CN109740292A - 一种基于多智能体的城市人口空间分布估算方法及装置 - Google Patents

Abstract

本发明涉及人口空间分布领域，公开了一种基于多智能体的城市人口空间分布估算方法及装置。方法包括获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；建立城市多智能体人口空间分布估算模型；根据模型计算并比较多智能体搜索范围内所有建筑物的综合吸引力和多智能体当前所在建筑物的综合吸引力，并判断所述多智能体是否移动到搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回模型继续计算；输出结果。本发明根据影响居住选择的建筑物周边公共服务设施环境因素建立城市人口空间分布估算模型，可以获得与生活中实际情况符合度更高的人口空间分布结果。

Description

一种基于多智能体的城市人口空间分布估算方法及装置

技术领域

本发明涉及人口空间分布领域，公开了一种基于多智能体的城市人口空间分布估算方法及装置。

背景技术

城市是人口、资本和技术的集聚，作为人类的聚居地，城市的发展和人口分布有重要联系。人口空间分布是指一定的时间点，人口在地域上的分布状况，是人口过程在空间上的表现形式，也是人口地理学研究的核心问题。人口空间分布与城市的规划建设、经济发展有着密不可分的关系，也是解决自然资源短缺和区域发展不均衡的关键。

当前广泛使用的人口分布数据通常是以行政区划为单元，通过普查、抽样统计等方式逐级汇总获得的典型人口分布数据，在实际应用中存在以下三方面的不足：第一，时间分辨率低，全国人口普查每10年一次，数据更新周期长，难以准确揭示人口变化状况；第二，空间分辨率低，以行政区为单元获得的人口数据在行政单元内是均匀分布的，不能体现人口数据的空间分布特征；第三，不利于多源数据融合和综合空间分析，以行政区为单元的统计数据与自然地理单元存在空间不匹配的问题，限制了以人口统计数据为基础的多学科交互。

随着科学技术的不断进步，特别是近年来地球信息科学的突飞猛进，“自下而上”的多智能体模型的建模思路开始应用于城市人口空间分布的研究中，通过多智能体之间、多智能体与环境之间的相互作用，从微观角度研究人口空间分布规律，解决了传统研究方法采用的“自上而下”计量学模型存在的模型复杂、参数较多且计算量较大等问题，更具有自主性、智能性以及可移动性，更适合复杂地理问题的研究。

以多智能体建模技术为代表的地理模拟***(Geographical SimulationSystem)为此类问题提供了新的解决方法。多智能体***近年来被广泛应用于地理学模拟研究中，尤其是地理学中的空间结构变化动力机制研究，并取得了一定的进展。在城市地理学中，该方法用以模拟影响城市发展的各种动力机制，模拟城市的发展方向和城市的人口空间分布及土地利用/扩张。智能体(Agent)的概念最早可追溯到1977年Carl Hewitt的“Viewing Control Structures as Patterns of Passing Message”一文。在此文中，CarlHewitt定义了具有自兼容性、交互性和并发处理机制的对象，称为“Actor”，该对象具有封闭的内存状态，并且可以与其他同类对象进行消息发送和反馈。1986年MIT的著名计算机科学家及人工智能学科的创始人之一M.Minsky在“Society of mind”中提出了智能体的概念，并试图将社会协作行为的概念引入到计算机***中。2001年，M.Minsky对Agent的概念作了进一步的说明，他认为智能体(Agent)是一些具有特别技能的个体。英国的Agent理论专家Wooldridge和Jennings在2009年提出Agent是一个自主的程序，它能基于其对环境的理解，有能力控制自己的决策行为，以追求达到一个或多个目标。多智能体***是由一定数量的智能体通过相互合作和自组织，在集体层面上呈现出有序的协同运动和行为。***中每个智能体都具有相对简单的功能及有限的信息采集、处理、通讯能力，然而经过局部个体之间的信息传递和交互作用后，整个***往往在群体层面上表现出高效的协同合作能力及高级智能水平，从而实现单个智能体所不能完成的各种艰巨、复杂、精度要求高的任务。它是复杂适应***、人工生命以及分布式人工智能技术的融合，已经成为一种进行复杂***分析与模拟的思想方法和工具。

