CN113704857B - 一种适老型住宅空间布局自动生成方法及*** - Google Patents
一种适老型住宅空间布局自动生成方法及*** Download PDFInfo
- Publication number
- CN113704857B CN113704857B CN202111025167.XA CN202111025167A CN113704857B CN 113704857 B CN113704857 B CN 113704857B CN 202111025167 A CN202111025167 A CN 202111025167A CN 113704857 B CN113704857 B CN 113704857B
- Authority
- CN
- China
- Prior art keywords
- old
- objective function
- room
- residence
- risk
- 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 42
- 230000036541 health Effects 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 13
- 208000017667 Chronic Disease Diseases 0.000 claims description 32
- 230000035622 drinking Effects 0.000 claims description 30
- 230000001419 dependent effect Effects 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 20
- 230000000391 smoking effect Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 7
- 230000003862 health status Effects 0.000 claims description 5
- 238000000692 Student's t-test Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 65
- 238000004458 analytical method Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 230000004083 survival effect Effects 0.000 description 9
- 230000004630 mental health Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Civil Engineering (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种适老型住宅空间布局自动生成方法及***,涉及建筑参数化设计技术领域,方法包括:获取样本数据集;对样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;将输入变量输入多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围;根据住宅面积范围、卫生间数量范围和厨房数量范围确定适老型住宅空间中各房间的面积范围和数量;根据适老型住宅空间中各房间的面积范围和数量以及建立的噪声指数目标函数、步行距离目标函数和相邻偏好目标函数,自动生成适老型住宅空间布局。本发明能够自动生成健康舒适的适老型住宅空间布局。
Description
技术领域
本发明涉及建筑参数化设计技术领域,特别是涉及一种适老型住宅空间布局自动生成方法及***。
背景技术
根据《世界卫生组织报告》,60岁及以上人口的数量和比例正在增加,2019年60岁及以上人口已经超过10亿,约占总人口数的14%;预计到2050年,这一数字将达到21亿。世界各地人口老龄化步伐的急剧加快,也给社会的发展带来了卫生和社会保障、交通、城市规划和建筑建设等诸多挑战。与年轻人相比,老年人在生理和心理上更容易受到居住环境的影响,对居住环境的健康和舒适性要求更高。因此,从健康和舒适的角度进行合理的建筑设计,对老年人的身心健康至关重要。
黄毅在研究论文《Automated generation of optimised building envelope:simulation based multi-objective process using evolutionary algorithm》中提出:空间布局设计对确保最终建筑产品的健康和舒适等建筑性能起着关键作用。然而,传统的建筑空间布局设计存在以下三个问题:(1)在方案设计阶段,建筑师通常依靠以往的经验或已知的经验法则来进行住宅设计,而很少基于数据以老年人为中心***分析健康住宅设计特征;(2)在设计开发过程中,人们通常会考虑建筑美学和物理性能,而忽略健康和舒适性能;(3)解决方案生成后,很少有定量的方法来评估空间布局设计方案的健康性和舒适性。计算和定量分析方法对于支持基于健康和舒适性能的住宅设计决策至关重要,尤其是在信息粒度较低、目标众多且相互冲突的情况下。
综上所述,目前传统的建筑设计空间布局设计方法中没有考虑健康和舒适的建筑性能要求,没有结合健康和舒适这两个参数进行设计,也没有定量的方法来评估。而随着老龄化人口增多,人们对居住空间的健康性和舒适性要求更高,这就迫切需要在早期概念设计阶段就引入健康和舒适这两项建筑性能设计要求,并对健康和舒适性能进行定量评价。因此,如何将健康和舒适这两个参数结合到适老型住宅空间布局设计中,以实现健康舒适的适老型住宅空间布局设计,从而自动生成健康舒适的适老型住宅空间布局成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种适老型住宅空间布局自动生成方法及***,能够自动生成健康舒适的适老型住宅空间布局。
