CN112052547B - 一种基于人工智能的城市道路网络自动生成方法 - Google Patents
一种基于人工智能的城市道路网络自动生成方法 Download PDFInfo
- Publication number
- CN112052547B CN112052547B CN202010923489.5A CN202010923489A CN112052547B CN 112052547 B CN112052547 B CN 112052547B CN 202010923489 A CN202010923489 A CN 202010923489A CN 112052547 B CN112052547 B CN 112052547B
- Authority
- CN
- China
- Prior art keywords
- road
- scheme
- anchor point
- network
- urban
- 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 53
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 3
- 239000011449 brick Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 11
- 238000009411 base construction Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- 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
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开一种基于人工智能的城市道路网络自动生成方法，包括数据获取与输入模块、机器学习模块、规则库构建模块、方案集生成模块、人机交互展示模块，该***通过机器学习构建锚点分布模型，在次干路为边界的规划范围内分布锚点，通过矩形扩张法生成道路中心线布局方案集，并基于城市规划道路相关规范转译形成的规则库，筛选出可行方案集，进一步自动生成道路网络方案集，最后将方案输出至二维交互展示设备进行模拟展示。本发明以机器学习和城市规划领域的规则共同驱动实现道路网络设计，提供了一种简洁高效的城市道路网络的自动生成方法，能够短时间内生成多方案，为人工智能城市规划设计实践提供高效率、直观化的参考。
Description
技术领域
本发明涉及一种城市道路网络自动生成方法，具体是一种基于人工智能的城市道路网络自动生成方法。
背景技术
人工智能技术不断发展，对城市规划设计领域带来前所未有的冲击。应用人工智能辅助城市规划的调研分析、设计研究、管理监测等全过程工作，成为当前和未来城市规划研究的重点方向。在设计阶段，城市道路网络的设计是首要环节，是街坊设计和建筑设计的基础。由于城市空间具有复杂多元的特征，道路网络形态与自然山水、用地功能等城市要素间相互影响相互制约，因此城市道路网络设计面临一系列不确定性因素，仍具有一定的挑战性。
目前已有的城市道路网络自动生成方法，一种是基于航拍遥感图像或车行轨迹，在计算机生成已有的道路、街道，这种方法只是对真实道路网络的重现，对于缺失现有道路的新城区的作用有限。另一种是基于图像学习，通过学习海量道路网络样本的规律，训练对抗生成网络模型，在严格规定大小地块内生成道路网络，但这种方式存在着模型训练速度较慢，生成结果与真实道路网络间的拟合不足，人工筛选可行道路网络的成本较高等问题。
发明内容
本发明的目的在于提供一种基于人工智能的城市道路网络自动生成方法，本发明城市道路网络自动生成方法过程高效性：本方法通过设定城市道路网络方案的可行范围，能够在短时间内同时生成多个方案，减少人力成本，提高设计效率；***仿真性：本方法应用可解释的生成式对抗网络（infoGAN），基于城市规划道路相关规范构建道路网络规则库，在此基础上自动生成道路网络方案集，提高了方案集与真实道路网络的拟合程度，保证自动生成方案集的质量；成果直观性：本方法生成成果通过二维交互设备进行模拟展示，便于城市规划专业人员和管理者的沟通。
本发明的目的可以通过以下技术方案实现：
一种基于人工智能的城市道路网络自动生成方法，生成方法包括以下步骤：
S1：数据获取与输入模块，用于通过无人机采集和城市开源数据平台中获取的方式采集规划范围的二维矢量数据，并输入至地理信息平台中。
S2：机器学***台采集支路网络数据，构建城市支路网络样本库；再以支路划分的矩形质心为锚点，生成对应的锚点分布库；将锚点分布样本库的矢量图像转化为位图图像，构建统一量纲的锚点分布机器学习样本库；基于生成式对抗网络，对抗训练锚点分布模型。
S3：规则库构建模块，用于通过地理信息平台，将《城市道路交通规划设计规范》中的城市支路间距范围规范、城市道路红线规范、城市道路倒角规范输入地理信息平台，并构建规则库。
