CN112884226A - 基于多智能体算法的国土空间格局模拟规划方法及*** - Google Patents
基于多智能体算法的国土空间格局模拟规划方法及*** Download PDFInfo
- Publication number
- CN112884226A CN112884226A CN202110201118.0A CN202110201118A CN112884226A CN 112884226 A CN112884226 A CN 112884226A CN 202110201118 A CN202110201118 A CN 202110201118A CN 112884226 A CN112884226 A CN 112884226A
- Authority
- CN
- China
- Prior art keywords
- space
- land
- construction
- decision
- agent
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000013439 planning Methods 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 title claims description 31
- 238000010276 construction Methods 0.000 claims abstract description 156
- 238000011160 research Methods 0.000 claims abstract description 60
- 238000011161 development Methods 0.000 claims abstract description 56
- 230000001413 cellular effect Effects 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 64
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 230000009471 action Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 75
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009034 developmental inhibition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多智能体算法的国土空间格局模拟规划方法及***,属于空间规划技术领域。包括:根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果,模拟三区三线的划定,从而辅助国土空间规划编制,以响应当前国土空间规划转型期对空间格局划定的技术诉求。
Description
技术领域
本发明属于空间规划技术领域,更具体地,涉及一种基于多智能体算法的国土空间格局模拟规划方法及***。
背景技术
国土空间规划是生态文明体制建设的重要内容,是各类开发保护建设活动的基本依据。特别是目前关于城镇空间、农业空间及生态空间的三种区域的划分,以及生态保护红线、永久基本农田保护红线及城镇开发边界三种边界线的划分,上述三区三线的智能划定已成为国土空间规划领域的重要研究内容。其中,上述三区侧重于主导功能划分,而三线侧重于边界的刚性管控。目前国内外主要有***动力学、元胞自动机、多智能体、神经网络等方法用于土地利用动态监测、土地利用演化以及城市扩张模拟。其中,元胞自动机及多智能体技术成为广泛使用的场景分析模拟技术,为城市扩展的动态分析和模拟预测提供了新的手段。
从对于城市增长形态和规律的描述看,元胞自动机模型(Cellular Automata,CA)作为一种复杂***时空动态模拟的工具,已经在城市空间增长模拟中得到了较为普遍的应用。元胞自动机空间动态模拟的关键在于确定元胞转换规则,转换规则的确定方法主要有人工神经网络法、逻辑回归法、多因素评价法以及多智能体模型法。由于元胞自动机仅基于土地单元本身的相互作用,在具体应用过程中逐渐凸显不足,也未能有效针对三区三线进行国土空间规划编制,从而现急需一种国土空间格局模拟规划方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于多智能体算法的国土空间格局模拟规划方法及***,其目的在于,解决现有元胞自动机仅基于土地单元本身的相互作用,在具体应用过程中逐渐凸显不足的技术问题。
为实现上述目的,按照本发明的第一个方面,提供了一种基于多智能体算法的国土空间格局模拟规划方法,包括以下步骤:
根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;
根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;
将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果。
优选地,根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据这一过程进一步包括:获取研究区域的各项基础数据,并对各项基础数据进行坐标及格式统一,得到基础数据库;将研究区域内的地图数据转变为网格底图,将基础数据库中的数据标识至网格底图;对于标识后的网格底图中的该网格,若该网格内禁止开发建设要素面积大于预设阈值,则将该网格作为禁止性开发用地,若该网格内禁止开发建设要素面积不大于预设阈值,则将该网格作为可开发性用地;分别划分每一可开发性用地内生态适宜性空间、农业适宜性空间及建设适宜性空间的分布范围,并作为空间要素风险性识别数据。
优选地,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果这一过程进一步包括:基于国土调查数据库中的图斑,提取研究区域内的城镇建设用地,作为元胞自动机模拟城镇开发边界扩张的初始用地状态;根据现有规划规模、人口规模趋势、经济发展趋势及用地增长趋势,确定城镇规划的总用地规模量,基于总用地规模量及多层级传导的建设用地配置函数,确定中心城区与各乡镇在规划期限内的建设用地规模;基于建设用地规模及初始用地状态,确定现状城镇建设用地覆盖的网格,并作为初始状态,将初始状态输入至元胞自动机模型的递归函数中,基于转换规则计算得到每个非建设用地网格新的评价值,并替代初始状态中上一次迭代的评价值,重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取初步划定结果。