但是，现有技术中的多智能体模型在考虑影响居民居住选择的因素时考量的是房屋建筑物自身的属性因素，而并没有对房屋建筑物周边公共服务设施环境因素进行考量，而随着城市经济的快速发展，居民的居住选择实际上更多地涉及房屋建筑物周边的公共服务设施状况，因此现有技术研究得出的城市人口空间分布与居民生活中的实际情况的符合程度较低，现实意义不强。

发明内容

(一)发明目的

为克服上述现有技术中存在的至少一种缺陷，本发明提供一种基于多智能体的城市人口分布的估算方法及装置，该方法在估算城市人口空间分布时考量的因素包括居民的居住选择所更多涉及的房屋建筑物周边的公共服务设施因素，与现今居民生活中的实际情况符合程度较高，并且将影响居民居住选择的房屋建筑物属性因素也纳入考量范围内，更加符合实际情况，具有很强的现实意义。

(二)技术方案

作为本发明的第一方面，本发明公开了一种基于多智能体的城市人口分布估算方法，包括：

获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；

根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；

根据所述模型计算并比较所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；

输出所述模型运行结束后的人口空间分布结果。

在一种可能的实施方式中，所述在根据所述多智能体的多个收入属性确定所述多智能体的搜索范围之前，还包括获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值。

在一种可能的实施方式中，所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响通过对所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级进行赋值后计算并归一化处理得出。

在一种可能的实施方式中，所述计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。

在一种可能的实施方式中，所述多智能体移动规则包括采用扩展型摩尔邻域确定所述多个收入属性的多智能体的搜索范围，并根据所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力的大小来判断所述多智能体是否移动。

在一种可能的实施方式中，所述模型还包括根据影响城市多智能体人口空间分布的研究区域内的建筑物属性因素所建立的模型。

作为本发明的第二方面，本发明公开了一种基于多智能体的城市人口空间分布估算装置，包括：

获取单元，用于获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；

模型建立单元，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；

模型运行单元，用于根据所述模型计算并比较所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；

结果输出单元，用于输出所述模型运行结束后的人口空间分布结果。

在一种可能的实施方式中，所述模型建立单元包括搜索子单元，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围；还包括模型初始化子单元，用于获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值。

在一种可能的实施方式中，所述模型建立单元包括：

第一计算子单元，用于计算并归一化处理所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级的赋值，以得出所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响。

在一种可能的实施方式中，所述模型运行单元中的计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

第二计算子单元，用于基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。

(三)有益效果

本发明提供的一种基于多智能体的城市人口分布估算方法及装置，具有如下有益效果：

本发明通过获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素，根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型，在估算城市人口空间分布时考量的因素包括居民的居住选择所更多涉及的房屋建筑物周边的公共服务设施因素，与现今居民生活中的实际情况符合程度较高，并且将影响居民居住选择的房屋建筑物属性因素也纳入考量范围内，提高了估算模型得出的城市人口空间分布精度，更加符合实际情况，具有很强的现实意义。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。

图1为本发明提供的第一实施例的一种基于多智能体的城市人口分布估算方法的流程图；

图2为本发明提供的第一实施例以北京市海淀区永定路街道为所述研究区域获得的人口空间分布结果示意图。

图3为本发明提供的第一实施例的较佳的实施流程图。

图4为本发明提供的第二实施例的一种基于多智能体的城市人口分布估算装置的结构示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明进行更加详细的描述。

需要说明的是：所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。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。

在本文中，“第一”、“第二”、属性“A”、“B”“C”等仅用于彼此的区分，而非表示它们的重要程度及顺序等。

本文中的单元、子单元的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个单元和/或子单元可以结合或集成于另一个***中。作为分离部件说明的的在物理上可以是分开的，也可以是不分开的。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。