S4：方案集生成模块，用于通过机器学习模块得到的锚点分布模型在规划范围内生成并分布锚点，生成锚点分布方案集；再根据锚点分布方案集中各方案的锚点生成对应的泰森多边形分布方案集；并将各泰森多边形分布方案中的泰森多边形的质心替换该多边形内的锚点作为新锚点，生成新的锚点分布方案集；再以新的锚点分布方案集中的新锚点为中心通过矩形扩张法生成对应道路中心线布局方案集；通过《城市道路交通规划设计规范》规则库筛选出可行的道路中心线布局方案集，将可行的道路中心线布局方案集中的方案根据《城市道路交通规划设计规范》规则库生成道路网络方案输出并生成道路网络方案集。
S5：人机交互展示模块，用于将道路网络方案输出至二维交互展示设备，其具体包括方案图纸生成、方案效果模拟和方案各项指标展示。
进一步的，所述步骤S1中，规划范围边界线为次干路，规划范围内只生成支路网；收集的规划范围的二维矢量数据为轮廓闭合的多边形地块，包含多边形的形状和大小信息。
进一步的，所述构建城市支路网络样本库，其具体操作步骤为通过城市开源数据平台采集中国城市的支路道路网络数据，输入地理信息平台；样本规划范围边界为次干路，规划范围内为支路网，样本数量为10000。
进一步的，所述构建统一量纲的锚点分布机器学习样本库，其具体操作步骤为将锚点分布样本库的矢量图像转化为1:2000比例尺，100dpi分辨率，300mm*300mm尺寸的位图图像，从而生成锚点分布机器学习样本库，样本数量为10000。
进一步的，所述步骤S2中，基于生成式对抗网络对抗训练锚点分布模型，其具体操作步骤为以高斯白噪声为输入数据，以锚点自动分布图像为输出数据，构建生成网络；以锚点自动分布图像与锚点分布机器学习样本图像为输入数据，设计损失函数，构建判别网络；所述生成网络与判别网络为卷积神经网络；通过对生成网络与判别网络进行迭代训练，使锚点自动分布图像逐渐逼近锚点分布机器学习样本图像。
进一步的，所述步骤S3中构建规则库：指标控制根据《城市道路交通规划设计规范》和《道路倒角半径规范》的规则库整理构建；
表1：不同支路网规则指标控制
进一步的，所述步骤S4中道路中心线布局方案是以新锚点为中心通过矩形扩张法生成对应道路中心线布局方案，其具体操作步骤为控制新的锚点分布方案以自身的每一个新锚点为中心，以相同的速率同时朝自己的四个正交方向进行正方形的扩张，当两个相邻的锚点的扩张边触碰时，或者扩张边全部超出规划范围时，则该条边停止扩张，其他边继续扩张，直到最终所有边界停止扩张，生成与锚点数量一致的矩形。整合矩形各边形成道路中心线布局，将规划范围外及与规划范围重叠的矩形边删除，将规划范围内的矩形边整合为唯一的不重叠线段。
进一步的，筛选可行的所述道路中心网络方案集，其具体操作步骤为判断通过矩形扩张法生成的道路中心线布局方案是否所有的道路中心线线段长度都在150-250m内，如果否，则废弃该方案；如果是，则将该方案输出至可行道路中心线布局方案集中。
进一步的，所述生成道路网络方案集，其具体步骤为将可行道路中心线布局方案自中心线往两侧分别扩张6-7.5m，形成12-15m宽度的道路红线，再在内部支路与支路交叉口处生成10-15m的道路红线倒角，在边界支路与次干路的交叉口处生成20-25m的道路红线倒角；将生成红线和倒角之后的道路网络方案集合，生成道路网络方案集。
进一步的，所述方案效果模拟与展示是指用户可以通过操作杆在道路网络方案库中选择需要的道路网络方案在1920×1080分辨率55寸以上的显示设备进行展示方案图纸、方案效果模拟图和方案各项指标；所述方案效果模拟图，指以规划范围道路平面图为基础，利用建模软件对车行道和人行道进行贴图，其中车行道为沥青纹理贴图，人行道为砖块贴图；再对道路网模型进行渲染，并利用图像编辑软件将模型渲染图与无人机航拍的真实场景进行结合，形成方案效果模拟图进行展示；所述方案各项指标包括各条道路的等级、道路红线宽度、道路红线倒角，以及道路划分的街坊边长和面积、规划范围支路网密度、“十”字路口结点占全部路口结点的比例。
本发明的有益效果：
1、本发明城市道路网络自动生成方法过程高效性：本方法通过设定城市道路网络方案的可行范围，能够在短时间内同时生成多个方案，减少人力成本，提高设计效率；
2、本发明城市道路网络自动生成方法***仿真性：本方法应用可解释的生成式对抗网络（infoGAN），基于城市规划道路相关规范构建道路网络规则库，在此基础上自动生成道路网络方案集，提高了方案集与真实道路网络的拟合程度，保证自动生成方案集的质量；
3、本发明城市道路网络自动生成方法成果直观性：本方法生成成果通过二维交互设备进行模拟展示，便于城市规划专业人员和管理者的沟通。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明生成方法流程图；
图2是本发明道路自动生成规划范围示意图；
图3是本发明道路中心线布局方案筛选示意图；
图4是本发明道路自动生成方案图。
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它实施例，都属于本发明保护的范围。