优选地,基于转换规则计算得到每个非建设用地网格新的评价值这一过程通过如下两个公式中任一公式计算得到:
valuenew=∑ridvaluerid×typerid;
valuenew=0.4×∑ridvaluerid×typerid+0.6×valuebefore;
其中,对于任一非建设用地网格,valuenew表示该非建设用地网格计算后得到的新的评价值,rid表示该非建设用地网格周围邻近网格的网格编号,valuerid表示该非建设用地网格周围邻近网格的评价值,typerid表示该非建设用地网格周围邻近网格是否为建设用地,valuebefore表示该非建设用地网格上一次迭代的评价值。
优选地,重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取初步划定结果这一过程进一步包括:
调整元胞自动机模型的内参数,以使得内参数按照不同速率增长;其中,内参数的每一次调整对应一次迭代过程;
对于任一当前迭代过程,将当前迭代过程计算得到的每个非建设用地网格新的评价值进行从大到小排序,选取前预设百分比的非建设用地网格转化为建设用地,并判断转化后所形成的总建设用地量是否达到规划建设规模,若转化后所形成的总建设用地量达到规划建设规模,则结束迭代过程,若转化后所形成的总建设用地量未达到规划建设规模,则重复上述内参数调整、评价值计算、评价值排序及非建设用地网格转化的过程,直至转化后所形成的总建设用地量达到规划建设规模,并输出初步划定结果。
优选地,多智能体模型包括Agent决策结构、Agent决策库及Agent决策行为表达;
其中,Agent决策结构包括参与空间开发决策和生态保护决策的行为主体集合、空间开发或生态过程中行为主体之间的交互主题集合、行为主体的状态、行为主体的权重集、行为主体在空间开发过程中实施的空间决策行动的集合以及行为主体对模型中其它行为主体行动策略的概率估计结果;
Agent决策库中包含决策规则,决策规则是基于受限玻尔兹曼机训练得到的;Agent决策行为表达用于基于空间要素风险性识别数据及初步划定结果,使得不同行为主体之间进行博弈,并根据博弈结果确定研究区域的空间格局划分结果。
优选地,决策规则是基于训练数据训练得到的,训练数据包括土地利用类型、综合因子变量及综合因子变量作用下相应用地类型的决策规则集合;相应地,决策规则的训练过程进一步包括:
对受限玻尔兹曼机中的层数、各层节点数、学习速率、迭代周期、连接权值矩阵、偏置矩阵进行初始化,并对行为主体中的结构参数进行初始化;
导入用于正向传播的综合因子变量,以更新行为主体中的结构参数;
导入用于反向传播的综合因子变量及用于反向传播的综合因子变量作用下相应用地类型的决策规则集合,并基于误差反向传播算法对已获取的受限玻尔兹曼机进行调整;
导入用于测试的综合因子变量及用于测试的综合因子变量作用下相应用地类型的决策规则集合,以对已训练完成的Agent决策库的准确率进行测试,若测试结果不满足预设条件,则改变受限玻尔兹曼机中的网络内部结构,并重新进行训练,重复上述训练过程,直至测试结果满足预设条件,则输出最终的Agent决策库。
优选地,综合因子变量包括生态适宜性评价等级、农业适宜性评价等级、城镇适宜性评价等级、主体功能区划因子、城镇发展战略因子、重大项目建设因子、空间保护廊道因子、耕地占补平衡因子、指标区域平衡及空间弹性储备。
优选地,Agent决策行为表达的空间格局划分过程进一步包括:
基于空间要素风险性识别数据及初步划定结果,判断各类行为主体在当前状态下是否能够从Agent决策库中获取相应的决策规则;
若各类行为主体在当前状态下能够从Agent决策库中获取相应的决策规则,则获取相应的决策规则并确定决策行为的所属类型,若各类行为主体在当前状态下未能从Agent决策库中提取相应的决策规则,则从新设决策规则中获取决策规则;
基于获取到的决策规则触发各类行为主体的空间决策行动,以在各类行为主体之间进行博弈交互,重复博弈交互过程直至博弈均衡,根据博弈结果输出研究区域的空间格局划分结果。
按照本发明的第二个方面,提供了一种基于多智能体算法的国土空间格局模拟规划***,包括:
第一模块,根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;
第二模块,用于根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;
第三模块,用于将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果。
本发明实施例提供的基于多智能体算法的国土空间格局模拟规划方法及***,通过本发明所构思的以上技术方案与现有技术相比,能够取得如下有益效果:
(1)由于在识别空间要素风险性时,采用了生态环境资源承载力及建设用地开发适宜性指标双评价的思路,从而相对于现有人为评价划分的方式或者单一维度评价划分的方式,可以得到更为精准的空间要素风险性识别数据。
(2)由于在使用元胞自动机进行元胞转换时,可以融入三区三线的规定,从而可以有效针对三区三线进行国土空间规划编制,进而及时响应当前国土空间规划转型期对于空间格局划定的技术诉求。
(3)由于在空间格局划分时,将空间适宜性识别、元胞自动机模型及多智能体决策模型相结合,划分时的协调性较好,从而整体构建了具有空间韧性的三区三线划定模型,进而划分结果较为稳定。
(4)由于可为不同层级的国土空间规划提供一种新的三区三线划定的思路和实现手段,从而可以有效推动国土空间规划编制实践。
附图说明
图1是本发明实施例提供的一种基于多智能体算法的国土空间格局模拟规划方法的流程示意图;
图2是本发明实施例提供的元胞自动机模拟过程概念示意图;
图3是本发明实施例提供的元胞自动机模拟过程实际操作示意图;
图4是本发明实施例提供的受限玻尔兹曼机的网络学习框架的结构示意图;
图5是本发明实施例提供的三区三线Agent博弈协调示意图;
图6是本发明实施例提供的面向国土空间格局的国土空间规划方法结构图;
图7为本发明实施例提供的一种基于多智能体算法的国土空间格局模拟规划***的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