下面参考图1详细描述本发明提供的一种基于多智能体的城市人口分布估算方法：本实施例主要应用于城市人口空间分布估算。

如图所示，本实施例提供的基于多智能体的城市人口分布估算方法，包括：

在步骤S101中，获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；所述多个建筑物周边公共服务设施环境因素包括交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素；所述多智能体可以与环境进行交互，多智能体通过传感器接收环境中的感知输入，然后输出动作作用于环境，多智能体的特性取决于其模型的特定应用目的与建立模型的意图；考量包括居民的居住选择所更多涉及的房屋建筑物周边的公共服务设施因素，使得获得的人口空间分布结果与现今居民生活中的实际情况符合程度更高，具有很强的现实意义；

在步骤S102中，根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；人口作为模型中的居民Agent与研究区域内的建筑物存在多对一的关系，每个建筑物可以容纳多个智能体；所述多智能体的多个收入属性包括低收入、中收入和高收入；

在步骤S103中，根据所述模型计算并比较所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；所述多智能体的移动规则基于有限理性选择机制，有限理性是指考虑到活动者信息处理能力是有限度的，因为会受到感情、理念、经验以及处理能力的约束，活动者决策的原因并非总是根据理性原则追求“最佳”，而是追求建立在心理上的“满意”，即比较智能体所在建筑物的吸引力与其他建筑物的吸引力的大小，当存在大于智能体当前所在建筑物的吸引力值时，智能体随机移动到一个大于当前所在建筑物吸引力的建筑物上；若不存在，则不发生移动，但此时会产生一个随机因子，使智能体有一定的几率随机移动到其属性对应的搜索范围内的任一建筑物上，可以预先设定智能体移动比例小于5％时模型结束运行。

在步骤S104中，输出所述模型运行结束后的人口空间分布结果。

在一种可能的实施方式中，所述在根据所述多智能体的多个收入属性确定所述多智能体的搜索范围之前，还包括获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值；初始化后智能体的数量设定为所述研究区域内的人口数量，各个建筑物内的初始人口数量根据研究区域建筑物面积上的平均人口数量与各个建筑物面积的乘积进行设定；所述模型中多智能体的收入属性及各收入属性的数量比例根据所述研究区域的年鉴资料中居民收入数据确定；即，根据所述居民收入数据确定所述模型的多智能体当中，收入属性属于低收入的智能体、收入属性属于中收入的智能体和收入属性属于高收入的智能体各自的数量比例；将所述研究区域内的人口和建筑物数量初始化，就是将这两个数据设为默认值，即初始值，为模型运行做准备。

在一种可能的实施方式中，所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响通过对所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级进行赋值后计算并归一化处理得出；本实施例选取北京市海淀区永定路街道作为研究区域，其房屋建筑新旧程度具有典型性，且包括了地理国情监测房屋建筑数据中的多层、低矮及独立房屋建筑，且街道内部及周边的公共服务设施较为健全；所获取的数据包括：2017年地理国情监测房屋建筑数据、2017年北京市海淀区年鉴居民收入数据、研究区域2017年遥感影像数据及北京市POI点位矢量数据；所述交通优势度可以根据房屋建筑物是否在地铁站1000m、公交车站300m的覆盖范围内进行划定，若所述房屋建筑物同时在地铁站和公交站的距离覆盖范围内，则设定优势度为1；若仅在地铁站的距离覆盖范围内，则设定优势度为0.7；若仅在公交车站的距离覆盖范围内，则设定优势度为0.5；既不在地铁站也不在公交站的距离覆盖范围内，则设定优势度为0.3；所述医疗设施环境、文化教育环境和休闲娱乐环境可以根据POI点位数据图层中的医院、学校和公园与房屋建筑物的距离的不同等级进行赋值，所述不同等级医疗设施环境包括卫生站、大型医院，不同等级的文化教育环境包括幼儿园、小学、初中、高中，不同等级的休闲娱乐环境包括公园广场、大型购物商场；另外，地理国情监测所采集的房屋建筑物并非有效居住建筑物，所以需利用地理国情监测数据中的城镇综合功能单元图层和夜间灯光遥感数据提取出其中的工矿企业、单位院落和长时期灯光亮度为0的房屋建筑图斑等，以获得有效居住建筑物数据。