一种基于人工智能的城市道路网络自动生成方法,如图1所示,自动生成方法包括以下步骤：
S1:数据获取与输入模块，用于通过搭载1920*1080分辨率镜头无人机航拍设备采集和城市开源数据平台中获取的方式采集规划范围的二维矢量数据，并输入至地理信息平台中；
规划范围边界线为次干路，如图2所示，规划范围内只生成支路网。收集的规划范围的二维矢量数据为轮廓闭合的多边形地块，包含多边形的地理坐标、形状和大小信息。
S2:机器学***台采集支路网络数据，构建城市支路网络样本库；再以支路划分的矩形质心为锚点，生成对应的锚点分布库；将锚点分布样本库的矢量图像转化为位图图像，构建统一量纲的锚点分布机器学习样本库；基于可解释的生成式对抗网络（infoGAN），对抗训练锚点分布模型。
构建城市支路网络样本库，其具体操作步骤为通过城市开源数据平台采集中国城市的支路道路网络数据，输入地理信息平台。样本规划范围边界为次干路，规划范围内为支路网，样本数量为10000。
构建统一量纲的锚点分布机器学习样本库，其具体操作步骤为将锚点分布样本库的矢量图像转化为1:2000比例尺，100dpi分辨率，300mm*300mm尺寸的位图图像，从而生成锚点分布机器学习样本库，样本数量为10000。
基于可解释的生成式对抗网络（infoGAN）对抗训练锚点分布模型，其具体操作步骤为以高斯白噪声为输入数据，以锚点自动分布图像为输出数据，构建生成网络；以锚点自动分布图像与锚点分布机器学习样本图像为输入数据，设计损失函数，构建判别网络。所述生成网络与判别网络为卷积神经网络（CNN）。通过对生成网络与判别网络进行迭代训练，使锚点自动分布图像逐渐逼近锚点分布机器学习样本图像。
S3:规则库构建模块，用于通过地理信息平台，将《城市道路交通规划设计规范》中的城市支路间距范围规范、城市道路红线规范、城市道路倒角规范输入地理信息平台，并构建规则库；
指标控制根据《城市道路交通规划设计规范》和《道路倒角半径规范》的规则库整理构建。
表1：不同支路网规则指标控制
| 控制项 | 控制参数范围 |
| 支路网间距 | 150-250m |
| 道路红线宽度 | 12-15m |
| 支路网内部倒角 | 10-15m |
| 支路与外部次干路倒角 | 20-25m |
S4:方案集生成模块，用于通过机器学习模块得到的锚点分布模型在规划范围内生成并分布锚点，生成锚点分布方案集；再根据锚点分布方案集中各方案的锚点生成对应的泰森多边形分布方案集；并将各泰森多边形分布方案中的泰森多边形的质心替换该多边形内的锚点作为新锚点，生成新的锚点分布方案集；再以新的锚点分布方案集中的新锚点为中心通过矩形扩张法生成对应道路中心线布局方案集；通过《城市道路交通规划设计规范》规则库筛选出可行的道路中心线布局方案集，将可行的道路中心线布局方案集中的方案根据《城市道路交通规划设计规范》规则库生成道路网络方案输出并生成道路网络方案集；
以新锚点为中心通过矩形扩张法生成对应道路中心线布局方案，其具体操作步骤为控制新的锚点分布方案以自身的每一个新锚点为中心，以相同的速率同时朝自己的四个正交方向进行正方形的扩张，当两个相邻的锚点的扩张边触碰时，或者扩张边全部超出规划范围时，则该条边停止扩张，其他边继续扩张，直到最终所有边界停止扩张，生成与锚点数量一致的矩形。整合矩形各边形成道路中心线布局，将规划范围外及与规划范围重叠的矩形边删除，将规划范围内的矩形边整合为唯一的不重叠线段。
筛选可行的道路中心线布局方案集，其具体操作步骤为判断通过矩形扩张法生成的道路中心线布局方案是否所有的道路中心线线段长度都在150-250m内，如果否，则废弃该方案；如果是，则将该方案输出至可行道路中心线布局方案集中，如图3所示
所述生成道路网络方案集，其具体步骤为将可行道路中心线布局方案自中心线往两侧分别扩张6-7.5m，形成12-15m宽度的道路红线，再在内部支路与支路交叉口处生成10-15m的道路红线倒角，在边界支路与次干路的交叉口处生成20-25m的道路红线倒角。将生成红线和倒角之后的道路网络方案集合，生成道路网络方案集。
S5:人机交互展示模块，用于将道路网络方案输出至1920×1080分辨率55寸以上二维交互展示设备，其具体包括方案图纸生成、方案效果模拟和方案各项指标展示，如图4所示。
方案效果模拟与展示是指用户可以通过操作杆在道路网络方案库中选择需要的道路网络方案在1920×1080分辨率55寸以上的显示设备进行展示方案图纸、方案效果模拟图和方案各项指标。所述方案效果模拟图，指以规划范围道路平面图为基础，利用建模软件对车行道和人行道进行贴图，其中车行道为沥青纹理贴图，人行道为砖块贴图；再对道路网模型进行渲染，并利用图像编辑软件将模型渲染图与无人机航拍的真实场景进行结合，形成方案效果模拟图进行展示。所述方案各项指标包括各条道路的等级、道路红线宽度、道路红线倒角，以及道路划分的街坊边长和面积、规划范围支路网密度、“十”字路口结点占全部路口结点的比例。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (6)
