体；

③建立改进遗传算法的适应度评价函数，计算针对个体Kpid(i)_GA(1≤i≤GA_Size)的所有样本的计算理论值与实测值之间方差的总和，将其作为第t代(1≤t≤GA_Gen)中该个体的适应度BsJi(i，t)_GA，计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GA}=\frac{1}{\frac{\mathrm{GA}\_\mathrm{Size}\×\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}{\underset{i=1}{\overset{\mathrm{GA}\_\mathrm{Size}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}+{10}^{-10}}---\left(3\right)$

式中P′_GA(j)为个体Kpid(i)_GA在样本j(1≤j≤GA_N)的计算理论值；P_GA(j)为样本j的实测值。

④根据公式(3)所确定的适应度计算群体中每个个体所对应的适应度。对其按升序排序，通过优(适应度小)胜劣(适应度大)汰，对排序后的个体采用比例选择模式来挑选复制。为了避免计算中适应度比例取整时可能会造成新旧种群个体数目不一致问题，对复制前后所有个体数目差异也进行排序，依次对损失较大的个体加1直到差异为0。随后通过在每个待交叉个体上选取两个交叉点，互换两个待交叉个体的交叉点之间部分来实现个体交叉操作。与简单遗传算法设置固定交叉概率的做法不同，所用改进遗传算法的交叉概率GA_P_c是一个位于(0.8，1)之间的随机值。由于所有个体都表现为一个5维向量，因此在保证变异后的个体仍在搜索范围内的前提下，用给所选个体加噪声的方法来实行个体变异。变异操作采用多级变异，变异概率GA_P_m也是一个间于(0，0.1)的不确定值。

⑤对子代群体重复步骤④的操作，进行新一轮遗传进化过程，直到达到所设定的遗传代数t＝GA_Gen或适应度最好值等于预先设定值时，则适应度最好的个体为最优个体，即为最优解。

(4)遗传规划算法对选择复制后的新个体进行交换和变异操作。交叉操作就是随机选取两个个体的交叉点，然后相互交换这两个交叉点以下的子树来生成两个新个体。而变异操作则是随机选定父代个体的变异点及其下属分支子树后，删除突变点，再用其下属分支子树来代替它。

(5)以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_P_c和变异概率GP_P_m为遗传规划算法运行的约束条件，循环运行步骤(3)、(4)，直到遗传代数t＝GP_Gen或适应度最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP，即POPU＝f(X_e1f₁，X_e2f₂，X_e3f₃，X_e4f₄，X_e5f₅)为具有最佳适应度的人口数据空间化模型；其中：f₁，f₂，f₃，f₄，f₅分别为五种影响因素归一化值的基本算子，X_e1，X_e2，X_e3，X_e4，X_e5分别为基本算子所对应的系数。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1、一种人口数据空间化动态建模方法，其特征在于包括以下步骤：

(1)利用GIS技术获取对人口分布具有影响的自然和社会经济因素的原始数据，对这些数据进行归一化处理；

(2)初始化遗传规划算法和改进遗传算法参数；

(3)将步骤(1)归一化值后的有关原始数据作为遗传规划算法的输入，组成搜索空间，来求解具有最佳适应度的人口数据空间化模型；在遗传规划算法每代个体选择复制操作过程中利用改进遗传算法对待复制个体进行快速精确优化，最终实现人口数据空间化动态建模。

2、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述的步骤(2)中初始化遗传规划算法参数有种群规模，即种群中的个体数GP_Size、样本量GP_N、遗传代数GP_Gen、最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_P_c和变异概率GP_P_m。

3、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述的步骤(2)中初始化改进遗传算法参数有种群规模，即种群中的个体数GA_Size、样本数目GA_N和遗传代数GA_Gen。

4、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述的步骤(3)中人口数据空间化模型的建立方法如下：

(1)首先确定遗传规划算法搜索空间中的基本组成单元，包括n种影响因素归一化值的基本算子(f₁，f₂，...，f_n)和基本算术运算符，再由基本组成单元随机形成GP_Size个个体；

(2)计算针对个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的适应度BsJi(i，t)_GP，t为遗传代数，其计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GP}=\frac{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}{\sqrt{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P})}^2\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GP}\left(j\right)-\stackrel{\‾}{P^{\′}})}^2}}---\left(2\right)$