为实现上述目的,本发明提供了如下方案:
一种适老型住宅空间布局自动生成方法,所述方法包括:
获取样本数据集;所述样本数据集包括多个研究对象的样本;每个所述研究对象的样本均包括因变量和自变量;所述因变量包括抑郁状况和自评健康状况;所述自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量;
对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;所述输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;所述多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型;
将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围;
根据所述住宅面积范围、所述卫生间数量范围和所述厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量;
建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数;
根据所述适老型住宅空间中各房间的面积范围和所述适老型住宅空间中各房间的数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局。
可选地,每个所述研究对象的样本还包括协变量;所述协变量包括性别、年龄、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病。
可选地,所述对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量,具体包括:
获取所述样本数据集中的分类变量和连续变量;所述分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病;所述连续变量包括住宅面积和年龄;
对所述分类变量进行卡方检验,得到与所述因变量偏离概率小于0.01的目标分类变量;所述目标分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病;
对所述连续变量进行t检验,得到与所述因变量偏离概率小于0.01的目标连续变量;所述目标连续变量包括住宅面积和年龄;
对所述目标分类变量和所述目标连续变量进行等比例风险假定检验,得到满足等比例风险假定条件的筛选变量;所述满足等比例风险假定条件的筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
对所述满足等比例风险假定条件的筛选变量进行共线性诊断,得到诊断后的目标筛选变量;所述诊断后的目标筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
将所述因变量和所述诊断后的目标筛选变量共同作为多因素Cox比例风险回归模型的输入变量。
可选地,所述将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,还得到影响老年人抑郁状况出现的因素和影响老年人自评健康状况的因素;所述影响老年人抑郁状况出现的因素包括住宅面积、卫生间数量、性别、居住地类型、受教育程度和是否患有慢性疾病;所述影响中老年人自评健康状况的因素包括卫生间数量、居住地类型、受教育程度、饮酒情况和是否患有慢性疾病。
可选地,所述噪声指数目标函数为式中,Tns表示适老型住宅的总体噪声指数,n表示房间总数,NIi表示第i个房间的噪声指数,NIi=k*Si,Si表示第i个房间的面积,k表示第i个房间的噪声系数,NIimax表示第i个房间及其相邻房间中噪声指数的最大值。
可选地,所述步行距离目标函数为TD=d·n;式中,TD表示两个房间之间的步行距离,d表示两个房间之间的路径的长度,n表示老年人日常行为所行走的所述路径的数量。
可选地,所述相邻偏好目标函数为式中,AP表示相邻偏好,n表示房间总数,dij表示房间i和房间j之间的最短直线距离, αij表示相邻偏好系数,αij=1或αij=0;两个房间之间有相邻的偏好, αij=1; 两个房间之间没有相邻的偏好,αij=0。
可选地,所述根据所述适老型住宅空间中各房间的面积范围和数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局,具体包括:
根据所述适老型住宅空间中各房间的面积范围和数量随机生成多个初步老年居住空间功能布局;
对多个所述初步老年居住空间功能布局,利用所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数不断迭代优化,得到具有最小噪声指数、最小步行距离和最大相邻偏好的适老型住宅空间布局。
可选地,所述根据所述适老型住宅空间中各房间的面积范围和数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局,之后还包括:
对所述适老型住宅空间布局中各房间分别进行水平方向和垂直方向的移动,消除所述适老型住宅空间布局中各房间之间的间隔,得到符合工程实际的适老型住宅空间布局。
本发明还提供了如下方案:
一种适老型住宅空间布局自动生成***,所述***包括:
样本数据集获取模块,用于获取样本数据集;所述样本数据集包括多个研究对象的样本;每个所述研究对象的样本均包括因变量和自变量;所述因变量包括抑郁状况和自评健康状况;所述自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量;