1.一种基于人工智能的城市道路网络自动生成方法，其特征在于，生成方法包括以下步骤：
S1：数据获取与输入模块，用于通过无人机采集和城市开源数据平台中获取的方式采集规划范围的二维矢量数据，并输入至地理信息平台中；
S2：机器学***台采集支路网络数据，构建城市支路网络样本库；再以支路划分的矩形质心为锚点，生成对应的锚点分布样本库；将锚点分布样本库的矢量图像转化为位图图像，构建统一量纲的锚点分布机器学习样本库；基于生成式对抗网络，对抗训练锚点分布模型；
基于生成式对抗网络对抗训练锚点分布模型，其具体操作步骤为以高斯白噪声为输入数据，以锚点自动分布图像为输出数据，构建生成网络；以锚点自动分布图像与锚点分布机器学习样本图像为输入数据，设计损失函数，构建判别网络；所述生成网络与判别网络为卷积神经网络；通过对生成网络与判别网络进行迭代训练，使锚点自动分布图像逐渐逼近锚点分布机器学习样本图像；
S3：规则库构建模块，用于通过地理信息平台，将《城市道路交通规划设计规范》中的城市支路间距范围规范、城市道路红线规范、城市道路倒角规范输入地理信息平台，并构建规则库；
指标控制根据《城市道路交通规划设计规范》和《道路倒角半径规范》的规则库整理构建；
表1：不同支路网规则指标控制
S4：方案集生成模块，用于通过机器学习模块得到的锚点分布模型在规划范围内生成并分布锚点，生成锚点分布方案集；再根据锚点分布方案集中各方案的锚点生成对应的泰森多边形分布方案集；并将各泰森多边形分布方案中的泰森多边形的质心替换该多边形内的锚点作为新锚点，生成新的锚点分布方案集；再以新的锚点分布方案集中的新锚点为中心通过矩形扩张法生成对应道路中心线布局方案集；通过《城市道路交通规划设计规范》规则库筛选出可行的道路中心线布局方案集，将可行的道路中心线布局方案集中的方案根据《城市道路交通规划设计规范》规则库生成道路网络方案输出并生成道路网络方案集；
道路中心线布局方案是以新锚点为中心通过矩形扩张法生成对应道路中心线布局方案，其具体操作步骤为控制新的锚点分布方案以自身的每一个新锚点为中心，以相同的速率同时朝自己的四个正交方向进行正方形的扩张，当两个相邻的锚点的扩张边触碰时，或者扩张边全部超出规划范围时，则该条边停止扩张，其他边继续扩张，直到最终所有边界停止扩张，生成与锚点数量一致的矩形，整合矩形各边形成道路中心线布局，将规划范围外及与规划范围重叠的矩形边删除，将规划范围内的矩形边整合为唯一的不重叠线段；
筛选可行的所述道路中心网络方案集，其具体操作步骤为判断通过矩形扩张法生成的道路中心线布局方案是否所有的道路中心线线段长度都在150-250m内，如果否，则废弃该方案；如果是，则将该方案输出至可行道路中心线布局方案集中；
S5：人机交互展示模块，用于将道路网络方案输出至二维交互展示设备，其具体包括方案图纸生成、方案效果模拟和方案各项指标展示。
2.根据权利要求1所述的一种基于人工智能的城市道路网络自动生成方法，其特征在于：所述步骤S1中，规划范围边界线为次干路，规划范围内只生成支路网；收集的规划范围的二维矢量数据为轮廓闭合的多边形地块，包含多边形的形状和大小信息。
3.根据权利要求1所述的一种基于人工智能的城市道路网络自动生成方法，其特征在于：所述构建城市支路网络样本库，其具体操作步骤为通过城市开源数据平台采集中国城市的支路道路网络数据，输入地理信息平台；样本规划范围边界为次干路，规划范围内为支路网，样本数量为10000。
4.根据权利要求1所述的一种基于人工智能的城市道路网络自动生成方法，其特征在于：所述构建统一量纲的锚点分布机器学习样本库，其具体操作步骤为将锚点分布样本库的矢量图像转化为1:2000比例尺，100dpi分辨率，300mm*300mm尺寸的位图图像，从而生成锚点分布机器学习样本库，样本数量为10000。
5.根据权利要求1所述的一种基于人工智能的城市道路网络自动生成方法，其特征在于：所述生成道路网络方案集，其具体步骤为将可行道路中心线布局方案自中心线往两侧分别扩张6-7.5m，形成12-15m宽度的道路红线，再在内部支路与支路交叉口处生成10-15m的道路红线倒角，在边界支路与次干路的交叉口处生成20-25m的道路红线倒角；将生成红线和倒角之后的道路网络方案集合，生成道路网络方案集。
6.根据权利要求1所述的一种基于人工智能的城市道路网络自动生成方法，其特征在于：所述方案效果模拟和方案各项指标展示是指用户可以通过操作杆在道路网络方案集中选择需要的道路网络方案在1920×1080分辨率55寸以上的显示设备进行展示方案图纸、方案效果模拟图和方案各项指标；所述方案效果模拟图，指以规划范围道路平面图为基础，利用建模软件对车行道和人行道进行贴图，其中车行道为沥青纹理贴图，人行道为砖块贴图；再对道路网模型进行渲染，并利用图像编辑软件将模型渲染图与无人机航拍的真实场景进行结合，形成方案效果模拟图进行展示；所述方案各项指标包括各条道路的等级、道路红线宽度、道路红线倒角，以及道路划分的街坊边长和面积、规划范围支路网密度、“十”字路口结点占全部路口结点的比例。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923489.5A CN112052547B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的城市道路网络自动生成方法 |