式中

和

分别为所有样本实测值和计算理论值的平均值；P′_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值；

(3)根据公式(2)所确定的适应度，采取竞争选择策略来选择复制个体以产生新个体，即随机从群体中选取一组个体，比较该组每个成员的适应度，选出实际最好的个体Kpid(BesOpt)_GP，即POPU＝f(X_B1f₁，X_B2f₂，...，X_Bnf_n)，再利用改进遗传算法对个体里面的系数进行快速精确地优化，复制优化后的个体以取代该组最差的；

(4)遗传规划算法对选择复制后的新个体进行交叉和变异操作；

(5)以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_P_c和变异概率GP_P_m为遗传规划算法运行的约束条件，循环运行步骤(3)、(4)，直到遗传代数t＝GP_Gen或适应度最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP，即POPU＝f(X_e1f₁，X_e2f₂，...，X_enf_n)，为具有最佳适应度的人口数据空间化模型。

5、根据权利要求1或4所述的一种人口数据空间化动态建模方法，其特征在于：所述的采用改进遗传算法对个体组中最优个体进行优化的步骤如下：

(1)首先对模型结构进行判别，若属于已经优化过的结构则不再优化；

(2)采用实数编码方式，直接用样本中实际数据的实数类型，根据整体误差模型中待优化的模型系数(X_B1，X_B2，...，X_Bn)，随机生成初始群体中GA_Size个个体；

(3)建立改进遗传算法的适应度评价函数，计算针对个体Kpid(i)_GA(1≤i≤GA_Size)，的所有样本的计算理论值与实测值之间方差的总和，将其作为第t代(1≤≤GA_Gen)中该个体的适应度BsJi(i，t)_GA，计算公式为：

$\mathrm{BsJi}(i,t)\_\mathrm{GA}=\frac{1}{\frac{\mathrm{GA}\_\mathrm{Size}\×\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}{\underset{i=1}{\overset{\mathrm{GA}\_\mathrm{Size}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GA}\_\mathrm{GN}}{\mathrm{\Σ}}}{(P^{\′}\_\mathrm{GA}\left(j\right)-P\_\mathrm{GA}\left(j\right))}^2}+{10}^{-10}}---\left(3\right)$

式中P′_GA(j)为个体Kpid(i)_GA在样本j(1≤j≤GA_N)的计算理论值；P_GA(j)为样本j的实测值；

(4)根据公式(3)所确定的适应度评价函数计算群体中每个个体所对应的适应度，对其按适应度小-大升序排序，对排序后的个体采用比例选择模式来挑选复制，对复制前后所有个体数目差异也进行排序，依次对损失较大的个体加1直到差异为0，随后通过在每个待交叉个体上选取两个交叉点，互换两个待交叉个体的交叉点之间部分来实现个体交叉操作，变异操作采用多级变异；

(5)对子代群体重复步骤(4)的操作，进行新一轮遗传进化过程，直到达到所设定的遗传代数t＝GA_Gen或适应度最好值等于预先设定值时，则适应度最好的个体为最优个体，即为最优解。

6、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述的变异概率GA_P_m为一个间于(0，0.1)的不确定值。

7、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述的交叉概率GA_P_c为一个位于(0.8，1)之间的随机值。

8、根据权利要求1所述的一种人口数据空间化动态建模方法，其特征在于：所述步骤(1)中的人口分布影响因素数据归一化处理的公式是：

$f_{\mathrm{jk}}=\frac{{\mathrm{org}}_{\mathrm{jk}}}{\sqrt{\underset{j=1}{\overset{\mathrm{GP}\_N}{\mathrm{\Σ}}}{\left(\mathrm{or}{g}_{\mathrm{jk}}\right)}^2}}---\left(1\right)$

式中org_jk和f_jk分别表示样本j(1≤j≤GP_N)第k(1≤j≤n)类影响因素属性的原始值和归一化值。

9、根据权利要求4所述的一种人口数据空间化动态建模方法，其特征在于：所述步骤(1)中对由基本组成单元随机形成的个体GP_Size进行规范化处理，所有系数项均位于运算符的右边，这样有利于对同类模型结构的识别。

Images