样本数据集处理模块,用于对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;所述输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;所述多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型;
房间范围确定模块,用于将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围;
房间面积范围和数量确定模块,用于根据所述住宅面积范围、所述卫生间数量范围和所述厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量;
目标函数建立模块,用于建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数;
适老型住宅空间布局生成模块,用于根据所述适老型住宅空间中各房间的面积范围和所述适老型住宅空间中各房间的数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开的适老型住宅空间布局自动生成方法及***,通过对抑郁状况和自评健康状况相关的住宅类的变量进行处理,确定对抑郁状况和自评健康状况影响较大的住宅类的变量为住宅面积、卫生间数量和厨房数量,从而将健康的相关参数住宅面积、卫生间数量和厨房数量结合到适老型住宅空间布局设计中,通过建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数,从而将舒适的相关约束条件结合到适老型住宅空间布局设计中,以实现健康舒适的适老型住宅空间布局设计,从而自动生成健康舒适的适老型住宅空间布局。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明适老型住宅空间布局自动生成方法实施例的流程图;
图2为本发明以健康舒适为导向的适老型住宅空间布局自动生成式设计及优化方法示意图;
图3为本发明空间布局微调示例图;
图4为本发明适老型住宅空间布局自动生成***实施例的结构图。
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做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。
本发明的目的是提供一种适老型住宅空间布局自动生成方法及***,能够自动生成健康舒适的适老型住宅空间布局。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
首先,对本发明涉及到的一些专业名词进行介绍:
有关Cox比例风险模型的部分名词解释:
1、Cox比例风险回归模型:由英国统计学家Cox提出,并以他的名字命名,简称Cox回归。Cox回归表达为风险函数,又被称为危险率函数(hazard function),其回归分析结果可以由Haz.Ratio解释,代表研究对象每增加单位时间的死亡危险度。Cox比例风险模型表达为风险函数h(t|x),表达如下式:
h(t|x)=h0(t)exp(β1x1+β2x2+...+βnxn)
其中,t代表生存时间,X=(x1,x2,…,xn)代表与生存时间有关的协变量,h0(t)是基准风险函数,β=(β1,β2,…,βn)是回归系数。
Cox比例风险回归函数可以分为两部分,其中基准风险函数h0(t)为非参数,其形状和分布无明确定义,可以依据需求定义形状来描述结局事件发生的分布情况;另一部分协变量的加权线性组合为参数部分,其参数可根据实际情况加以估计。
2、生存时间(survival time):生存时间通常用t表示,代表从观察起点到结局事件发生之间的时间间隔,若观察终点时结局事件仍未发生,则将观察起点到观察终点之间的时间间隔视为生存时间。
3、协变量:指对终点事件的发生产生影响的因素,本发明研究中协变量指影响中老年人心理健康状况的因素,主要为年龄、性别、居住地类型、受教育程度、吸烟和饮酒情况、是否换慢性疾病、是否与家人同住等。
4、风险函数:又名条件死亡率,记为h(t),代表研究个体在某时刻未出现结局事件的情况下,经过单位时间后未出现终点事件的可能性。解释为研究对象在某时刻t时未发生终点事件,但在单位事件内(t,t+△t)段发生终点事件的风险率。见下式:
7、等比例风险假定(简称PH假定):
代表任意两个风险函数的比值,即风险比(hazard ratio,HR)与时间变量无关,可以表示为下式:
其中,a,b=1,2,…,n。由表达式可以看出,风险比的大小与h0(t)无关,也与时间变量t值无关,代表不同预后影响因素向量对应的个体的终点事件发生风险比值在任一时间点均相等,这种情况即为等比例风险假定。
图1为本发明适老型住宅空间布局自动生成方法实施例的流程图。参见图1,该适老型住宅空间布局自动生成方法包括:
步骤101:获取样本数据集;样本数据集包括多个研究对象的样本;每个研究对象的样本均包括因变量和自变量;因变量包括抑郁状况和自评健康状况;自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量。
其中,每个研究对象的样本还包括协变量;协变量包括性别、年龄、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病。
该步骤101中包括多个研究对象的样本数据集可以通过调查或现有统计数据获取,该步骤101之前还包括:
进行样本数据处理,删除无效数据样本。