国土空间规划是生态文明体制建设的重要内容,是各类开发保护建设活动的基本依据。特别是目前关于城镇空间、农业空间及生态空间的三种区域的划分,以及生态保护红线、永久基本农田保护红线及城镇开发边界三种边界线的划分,上述三区三线的智能划定已成为国土空间规划领域的重要研究内容。其中,上述三区侧重于主导功能划分,而三线侧重于边界的刚性管控。目前国内外主要有***动力学、元胞自动机、多智能体、神经网络等方法用于土地利用动态监测、土地利用演化以及城市扩张模拟。其中,元胞自动机及多智能体技术成为广泛使用的场景分析模拟技术,为城市扩展的动态分析和模拟预测提供了新的手段。
从对于城市增长形态和规律的描述看,元胞自动机模型(Cellular Automata,CA)作为一种复杂***时空动态模拟的工具,已经在城市空间增长模拟中得到了较为普遍的应用。元胞自动机空间动态模拟的关键在于确定元胞转换规则,转换规则的确定方法主要有人工神经网络法、逻辑回归法、多因素评价法以及多智能体模型法。
元胞自动机仅基于土地单元本身的相互作用,在具体应用过程中逐渐凸显不足,从而大量改进型模型被提出,比如SLEUTH模型、CLUE-S模型、CA-Markov模型、约束性元胞自动机模型等。然而,即使是提出了大量改进模型,但仍尚未形成完善的三区三线元胞自动机智能化划定技术路线。为拟结合国土专业和城市规划专业知识以提出一种新技术方法来赋予国土空间规划智慧化的新动能和解决新问题,以及科学指导国土空间格局划定工作,以期能有效指导国土空间规划编制工作开展,从而现急需一种国土空间格局模拟规划方法。
基于上述需求,如图1所示,本发明实施例提供了一种基于多智能体算法的国土空间格局模拟规划方法,包括:
步骤101、根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;
步骤102、根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;
步骤103、将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果。
在上述步骤101中,可以先获取研究区域对应模拟空间格局的基础数据,再按照生态环境资源承载力及建设用地开发适宜性指标这两种评价的思路,以开展对研究区域内的空间要素风险性识别。其中,空间要素风险性识别的结果包括三类,分别为生态适宜性、农业适宜性及建设适宜性,也即三区的划分。基础数据指的是用于描述土地使用状况的数据,如目前土地用途的分布、历史建成时的使用信息等等。
通过上述步骤101,可以分别得到每一可开发用地内生态适宜性、农业适宜性及建设适宜性对应空间的分布范围。其中,研究区域对应的网格底图数据,可以按照禁止开发建设要素的比例,进一步划分为禁止性开发用地及可开发性用地。
在上述步骤102中,在提取到建设适宜性空间的分布范围后,可以将其作为模拟城镇开发边界的基础,也即作为底图,从而结合元胞自动机模型完成城镇开发边界的初步划定,以模拟城镇开发边界。其中,城镇开发边界是三线划定之一的控制线。三线中另外两类分别为生态保护红线及永久基本农田保护红线。另外,元胞自动机可以进一步对底图中建设用地进行规划。通过上述步骤102,可以将一些非建设用地网格转化为建设用地网格,以使得底图中建设用地量达到规划时间段内建设用地的上限。
上述步骤101得到的空间要素风险性识别数据,以及上述步骤102得到的初步划定结果,可以作为空间格局划分决策的基础。由于在空间格局划分中,不同类型的行为主体可能会就同一网格存在划分差异,如对于某一网格,自然资源部门就其自身的划分标准可能会将该网格划分为生态保护,而农业农村部门可能会将该网格划分为农田保护,其它行为主体也可能会有不同的划分,从而对于交叉重叠的网格存在划分差异。因此,在上述步骤103中,通过将两者输入至多智能体模型,可以使得不同类型的行为主体进行博弈,从而解决三区三线划定图斑差异问题。
本发明实施例提供的方法,可以带来如下有益效果:
(1)由于在识别空间要素风险性时,采用了生态环境资源承载力及建设用地开发适宜性指标双评价的思路,从而相对于现有人为评价划分的方式或者单一维度评价划分的方式,可以得到更为精准的空间要素风险性识别数据。
(2)由于在使用元胞自动机进行元胞转换时,可以融入三区三线的规定,从而可以有效针对三区三线进行国土空间规划编制,进而及时响应当前国土空间规划转型期对于空间格局划定的技术诉求。
(3)由于在空间格局划分时,将空间适宜性识别、元胞自动机模型及多智能体决策模型相结合,划分时的协调性较好,从而整体构建了具有空间韧性的三区三线划定模型,进而划分结果较为稳定。
(4)由于可为不同层级的国土空间规划提供一种新的三区三线划定的思路和实现手段,从而可以有效推动国土空间规划编制实践。
基于上述实施例的内容,作为一种可选实施例,根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据这一过程进一步包括:获取研究区域的各项基础数据,并对各项基础数据进行坐标及格式统一,得到基础数据库;将研究区域内的地图数据转变为网格底图,将基础数据库中的数据标识至网格底图;对于标识后的网格底图中的任一网格,若该网格内禁止开发建设要素面积大于预设阈值,则将该网格作为禁止性开发用地,若该网格内禁止开发建设要素面积不大于预设阈值,则将该网格作为可开发性用地;分别划分每一可开发性用地内生态适宜性空间、农业适宜性空间及建设适宜性空间的分布范围,并作为空间要素风险性识别数据。
其中,获取到的研究区域的各项基础数据可以为研究范围、永久基本农田、生态红线、数字高程模型、第三次国土调查数据库、兴趣点、人口热力、现状农田分布、蓄滞洪区、地质灾害易发程度、土层厚度、土壤质地、坡度、微观地貌及历年建成区的现状建设用地等数据集。通过对上述数据进行坐标统一、格式统一等数据处理,可形成用于分析的基础数据库。
在得到基础数据库后,可将研究区域内的数据按照分析精度需要处理成适宜的网格底图数据,并将基础数据库中的所有数据标识至网格底图,形成数据网格化。根据标识的网格底图数据,可以将网格划分可开发性用地及禁止开发性用地。具体地,对于任一划分的网格,若该网格内永久基本农田、生态红线、保护水系、地形坡度等禁止开发建设要素的面积大于网格面积30%,则可将该网格作为禁止性开发用地。其中,30%即为预设阈值。
需要说明的是,在上述禁止开发建设要素中,保护水系可以指的是水源保护地以及一、二级河流,地形坡度指的是坡度面积大于25%的高地区域。另外,实际实践中为了便于区分,可以将禁止性开发用地对应的网格赋予属性值(也即type值)为0,而可开发性用地对应的网格赋予属性值为1。
完成上述过程后,可将网格属性值为1的网格再进行细分,具体可按照自然资源部下发的《资源环境承载能力和国土空间开发适宜性评价技术指南(试行)》标准进行评价,从而划分出生态适宜性、农业适宜性与建设适宜性三类适宜性空间的分布范围。