在一种可能的实施方式中，所述计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。

在一种可能的实施方式中，所述多智能体移动规则包括采用扩展型摩尔邻域确定所述多个收入属性的多智能体的搜索范围，并根据所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力的大小来判断所述多智能体是否移动；在标准CA模型中，摩尔邻域由中心元胞周围相邻8个灰色元胞组成，设标准摩尔邻域的扩展半径为1，扩展型摩尔邻域则以中心元胞开始，往外进行扩展例如半径为2的扩展型摩尔邻域中会存在5×5的结构，即存在25个“元胞”，本实施例中低收入智能体的搜索范围可以设为一个3×3的搜索区域，中收入智能体的搜索范围为一个5×5的搜索区域，高收入智能体的搜索范围为一个7×7的搜索区域，不同收入属性的智能体在其搜索范围内感知周边居住建筑物的吸引力来判断是否移动到其他建筑物上。

在一种可能的实施方式中，所述模型还包括根据影响城市多智能体人口空间分布的研究区域内的建筑物属性因素所建立的模型；所述建筑物属性因素包括建筑物类型、建筑物新旧程度，关于房屋建筑物类型，根据地理国情数据库十大类中的第五类房屋建筑区数据中的地面实景照片和采集说明，将建筑物类型分级，并按照等级的优劣赋值，由此得到建筑物类型；将影响居民居住选择的房屋建筑物属性因素也纳入考量范围内，提高了估算模型得出的城市人口空间分布精度，更加符合实际情况。

参考表1，表1是本发明提供的第一实施例较佳的房屋建筑物类型说明表。

表-1房屋建筑物类型说明表

注：具体实施中可以不局限于上述字段。

关于房屋建筑物新旧程度，根据实地调查，研究区域房屋建筑物根据《房屋完损等级评定标准》主要分为完好房、基本完好房和少数一般损坏房，不同等级的房屋建筑物在高分辨率遥感影像呈现出不同的颜色，因此结合研究区域房屋建筑物对应的层数、地域建筑特点及调研，并将遥感影像采用监督分类方法将住宅建筑物分为：完好房、基本完好和一般损坏房屋，并分别赋值1、0.75和0.5；为了消除各影响因子的量纲影响，采用极差标准化公式对各影响因子进行归一化处理，使得各影响因子的影响力值分布在[0，1]之间，以比较不同影响因子对人口空间分布的重要性。对于正向影响因子，即越大越优型因子，其标准化公式为：

对于负向影响因子，即越小越优型，如医疗设施环境、文化教育环境、休闲娱乐环境等，其标准化公式为：

式中X_max代表某一类影响因子的最大值，X_min代表该类影响因子的最小值，X_i代表当前建筑物该类影响因子的值，X代表该类影响因子的标准化值。

对环境影响因子的评价，则由于收入的差异导致智能体个体之间会产生不同的结果。智能体由于自身经济或实际需求的差异，从而表现出对影响因子不同的偏好。不同影响因子对不同收入智能体的影响权重可以采用排序法来确定。

在一种可能的实施方式中，所述人口空间分布结果被提供给负责城市或者城市局部区域当中交通、安保、市政等工作的部门的管理***以进行地图化显示，所述管理***可以基于所述人口空间分布结果进行交通、安保、市政等方面资源的综合调度，或者进行与人口空间分布相关的城市规划；图2为本发明提供的第一实施例以北京市海淀区永定路街道为所述研究区域获得的人口空间分布结果示意图。

下面参考图3详细描述本发明提供的第一实施例的较佳的实施流程图，包括：

S11，获取输入的多个建筑物周边公共服务设施环境因素；

S12，建立城市多智能体人口空间分布估算模型；

S13，运行模型，计算并比较多个收入属性多智能体搜索范围内所有建筑物的综合吸引力P与多智能体当前所在建筑物的综合吸引力P_i，判断是否存在大于综合吸引力P_i的综合吸引力P，是则执行S14，否则执行S15；