| US17/616,293 US20220309203A1 (en) | 2020-09-04 | 2020-10-28 | Artificial intelligence-based automatic generation method for urban road network |
| PCT/CN2020/124318 WO2022047958A1 (zh) | 2020-09-04 | 2020-10-28 | 一种基于人工智能的城市道路网络自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010923489.5A CN112052547B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的城市道路网络自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112052547A CN112052547A (zh) | 2020-12-08 |
| CN112052547B true CN112052547B (zh) | 2021-07-23 |
Family
ID=73607061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010923489.5A Active CN112052547B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的城市道路网络自动生成方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220309203A1 (zh) |
| CN (1) | CN112052547B (zh) |
| WO (1) | WO2022047958A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651059B (zh) * | 2020-12-18 | 2022-11-08 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
| CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、***、存储介质及电子设备 |
| CN113064958B (zh) * | 2021-04-26 | 2021-11-23 | 广州筑鼎建筑与规划设计院有限公司 | 基于图传视频处理技术和数据分析的城市规划设计勘察数据建立处理方法 |
| CN114297176A (zh) * | 2021-12-15 | 2022-04-08 | 东南大学 | 基于人工智能的中国古典园林假山自动生成方法及*** |
| EP4357734A1 (en) * | 2022-10-19 | 2024-04-24 | Electronics and Telecommunications Research Institute | Method, image processing apparatus, and system for generating road image by using two-dimensional map data |
| CN115935489A (zh) * | 2023-01-10 | 2023-04-07 | 广东省建筑设计研究院有限公司 | 一种基于bim的城市道路选线三维比选方法 |
| CN116385878B (zh) * | 2023-03-29 | 2023-10-20 | 阿里巴巴（中国）有限公司 | 道路中心线提取方法、分布式***、服务器和存储介质 |
| CN116167148B (zh) * | 2023-04-26 | 2023-07-07 | 青岛理工大学 | 基于局域微气候的城市街区形态优化方法及其*** |
| CN116797055B (zh) * | 2023-08-28 | 2023-11-07 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及*** |
| CN117131581B (zh) * | 2023-10-26 | 2024-02-13 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建***及方法 |
| CN117213471B (zh) * | 2023-11-08 | 2024-02-02 | 国家电投集团科学技术研究院有限公司 | 露天矿区的路网图像获取方法、装置和电子设备 |