基于上述实施例的内容,作为一种可选实施例,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果这一过程进一步包括:基于国土调查数据库中的图斑,提取研究区域内的城镇建设用地,作为元胞自动机模拟城镇开发边界扩张的初始用地状态;根据现有规划规模、人口规模趋势、经济发展趋势及用地增长趋势,确定城镇规划的总用地规模量,基于总用地规模量及多层级传导的建设用地配置函数,确定中心城区与各乡镇在规划期限内的建设用地规模;基于建设用地规模及初始用地状态,确定现状城镇建设用地覆盖的网格,并作为初始状态,将初始状态输入至元胞自动机模型的递归函数中,基于转换规则计算得到每个非建设用地网格新的评价值,并替代初始状态中上一次迭代的评价值,重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取初步划定结果。
其中,上述确定中心城区与各乡镇的规划期限的建设用地规模的过程可参考如下几个公式:
在上述公式中,Sk表示第k个网格的中心城区新增建设用地,且k∈[1,num]。其中,num表示研究区域内的网格总数,Xk表示第k个网格的用地分配系数,Fk表示第k个网格的中心城区建设用地占县域比例,S表示所有网格的中心城区新增建设用地,Xnk表示第k个网格划分为单元后第n个单元的用地分配系数,n表示第k个网格划分后的单元总数量,fk为第k个网格的中心城区建用地现状面积,ak为第k个网格的现状建设用地总量。
在上述过程中,在确定建设用地规模及初始用地状态之后,可以确定现状城镇建设用地覆盖的网格,并作为初始状态,记作T0。将T0状态的用地输入至元胞自动机模型的递归函数中,基于转换规则计算得到每个非建设用地网格新的评价值(也即新的value值),替代T0状态中原有的评价值。通过进行若干轮的元胞状态变化迭代,也即若干轮由非建设用地到建设用地的状态变化过程,直至总建设用地量达到规划建设规模。需要说明的是,为遵循弹性规划的原则,可以取1.2的系数与规划建设规模相乘,以作为最终的规划建设规模。其中,元胞自动机模拟过程概念示意图可参考图2。
基于上述实施例的内容,作为一种可选实施例,基于转换规则计算得到每个非建设用地网格新的评价值这一过程通过如下两个公式中任一公式计算得到:
valuenew=∑ridvaluerid×typerid;
valuenew=0.4×∑ridvaluerid×typerid+0.6×valuebefore;
其中,对于任一非建设用地网格,valuenew表示该非建设用地网格计算后得到的新的评价值,rid表示该非建设用地网格周围邻近网格的网格编号,valuerid表示该非建设用地网格周围邻近网格的评价值,typerid表示该非建设用地网格周围邻近网格是否为建设用地,valuebefore表示该非建设用地网格上一次迭代的评价值。
上述两个公式即为两种转换规则,规则1中的中心网格新的适宜性评价值由其周围邻近网格的value值与type的乘积之和计算而得,而规则2中的中心网格新的适宜性评价值由其周围邻近网格的value值与type的乘积之和及其自身原有的适宜性评价值,也即上一次迭代的评价值共同计算而得。
基于上述实施例的内容,作为一种可选实施例,重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取初步划定结果这一过程进一步包括:调整元胞自动机模型的内参数,以使得内参数按照不同速率增长;其中,内参数的每一次调整对应一次迭代过程;对于任一当前迭代过程,将当前迭代过程计算得到的每个非建设用地网格新的评价值进行从大到小排序,选取前预设百分比的非建设用地网格转化为建设用地,并判断转化后所形成的总建设用地量是否达到规划建设规模,若转化后所形成的总建设用地量达到规划建设规模,则结束迭代过程,若转化后所形成的总建设用地量未达到规划建设规模,则重复上述内参数调整、评价值计算、评价值排序及非建设用地网格转化的过程,直至转化后所形成的总建设用地量达到规划建设规模,并输出初步划定结果。
其中,在选取前预设百分比的非建设用地网格转化为建设用地时,可将其type值从0变为1。另外,规划建设规模指的是预设时间段内的建设用地上限,如2035年的建设用地上限。输出的初步划定结果即为用地边界增长结果Tn,n为递归次数。上述两种转换规则的计算过程可以参考图3,图3同时为元胞自动机模拟过程实际操作示意图。
基于上述实施例的内容,作为一种可选实施例,多智能体模型包括Agent决策结构、Agent决策库及Agent决策行为表达;其中,Agent决策结构包括参与空间开发决策和生态保护决策的行为主体集合、空间开发或生态过程中行为主体之间的交互主题集合、行为主体的状态、行为主体的权重集、行为主体在空间开发过程中实施的空间决策行动的集合以及行为主体对模型中其它行为主体行动策略的概率估计结果;Agent决策库中包含决策规则,决策规则是基于受限玻尔兹曼机训练得到的;Agent决策行为表达用于基于空间要素风险性识别数据及初步划定结果,使得不同行为主体之间进行博弈,并根据博弈结果确定研究区域的空间格局划分结果。
具体地,定义Agent决策结构可以按照如下算式进行表示,Agent=<Z,G,s,W,a,B>。其中,Agent表示参与空间开发决策和生态保护决策的行为主体。Z表示Agent集合,Z={z1,z2,z3,z4,……,zn}。G为空间开发或生态过程中Agent之间的交互主题集合,如交通区位、生态保护、开发难度及耕地保护等,G={g1,g2,g3,……,gn}。
s为Agent的状态,s=<T,tmax,U,W>。其中,T为Agent的类型,可分为自然资源部门、生态环境部门、农业农村部门、开发企业、公众及环保组织等类型。tmax为Agent交互时限,U为决策效用,U由交互主题权重与主题值之积联合求和表达,W为Agent权重集。
a为各种类型的Agent在空间开发过程中实施的空间决策行动的集合,具体可分为四大类,分别为空间开发行为、生态保护行为、农田保护行为和土地利用冲突协调行为。上述四类行为具体可包括主体功能区划、城镇发展战略、重大项目建设、空间保护廊道、耕地占补平衡、指标区域平衡、空间弹性储备等多种空间决策行动。B为Agent的信念,是对模型中其他Agent行动策略的一种概率估计。
基于上述定义的Agent决策结构,可将多智能体与深度信念网络的Agent决策规则提取进行耦合。其中,城市发展过程中的多Agent决策是建立在规则集合上的动态学习过程,本发明实施例耦合的是多重Agent***理论以及深度信令网络学习框架下的Agent决策规则智能算法。另外,本发明实施例采用的深度信令网络具体为受限玻尔兹曼机,以作为基本建模单元。