S14，多智能体发生移动；

S15，多智能体不发生移动；

S16，计算模型运行一次后移动的多智能体数量占总数的比例并判断是否达到预先设定值，是则执行S17，否则执行S12；

S17，模型运行结束，输出结果。

下面参考图4详细描述本发明提供的一种基于多智能体的城市人口空间分布估算装置第二实施例：本实施例主要应用于城市人口空间分布估算。

如图所示，本实施例提供的基于多智能体的城市人口空间分布估算装置，包括：

获取单元201，用于获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；所述多个建筑物周边公共服务设施环境因素包括交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素；所述多智能体可以与环境进行交互，多智能体通过传感器接收环境中的感知输入，然后输出动作作用于环境，多智能体的特性取决于其模型的特定应用目的与建立模型的意图；

模型建立单元202，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；人口作为模型中的居民Agent与研究区域内的建筑物存在多对一的关系，每个建筑物可以容纳多个智能体；所述多智能体的多个收入属性包括低收入、中收入和高收入；考量包括居民的居住选择所更多涉及的房屋建筑物周边的公共服务设施因素，使得获得的人口空间分布结果与现今居民生活中的实际情况符合程度更高，具有很强的现实意义；

模型运行单元203，用于根据所述模型计算并比较所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；所述多智能体的移动规则基于有限理性选择机制，有限理性是指考虑到活动者信息处理能力是有限度的，因为会受到感情、理念、经验以及处理能力的约束，活动者决策的原因并非总是根据理性原则追求“最佳”，而是追求建立在心理上的“满意”，即比较智能体所在建筑物的吸引力与其他建筑物的吸引力的大小，当存在大于智能体当前所在建筑物的吸引力值时，智能体随机移动到一个大于当前所在建筑物吸引力的建筑物上；若不存在，则不发生移动，但此时会产生一个随机因子，使智能体有一定的几率随机移动到其属性对应的搜索范围内的任一建筑物上，可以预先设定智能体移动比例小于5％时模型结束运行。

结果输出单元204，用于输出所述模型运行结束后的人口空间分布结果。

在一种可能的实施方式中，所述模型建立单元包括搜索子单元，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围；还包括模型初始化子单元，用于获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值；初始化后智能体的数量设定为所述研究区域内的人口数量，各个建筑物内的初始人口数量根据研究区域建筑物面积上的平均人口数量与各个建筑物面积的乘积进行设定；所述模型中多智能体的收入属性及各收入属性的数量比例根据所述研究区域的年鉴资料中居民收入数据确定；将所述研究区域内的人口和建筑物数量初始化，就是将这两个数据设为默认值，即初始值，为模型运行做准备。

在一种可能的实施方式中，所述模型建立单元包括：

第一计算子单元，用于计算并归一化处理所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级的赋值，以得出所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响；本实施例选取北京市海淀区永定路街道作为研究区域，其房屋建筑新旧程度具有典型性，且包括了地理国情监测房屋建筑数据中的多层、低矮及独立房屋建筑，且街道内部及周边的公共服务设施较为健全；所获取的数据包括：2017年地理国情监测房屋建筑数据、2017年北京市海淀区年鉴居民收入数据、研究区域2017年遥感影像数据及北京市POI点位矢量数据；所述交通优势度可以根据房屋建筑物是否在地铁站1000m、公交车站300m的覆盖范围内进行划定，若所述房屋建筑物同时在地铁站和公交站的距离覆盖范围内，则设定优势度为1；若仅在地铁站的距离覆盖范围内，则设定优势度为0.7；若仅在公交车站的距离覆盖范围内，则设定优势度为0.5；既不在地铁站也不在公交站的距离覆盖范围内，则设定优势度为0.3；所述医疗设施环境、文化教育环境和休闲娱乐环境可以根据POI点位数据图层中的医院、学校和公园与房屋建筑物的距离的不同等级进行赋值，所述不同等级医疗设施环境包括卫生站、大型医院，不同等级的文化教育环境包括幼儿园、小学、初中、高中，不同等级的休闲娱乐环境包括公园广场、大型购物商场；另外，地理国情监测所采集的房屋建筑物并非有效居住建筑物，所以需利用地理国情监测数据中的城镇综合功能单元图层和夜间灯光遥感数据提取出其中的工矿企业、单位院落和长时期灯光亮度为0的房屋建筑图斑等，以获得有效居住建筑物数据。