| CN117407479A (zh) * | 2023-12-13 | 2024-01-16 | 中电建水环境科技有限公司 | 基于gis的城市排水管网子汇水区自动快速划分方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023161A (zh) * | 2016-05-12 | 2016-10-12 | 南京师范大学 | 一种破碎山脊线的自动关联方法 |
| CN109472390A (zh) * | 2018-09-12 | 2019-03-15 | 郑颖尔 | 基于机器学习的规划方案智能生成方法及*** |
| CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
| US10740532B1 (en) * | 2018-12-20 | 2020-08-11 | Cadence Design Systems, Inc. | Route driven placement of fan-out clock drivers |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8384776B2 (en) * | 2009-04-22 | 2013-02-26 | Toyota Motor Engineering And Manufacturing North America, Inc. | Detection of topological structure from sensor data with application to autonomous driving in semi-structured environments |
| CN101640001B (zh) * | 2009-07-08 | 2011-11-09 | 北京交通大学 | 一种面向仿真***的道路网络绘制装置与方法 |
| CN102175256B (zh) * | 2010-12-27 | 2013-04-17 | 浙江工业大学 | 一种基于进化树拓扑路网构建的路径规划确定方法 |
| CN106096798A (zh) * | 2016-07-05 | 2016-11-09 | 南京航空航天大学 | 一种可达性最优条件下的城市路网优化方法 |
-
2020
- 2020-09-04 CN CN202010923489.5A patent/CN112052547B/zh active Active
- 2020-10-28 WO PCT/CN2020/124318 patent/WO2022047958A1/zh active Application Filing
- 2020-10-28 US US17/616,293 patent/US20220309203A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023161A (zh) * | 2016-05-12 | 2016-10-12 | 南京师范大学 | 一种破碎山脊线的自动关联方法 |
| CN109472390A (zh) * | 2018-09-12 | 2019-03-15 | 郑颖尔 | 基于机器学习的规划方案智能生成方法及*** |
| US10740532B1 (en) * | 2018-12-20 | 2020-08-11 | Cadence Design Systems, Inc. | Route driven placement of fan-out clock drivers |
| CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的城市道路网自动生成;李航;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20180715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112052547A (zh) | 2020-12-08 |
| WO2022047958A1 (zh) | 2022-03-10 |
| US20220309203A1 (en) | 2022-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052547B (zh) | 一种基于人工智能的城市道路网络自动生成方法 | |
| CN112651059B (zh) | 一种基于人工智能的控规地块城市设计多方案生成方法 | |
| Dueker | Geographic information systems and computer-aided mapping | |
| Badwi et al. | 3D-GIS parametric modelling for virtual urban simulation using CityEngine | |