受限玻尔兹曼机的网络学习框架共有2层,具体如图4所示。其中,第一层为可视层(V)也叫输入层,它由m个可视节点组成,本发明实施例的侧重点主要包括DX集中的各个因子。第二层为隐含层(H),也即特征提取层,主要包含各类型决策规则的集合,由n个隐藏节点组成。
为了便于理解,现对限制玻尔兹曼机进行如下说明。具体地,限制玻尔兹曼机是一种具有能量的深度学习模型,关于限制玻尔兹曼机在特定状态(v,h)下的联合组态能量可通过如下公式进行表示:
其中,E表示特定状态(v,h)下的联合组态能量,v和h表示给定参数。θ=(W,a,b)是参数集合,a表示可视层节点的偏置,b表示隐藏层节点的偏置,W表示权重集。带上划线的v,a和b表示集合下的均值。
关于限制玻尔兹曼机在一个特定状态下,可以得到给定参数模型(v,h)的联合概率分布:
p(v,h|θ)=e-E=(v,h|θ)/Z(θ);
其中,Z(θ)=∑v,he-E=(v,h|θ)为归一化因子。另外,在已知可见层(隐藏层)前提下,隐藏层(可见层)各个节点互相独立互不相影响,可见层与隐藏层之间的条件分布可参考如下公式:
其中,i和j表示不同的节点,vi表示可见层第i个节点的给定参数,hj表示隐藏层第j个节点的给定参数。
另外,在给定可视层节点的状态时,隐藏层的第j个节点的条件概率分布可参考如下公式:
P(hj=1|v)=σ(bj+∑iviwij);
其中,l表示给定可视层节点的状态,bj表示隐藏层第j个节点的偏置,wij可视层第i个节点与隐藏层第j个节点对应的权重。
同样情况,在给定隐藏层节点的状态时,可见层的第i个节点的条件概率分布可参考如下公式:
P(vj=1|h)=σ(aj+∑iviwij);
其中,aj表示可视层第j个节点的偏置,σ(x)函数是sigmoid的激活函数,x小于0时,函数值为0。x大于0时,函数值为1。
基于上述实施例的内容,作为一种可选实施例,决策规则是基于训练数据训练得到的,训练数据包括土地利用类型、综合因子变量及综合因子变量作用下相应用地类型的决策规则集合;相应地,决策规则的训练过程进一步包括:对受限玻尔兹曼机中的层数、各层节点数、学习速率、迭代周期、连接权值矩阵、偏置矩阵进行初始化,并对行为主体中的结构参数进行初始化;导入用于正向传播的综合因子变量,以更新行为主体中的结构参数;导入用于反向传播的综合因子变量及用于反向传播的综合因子变量作用下相应用地类型的决策规则集合,并基于误差反向传播算法对已获取的受限玻尔兹曼机进行调整;导入用于测试的综合因子变量及用于测试的综合因子变量作用下相应用地类型的决策规则集合,以对已训练完成的Agent决策库的准确率进行测试,若测试结果不满足预设条件,则改变受限玻尔兹曼机中的网络内部结构,并重新进行训练,重复上述训练过程,直至测试结果满足预设条件,则输出最终的Agent决策库。
在上述过程中,可以先构建训练数据的数据结构,具体可以为Dt={Dc,Dx,Dy},Dc={E,A,U}。其中,Dc表示土地利用类型,Dx是综合因子变量,Dy是Dx作用下相应用地类型的决策规则集合。E,A,U分别代表生态用地、农业用地与城镇用地,具体分别对应生态适宜性空间、农业适宜性空间及建设适宜性空间。
基于上述构建的数据结构,可对受限玻尔兹曼机进行训练,以获取各类型Agent的决策规则。在训练之前,可以将之前步骤中处理的历年现状建设用地数据,以及采集的Dx数据和对应的Agent的相关决策规则(由若干Dy组成),作为训练集sample_set(Dr_x、Dr_y、Dn_x、Dn_y、test_x和test_y)并输入模型中进行训练。结合上述训练过程,进一步地,具体训练过程可参考如下步骤:
(1)首先,初始化受限玻尔兹曼机中的层数L、各层节点数N[]、学习速率μ,迭代周期k,连接权值矩阵W[]及偏置矩阵b[];
(2)接着,初始化行为主体Agentu中的结构参数;
(3)导入Dr_x,Dr_训练受限玻尔兹曼机,更新Agentu的结构参数;
(4)导入Dn_x、Dn_y,对已获取的受限玻尔兹曼机采用误差反向传播算法进行微调;
(5)导入test_x、test_y,测试已训练完成的基于受限玻尔兹曼机的多智能体决策规则库的准确率;
(6)若测试出的准确率不满足要求,返回受限玻尔兹曼机的初始化状态,改变受限玻尔兹曼机的内部结构,重新开始训练过程;
(7)最后,经测试输出后的深度神经网络准确率满足要求后,则输出决策规则库。
基于上述实施例的内容,作为一种可选实施例,综合因子变量包括生态适宜性评价等级、农业适宜性评价等级、城镇适宜性评价等级、主体功能区划因子、城镇发展战略因子、重大项目建设因子、空间保护廊道因子、耕地占补平衡因子、指标区域平衡及空间弹性储备。
需要说明的是,空间保护廊道因子可以包括生态廊道等,耕地占补平衡因子可以包括耕地总量平衡,指标区域平衡可以包括市级层面保护/开发指标协同,乡镇层面保护/开发指标协同,空间弹性储备主要指的是预留空间作为后续保护或开发用途。
基于上述实施例的内容,作为一种可选实施例,Agent决策行为表达的空间格局划分过程进一步包括:基于空间要素风险性识别数据及初步划定结果,判断各类行为主体在当前状态下是否能够从Agent决策库中获取相应的决策规则;若各类行为主体在当前状态下能够从Agent决策库中获取相应的决策规则,则获取相应的决策规则并确定决策行为的所属类型,若各类行为主体在当前状态下未能从Agent决策库中提取相应的决策规则,则从新设决策规则中获取决策规则;基于获取到的决策规则触发各类行为主体的空间决策行动,以在各类行为主体之间进行博弈交互,重复博弈交互过程直至博弈均衡,根据博弈结果输出研究区域的空间格局划分结果。
具体地,可以在预设时间段Ti的土地利用过程中,根据空间要素风险性识别数据及初步划定结果,判断各类行为主体在当前状态下能否从决策规则库中获取相应的决策规则。如果能获取到则提取相应的规则,并判断决策行为属于空间开发、生态保护、农田保护中的哪一类型。如果不能获取到则从新设决策规则中获取规则,进而通过规则触发各类行为主体的空间决策行动。重复上述步骤,直至博弈均衡。通过不断重复不同行为主体之间的交互过程,可以解决三区三线划定图斑差异问题,三区三线Agent的博弈协调示意图可参考图5。结合上述实施例的内容,面向国土空间格局的国土空间规划方法流程所对应的规划方法结构图可参考图6。
基于上述实施例的内容,本发明实施例提供了一种基于多智能体算法的国土空间格局模拟规划***,该***用于执行上述方法实施例中提供的基于多智能体算法的国土空间格局模拟规划方法。参见图7,该***包括:
第一模块701,根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;
第二模块702,用于根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;