确定本发明研究的因变量包括抑郁状况和自评健康状况,本发明研究的自变量包括住宅面积和住宅套型配置,其中住宅套型配置包括卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量,本发明研究的协变量包括性别、年龄、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况以及是否患慢性疾病。其中,协变量是指对终点事件的发生产生影响的因素,本发明分析的主体是老年住宅,分析的是影响老年人居住健康性和舒适性的因素。
步骤102:对样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型。
该步骤102具体包括:
获取样本数据集中的分类变量和连续变量;分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病;连续变量包括住宅面积和年龄。
对分类变量进行卡方检验,得到与因变量偏离概率小于0.01的目标分类变量;目标分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病。
对连续变量进行t检验,得到与因变量偏离概率小于0.01的目标连续变量;目标连续变量包括住宅面积和年龄。
对目标分类变量和目标连续变量进行等比例风险假定检验,得到满足等比例风险假定条件的筛选变量;所述满足等比例风险假定条件的筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
对所述满足等比例风险假定条件的筛选变量进行共线性诊断,得到诊断后的目标筛选变量;诊断后的目标筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
将因变量和诊断后的目标筛选变量共同作为多因素Cox比例风险回归模型的输入变量;输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住。
该步骤102用于筛选出对因变量影响较大的自变量和协变量。对自变量和协变量进行筛选,筛选方法是:对自变量和协变量中的分类变量(卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况、是否患慢性疾病)进行χ2检验(卡方检验),对协变量中的连续变量(住宅面积、年龄)采用t检验。分别检验自变量和协变量对基线时因变量的影响,若检验计算自变量和协变量与基线时因变量偏离概率p<0.01,则认为有显著影响。反之,若检验计算自变量和协变量与基线时因变量偏离概率p≥0.01,则认为影响较小,剔除这部分影响较小的自变量和协变量。
通过对协变量进行χ2检验和t检验得出:住宅面积、住宅套型配置(包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量)、年龄、性别、居住地类型、受教育程度、与家人同居情况、吸烟状况、饮酒状况、是否患慢性疾病,对基线时是否出现抑郁问题以及自评健康状况均具有显著影响。
其中,采用现有的χ2检验方法,对分类变量进行检验后,筛选出对老年人抑郁状况和自评健康状况影响较大的目标分类变量。
采用现有的t检验方法,对连续变量进行检验后,筛选出对老年人抑郁状况和自评健康状况影响较大的目标连续变量。
通过χ2检验和t检验的自变量和协变量,得到对基线时是否出现抑郁问题以及自评健康状况有显著影响的自变量和协变量,然后对这些变量进行Cox比例风险假定检验。
Cox比例风险假定检验具体为:在确定了对基线时因变量具有显著影响的自变量和协变量之后,分别对2个Cox比例风险回归模型(分析抑郁状况影响风险的多因素Cox比例风险回归模型、分析自评健康状况的多因素Cox比例风险回归模型)进行了等比例风险假定(简称PH假定)检验,判断研究对象是否满足PH假定条件的方法是:(1)通过绘制自变量和协变量在不同分类情形下的生存率曲线图进行判断,若曲线交叉,代表不满足PH假定,对变量进行分类和赋值如表1所示,表1中变量分类及赋值的作用是为了进行PH假定检验。(2)通过绘制自变量和协变量在不同分类情形下的log(-log(生存率))随时间变量的变化趋势图进行判断,若趋势线存交叉,表明等比例风险假定条件不成立。
表1变量分类及赋值
变量定义 | 变量分类及赋值 |
生存时间 | 2年=2,4年=4 |
结局变量 | 发病=1,删失(未发病或失访)=0 |
住宅面积 | 10-69㎡=1,70-99㎡=2,100-134㎡=3,135-500㎡=4 |
卧室数量 | 1个卧室=1,2个卧室=2,3个卧室=3,3个以上卧室=4 |
客厅数量 | 没有客厅=1,1个客厅=2,1个以上客厅=3 |
卫生间数量 | 没有卫生间=1,1个卫生间=2,1个以上卫生间=3 |
厨房数量 | 没有厨房=1,1个厨房=2,1个以上厨房=3 |
阳台数量 | 没有阳台=1,1个阳台=2,1个以上阳台=3 |
年龄 | 45-59岁=1,60-74岁=2,75岁及以上=3 |
性别 | 男性=1,女性=2 |
居住地类型 | 城镇=1,农村=2 |
受教育程度 | 小学以下=1,小学=2,中/高/职业学校=3,大专及以上=4 |
吸烟情况 | 不吸=0,吸烟=1 |
饮酒情况 | 不饮酒=0,饮酒=1 |
是否患慢性疾病 | 未患=0,患=1 |
是否与家人同住 | 否=0,是=1 |
抑郁状况的PH假定条件检验结果显示:卧室数量、客厅数量、年龄三个因素不满足检验,被排除;自评健康状况研究的PH假定条件检验结果可以看出卧室数量、阳台数量、吸烟情况三个变量不满足假定检验,被排除。其余11个变量(生存时间、结局变量、住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病、是否与家人同住)视为满足PH假定条件。其中,生存时间和结局变量是进行等比例风险假定检验时设定的变量。表1中有16个变量,剔除5个不满足PH假定检验的变量,还剩11个变量(生存时间、结局变量、住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病、是否与家人同住)。