| Liapi | 4D visualization of highway construction projects | |
| Luo et al. | A rule-based city modeling method for supporting district protective planning | |
| Donikian | VUEMS: a virtual urban environment modeling system | |
| Goyal et al. | Use of BIM in development of smart cities: a review | |
| CN113076638A (zh) | 一种基于bim与vissim微观仿真的双向交通导改模拟方法 | |
| Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
| CN113032877A (zh) | 基于bim技术施工场地临建方案的优化方法 | |
| CN113932810A (zh) | 基于多源地理信息模型的城市轨道三维导航地图优化方法 | |
| Murata | 3D-GIS application for urban planning based on 3D city model | |
| Yang et al. | Sustainable urban space expansion in Central Yunnan (China): regional urban integration | |
| CN115758532A (zh) | 一种方格网式城市道路网络人工智能自动生成方法 | |
| Bianchi et al. | An innovational digital tool in GIS procedure: Mapping adriatic coast in abruzzo region to support design of slow mobility routes | |
| Gao et al. | A procedural generation method of urban roads based on osm | |
| Sabri et al. | An innovative tool for optimised development envelope control (dec) analysis and scenario building in digital twin | |
| Suwardhi et al. | 3D surveying, modeling and geo-information system of the new campus of ITB-Indonesia | |
| Kastuari et al. | State of the art of the landscape architecture spatial data model from a geospatial perspective | |
| Kazemi | Knowledge-based generalisation of road networks | |
| Wang et al. | Survey and practice of 3D city modeling | |
| Revell et al. | Generalising and Symbolising Ordnance Survey® Base Scale Data to Create a Prototype 1: 50 000 Scale Vector Map | |
| Akodad et al. | Computational Approaches for Urban Design Within the MENA Region | |
| CN114154382B (zh) | 高分遥感三维可视化铁路选线辅助决策***及方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201208 Assignee: Quanzhou natural resources and Planning Bureau Assignor: SOUTHEAST University Contract record no.: X2022320000088 Denomination of invention: An automatic generation method of urban road network based on Artificial Intelligence Granted publication date: 20210723 License type: Common License Record date: 20220602 |
|
| EE01 | Entry into force of recordation of patent licensing contract |