第三模块703,用于将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;根据空间要素风险性识别数据,提取研究区域内建设适宜性空间的分布范围,将分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取研究区域内城镇开发边界的初步划定结果;将空间要素风险性识别数据及初步划定结果输入至多智能体模型中进行情景优化,输出研究区域的空间格局划分结果。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多智能体算法的国土空间格局模拟规划方法,其特征在于,包括:
根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据。
根据所述空间要素风险性识别数据,提取所述研究区域内建设适宜性空间的分布范围,将所述分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取所述研究区域内城镇开发边界的初步划定结果;
将所述空间要素风险性识别数据及所述初步划定结果输入至多智能体模型中进行情景优化,输出所述研究区域的空间格局划分结果。
2.如权利要求1所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据这一过程进一步包括:
获取所述研究区域的各项基础数据,并对所述各项基础数据进行坐标及格式统一,得到基础数据库;
将研究区域内的地图数据转变为网格底图,将所述基础数据库中的数据标识至所述网格底图。
对于标识后的网格底图中的任一网格,若所述任一网格内禁止开发建设要素面积大于预设阈值,则将所述任一网格作为禁止性开发用地,若所述任一网格内禁止开发建设要素面积不大于预设阈值,则将所述任一网格作为可开发性用地;
分别划分每一可开发性用地内生态适宜性空间、农业适宜性空间及建设适宜性空间的分布范围,并作为所述空间要素风险性识别数据。
3.如权利要求1或2所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述基于元胞自动机模型,获取所述研究区域内城镇开发边界的初步划定结果这一过程进一步包括:
基于国土调查数据库中的图斑,提取所述研究区域内的城镇建设用地,作为元胞自动机模拟城镇开发边界扩张的初始用地状态;
根据现有规划规模、人口规模趋势、经济发展趋势及用地增长趋势,确定城镇规划的总用地规模量,基于所述总用地规模量及多层级传导的建设用地配置函数,确定中心城区与各乡镇在规划期限内的建设用地规模;
基于所述建设用地规模及所述初始用地状态,确定现状城镇建设用地覆盖的网格,并作为初始状态,将所述初始状态输入至所述元胞自动机模型的递归函数中,基于转换规则计算得到每个非建设用地网格新的评价值,并替代所述初始状态中上一次迭代的评价值,重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取所述初步划定结果。
4.如权利要求1至3中任意一项所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述基于转换规则计算得到每个非建设用地网格新的评价值这一过程通过如下两个公式中任一公式计算得到:
valuenew=∑ridvaluerid×typerid;
valuenew=0.4×∑ridvaluerid×typerid+0.6×valuebefore;
其中,对于任一非建设用地网格,valuenew表示所述任一非建设用地网格计算后得到的新的评价值,rid表示所述任一非建设用地网格周围邻近网格的网格编号,valuerid表示所述任一非建设用地网格周围邻近网格的评价值,typerid表示所述任一非建设用地网格周围邻近网格是否为建设用地,valuebefore表示所述任一非建设用地网格上一次迭代的评价值。
5.如权利要求3所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述重复上述元胞变化迭代过程,直至总建设用地量达到规划建设规模,并获取所述初步划定结果这一过程进一步包括:
调整所述元胞自动机模型的内参数,以使得所述内参数按照不同速率增长;其中,内参数的每一次调整对应一次迭代过程;
对于任一当前迭代过程,将当前迭代过程计算得到的每个非建设用地网格新的评价值进行从大到小排序,选取前预设百分比的非建设用地网格转化为建设用地,并判断转化后所形成的总建设用地量是否达到规划建设规模,若转化后所形成的总建设用地量达到规划建设规模,则结束迭代过程,若转化后所形成的总建设用地量未达到规划建设规模,则重复上述内参数调整、评价值计算、评价值排序及非建设用地网格转化的过程,直至转化后所形成的总建设用地量达到规划建设规模,并输出初步划定结果。
6.如权利要求1所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述多智能体模型包括Agent决策结构、Agent决策库及Agent决策行为表达。
其中,所述Agent决策结构包括参与空间开发决策和生态保护决策的行为主体集合、空间开发或生态过程中行为主体之间的交互主题集合、行为主体的状态、行为主体的权重集、行为主体在空间开发过程中实施的空间决策行动的集合以及行为主体对模型中其它行为主体行动策略的概率估计结果;
所述Agent决策库中包含决策规则,决策规则是基于受限玻尔兹曼机训练得到的;所述Agent决策行为表达用于基于所述空间要素风险性识别数据及所述初步划定结果,使得不同行为主体之间进行博弈,并根据博弈结果确定所述研究区域的空间格局划分结果。
7.如权利要求6所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述决策规则是基于训练数据训练得到的,所述训练数据包括土地利用类型、综合因子变量及综合因子变量作用下相应用地类型的决策规则集合;相应地,所述决策规则的训练过程进一步包括:
对所述受限玻尔兹曼机中的层数、各层节点数、学习速率、迭代周期、连接权值矩阵、偏置矩阵进行初始化,并对行为主体中的结构参数进行初始化;
导入用于正向传播的综合因子变量,以更新所述行为主体中的结构参数;
导入用于反向传播的综合因子变量及用于反向传播的综合因子变量作用下相应用地类型的决策规则集合,并基于误差反向传播算法对已获取的受限玻尔兹曼机进行调整;
导入用于测试的综合因子变量及用于测试的综合因子变量作用下相应用地类型的决策规则集合,以对已训练完成的Agent决策库的准确率进行测试,若测试结果不满足预设条件,则改变所述受限玻尔兹曼机中的网络内部结构,并重新进行训练,重复上述训练过程,直至测试结果满足所述预设条件,则输出最终的Agent决策库。