在一种可能的实施方式中，所述模型运行单元中的计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

第二计算子单元，用于基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于多智能体的城市人口空间分布估算方法，其特征在于，包括：

获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；

根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；

根据所述模型计算并比较所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；

输出所述模型运行结束后的人口空间分布结果。

2.根据权利要求1所述的方法，其特征在于，所述在根据所述多智能体的多个收入属性确定所述多智能体的搜索范围之前，还包括获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值。

3.根据权利要求1或2所述的方法，其特征在于，所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响通过对所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级进行赋值后计算并归一化处理得出。

4.根据权利要求1或2所述的方法，其特征在于，所述计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。

5.根据权利要求4所述的方法，其特征在于，所述多智能体移动规则包括采用扩展型摩尔邻域确定所述多个收入属性的多智能体的搜索范围，并根据所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力的大小来判断所述多智能体是否移动。

6.根据所述权利要求1或2所述的方法，其特征在于，所述模型还包括根据影响城市多智能体人口空间分布的研究区域内的建筑物属性因素所建立的模型。

7.一种基于多智能体的城市人口空间分布估算装置，其特征在于，包括

获取单元，用于获取输入的影响城市多智能体人口空间分布的研究区域内多个建筑物周边公共服务设施环境因素；

模型建立单元，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围，并根据所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响和多智能体移动规则，建立城市多智能体人口空间分布估算模型；

模型运行单元，用于根据所述模型计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，并根据所述多智能体移动规则判断所述多智能体是否移动到所述搜索范围内的任一建筑物，当达到预先设定的模型运行终止条件时，运行结束，输出运行结果，否则，返回所述模型继续计算所述多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力；

结果输出单元，用于输出所述模型运行结束后的人口空间分布结果。

8.根据权利要求7所述的装置，其特征在于，所述模型建立单元包括搜索子单元，用于根据所述多智能体的多个收入属性确定所述多智能体的搜索范围；还包括模型初始化子单元，用于获取所述研究区域内的人口、建筑环境和居民收入数据，并将所述研究区域内多个收入属性多智能体的数量和空间分布进行初始化以获得初始值。

9.根据权利要求7或8所述的装置，其特征在于，所述模型建立单元包括：

第一计算子单元，用于计算并归一化处理所述建筑物与所述建筑物周边公共服务设施环境因素包括的交通优势度、医疗设施环境、文化教育环境和休闲娱乐环境因素中的任意至少一项的不同等级的赋值，以得出所述多个建筑物周边公共服务设施环境因素对所述多智能体人口空间分布的影响。

10.根据权利要求9所述的装置，其特征在于，所述模型运行单元中的计算所述多个收入属性多智能体搜索范围内所有建筑物的综合吸引力和所述多智能体当前所在建筑物的综合吸引力，包括：

第二计算单元，用于基于所述建筑物的综合吸引力包括的建筑物周边公共服务设施环境吸引力和建筑物内的人口吸引力，建立所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式；

所述多智能体当前所在建筑物对所述多智能体产生的综合吸引力的计算公式为：P_i＝W_iQ_i，对于属性为A的多智能体，Q_i＝1，对于属性为B的多智能体，对于属性为C的多智能体， 其中，P_i为多智能体当前所在建筑物i对所述多智能体产生的综合吸引力，W_i为建筑物i周边公共服务设施对多智能体产生的吸引力，Q_i为多智能体当前所在建筑物i内人口状况对所述多智能体产生的吸引力，P为所述多智能体搜索范围内所有建筑物的综合吸引力，D_i为建筑物当前人口数，E_i为建筑物所能容纳的最大人口数，E_i的计算公式为：S为研究区人均居住面积，X_n为影响居住选择的因素，x_n为所述因素对应的权重，n为影响居住选择的因素的数量。