8.如权利要求7所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述综合因子变量包括生态适宜性评价等级、农业适宜性评价等级、城镇适宜性评价等级、主体功能区划因子、城镇发展战略因子、重大项目建设因子、空间保护廊道因子、耕地占补平衡因子、指标区域平衡及空间弹性储备。
9.如权利要求6所述的基于多智能体算法的国土空间格局模拟规划方法,其特征在于,所述Agent决策行为表达的空间格局划分过程进一步包括:
基于所述空间要素风险性识别数据及所述初步划定结果,判断各类行为主体在当前状态下是否能够从Agent决策库中获取相应的决策规则;
若各类行为主体在当前状态下能够从Agent决策库中获取相应的决策规则,则获取相应的决策规则并确定决策行为的所属类型,若各类行为主体在当前状态下未能从Agent决策库中提取相应的决策规则,则从新设决策规则中获取决策规则;
基于获取到的决策规则触发各类行为主体的空间决策行动,以在各类行为主体之间进行博弈交互,重复博弈交互过程直至博弈均衡,根据博弈结果输出所述研究区域的空间格局划分结果。
10.一种基于多智能体算法的国土空间格局模拟规划***,其特征在于,包括:
第一模块,根据生态环境资源承载力及建设用地开发适宜性指标,对研究区域进行空间要素风险性识别,得到空间要素风险性识别数据;
第二模块,用于根据所述空间要素风险性识别数据,提取所述研究区域内建设适宜性空间的分布范围,将所述分布范围作为模拟城镇开发边界的底图,基于元胞自动机模型,获取所述研究区域内城镇开发边界的初步划定结果;
第三模块,用于将所述空间要素风险性识别数据及所述初步划定结果输入至多智能体模型中进行情景优化,输出所述研究区域的空间格局划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201118.0A CN112884226A (zh) | 2021-02-23 | 2021-02-23 | 基于多智能体算法的国土空间格局模拟规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201118.0A CN112884226A (zh) | 2021-02-23 | 2021-02-23 | 基于多智能体算法的国土空间格局模拟规划方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884226A true CN112884226A (zh) | 2021-06-01 |
Family
ID=76053785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201118.0A Withdrawn CN112884226A (zh) | 2021-02-23 | 2021-02-23 | 基于多智能体算法的国土空间格局模拟规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884226A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361774A (zh) * | 2021-06-07 | 2021-09-07 | 四川农业大学 | 一种生态空间集约利用优化方法及*** |
CN113449936A (zh) * | 2021-08-31 | 2021-09-28 | 北京市城市规划设计研究院 | 城市空间演进模拟预测方法、装置、电子设备及存储介质 |
CN113792942A (zh) * | 2021-11-15 | 2021-12-14 | 江西省国土空间调查规划研究院 | 一种国土空间开发利用生态效应动态模拟预测*** |
CN113935532A (zh) * | 2021-10-18 | 2022-01-14 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN113988574A (zh) * | 2021-10-22 | 2022-01-28 | 广州市城市规划勘测设计研究院 | 一种生态保护红线划定方法、装置、终端设备及存储介质 |
CN114549223A (zh) * | 2022-02-24 | 2022-05-27 | 安徽耘联大数据有限公司 | 一种基于大数据的网格化耕地保护方法及*** |
CN114676568A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN115329591A (zh) * | 2022-08-29 | 2022-11-11 | 华中科技大学 | 一种城市空间格局设计方法、***及计算机存储介质 |
CN115099715B (zh) * | 2022-08-08 | 2023-04-14 | 北京新兴科遥信息技术有限公司 | 一种基于大数据的国土空间规划三线划定的分析处理*** |
CN116563073A (zh) * | 2023-04-10 | 2023-08-08 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN118052477A (zh) * | 2024-04-16 | 2024-05-17 | 菏泽市国土综合整治服务中心 | 国土空间综合整治区域生态修复效果评估方法及*** |
-
2021
- 2021-02-23 CN CN202110201118.0A patent/CN112884226A/zh not_active Withdrawn
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361774A (zh) * | 2021-06-07 | 2021-09-07 | 四川农业大学 | 一种生态空间集约利用优化方法及*** |
CN113449936A (zh) * | 2021-08-31 | 2021-09-28 | 北京市城市规划设计研究院 | 城市空间演进模拟预测方法、装置、电子设备及存储介质 |
CN113935532A (zh) * | 2021-10-18 | 2022-01-14 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN113935532B (zh) * | 2021-10-18 | 2024-05-10 | 广东工业大学 | 一种基于帕累托前沿退化的城镇用地空间优化配置方法 |
CN113988574A (zh) * | 2021-10-22 | 2022-01-28 | 广州市城市规划勘测设计研究院 | 一种生态保护红线划定方法、装置、终端设备及存储介质 |
CN113792942A (zh) * | 2021-11-15 | 2021-12-14 | 江西省国土空间调查规划研究院 | 一种国土空间开发利用生态效应动态模拟预测*** |
CN113792942B (zh) * | 2021-11-15 | 2022-02-08 | 江西省国土空间调查规划研究院 | 一种国土空间开发利用生态效应动态模拟预测*** |
CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN114676568A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN114549223A (zh) * | 2022-02-24 | 2022-05-27 | 安徽耘联大数据有限公司 | 一种基于大数据的网格化耕地保护方法及*** |
CN115099715B (zh) * | 2022-08-08 | 2023-04-14 | 北京新兴科遥信息技术有限公司 | 一种基于大数据的国土空间规划三线划定的分析处理*** |
CN115329591A (zh) * | 2022-08-29 | 2022-11-11 | 华中科技大学 | 一种城市空间格局设计方法、***及计算机存储介质 |
CN115329591B (zh) * | 2022-08-29 | 2023-06-20 | 华中科技大学 | 一种城市空间格局设计方法、***及计算机存储介质 |
CN116563073A (zh) * | 2023-04-10 | 2023-08-08 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN116563073B (zh) * | 2023-04-10 | 2024-04-26 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN118052477A (zh) * | 2024-04-16 | 2024-05-17 | 菏泽市国土综合整治服务中心 | 国土空间综合整治区域生态修复效果评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884226A (zh) | 基于多智能体算法的国土空间格局模拟规划方法及*** | |
Yeh et al. | Simulation of development alternatives using neural networks, cellular automata, and GIS for urban planning | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN102750411B (zh) | 基于多智能体离散选择模型城市动态微观仿真方法 | |
CN113468803A (zh) | 一种基于改进的woa-gru洪水流量预测方法及*** | |
CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN112784503B (zh) | 一种闸坝调度下水鸟栖息地适宜性计算方法与装置 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其*** | |
CN113505510B (zh) | 融合景观指数和随机游走模型的生态安全格局识别方法 | |
CN112163367A (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
Dai et al. | Agent-based model of land system: Theory, application and modelling framework | |
CN113902580A (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
Wagener et al. | Identification and evaluation of watershed models | |
Yang et al. | A multitarget land use change simulation model based on cellular automata and its application | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
CN114417724B (zh) | 一种山地城市土地利用演变的模拟方法 | |
CN113449936B (zh) | 城市空间演进模拟预测方法、装置、电子设备及存储介质 | |
Yang et al. | Spatial cognitive modeling of the site selection for traditional rural settlements: A case study of Kengzi Village, Southern China | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117610208A (zh) | 一种基于城市水***模型交互的河流水质水量预测方法 | |
CN112749907A (zh) | 文化生态***的空间特征分析方法及装置 | |
Subiyanto et al. | Modeling changes in land use using the integration of MLP-NN, CA-Markov models and GIS for settlement development in Tembalang District | |
Pérez et al. | Model testing and assessment: perspectives from a swarm intelligence, agent-based model of forest insect infestations | |
CN114118512A (zh) | 基于动态人口数据模型的群体化公共医疗设施配置方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210601 |