接着对其余11个变量进行共线性诊断。在构建多因素Cox比例风险回归模型时除了需要考虑变量对结局事件以及生存时间的影响关系之外,还应当考虑各变量之间的共线性问题,如果两个变量存在共线性,则需要将两个变量合并为一个变量分析。采用相关性分析方法,对协变量中两两之间的相关系数进行计算,即对剩下的满足PH假定条件的11个变量中两两之间的相关系数进行计算,计算采用回归方程,相关系数绝对值小于0.7的变量可认为其不存在线性问题。经计算分析,上述变量中两两之间的相关系数绝对值均小于0.7,因此不存在共线问题。
步骤103:将输入变量分别全部输入分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围。
将输入变量分别全部输入分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型中,还得到影响老年人抑郁状况出现的因素和影响老年人自评健康状况的因素;影响老年人抑郁状况出现的因素包括住宅面积、卫生间数量、性别、居住地类型、受教育程度和是否患有慢性疾病;影响中老年人自评健康状况的因素包括卫生间数量、居住地类型、受教育程度、饮酒情况和是否患有慢性疾病。
该步骤103用于Cox比例风险回归模型结果分析。观察起点为n0年即研究对象第一次接受访问的时间,观察终点为研究对象第n年接受随访的时间,结局事件分别为出现抑郁状况和自评健康状况变为不好。将本发明研究的因变量(抑郁状况、自评健康状况)、自变量(住宅面积、卫生间数量、厨房数量)及相关协变量(性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病、是否与家人同住)纳入Cox比例风险回归模型,分别构建2个Cox比例风险回归模型(抑郁状况影响风险的多因素Cox比例风险回归模型、自评健康状况的多因素Cox比例风险回归模型)。
抑郁状况影响风险的多因素Cox比例风险回归模型分析结果显示:住宅面积、卫生间数量、性别、居住地类型、受教育程度、是否患有慢性疾病是影响中老年人抑郁问题出现的主要因素(p<0.01);
住宅面积在S1-S2㎡能显著降低中老年人出现抑郁问题的风险。
与住宅没有卫生间的受访者相比,卫生间数量大于a个的受访者出现抑郁问题的风险显著降低。因此,在适老化住宅功能空间设计时,应当尽量保证面积小于S2㎡且大于S1㎡,卫生间数量多于a个,以满足老年人心理健康需求。
自评健康状况的多因素Cox比例风险回归模型结果显示,卫生间数量、居住地类型、受教育程度、饮酒情况、是否患有慢性疾病五个变量是影响中老年人自评健康状况的主要因素。与住宅没有卫生间的受访者相比,卫生间数量大于a个的受访者出现抑郁问题的风险显著降低,证明了适老化住宅功能空间设计时应当保证至少配备(a+1)个卫生间,以满足老年人使用需求,同时有助于老年人心理健康。
其中,Cox比例风险回归模型输入为影响抑郁的因素,包括自变量和协变量,输出为影响老年人心理健康的因素,模型作用为用Cox比例风险回归模型分析得到影响老年人心理健康的因素。该模型采用现有的公知Cox比例风险回归模型即可,该计算方法比较成熟,不需训练和优化。
步骤104:根据住宅面积范围、卫生间数量范围和厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量。
该步骤104结合步骤103中Cox比例风险回归模型分析得到的结果和《老年人居住建筑设计规范》(GB/T 50340),确定适老型住宅空间中各房间的面积范围和数量。
该步骤104基于步骤103得到的结果,分析确定各功能空间布局参数范围。假设共有9个功能空间,分别命名为主卧、次卧、老人房、客厅、餐厅、主卫、次卫、厨房、阳台。阳台通常设计与客厅相连,位置相对固定,因在使用Dynamo进行适老化住宅功能空间参数化设计时,默认其与客厅相连。依据《老年人居住建筑设计规范》以及《住宅设计规范》中对于住宅功能空间的面积规定,根据Cox分析结果,在满足住宅面积<S2㎡的前提下,对适老化住宅功能空间面积进行了赋值,并在参数化设计时将各功能空间设计为正方形。
根据老年人健康数据的Cox分析结果和《老年人居住建筑设计规范》
(GB/T 50340),可以得出空间布局参数的范围。
在步骤104得到的面积范围内取任意取一个数值进行后续分析,实际设计中可以根据需求在范围内选取各房间的面积值。除此之外,依据各功能空间使用程度划分噪音标准,假设噪声程度(噪声系数):餐厅=客厅=厨房=5,走廊=3,卫生间=2,卧室=1。
步骤105:建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数。
该步骤105中,噪声指数目标函数为式中,Tns表示适老型住宅的总体噪声指数,n表示房间总数,NIi表示第i个房间的噪声指数,NIi=k*Si,Si表示第i个房间的面积,k表示第i个房间的噪声系数,NIimax表示第i个房间及其相邻房间中噪声指数的最大值。根据各区域的功能属性和设计规则,根据其矩形的形状和性质确定噪声指数,然后累积每个区域的大小,确定房屋的总体噪声指数。
步行距离目标函数为TD=d·n;式中,TD表示两个房间之间的步行距离,d表示两个房间之间的路径的长度,n表示老年人日常行为所行走的路径的数量。
相邻偏好目标函数为式中,AP表示相邻偏好,n表示房间总数,dij表示房间i和房间j之间的最短直线距离,αij表示相邻偏好系数,αij=1或αij=0;两个房间之间有相邻的偏好,αij=1;两个房间之间没有相邻的偏好,αij=0。
该步骤105确定噪声指数、步行距离和相邻偏好指标作为生成设计的三个约束条件。噪声考虑了声环境对老年人群的健康影响。步行距离和相邻偏好指标则考虑室内行动的便利性。设计框架满足设计师评估不同设计需求下各种备选方案的适用性。中间设计的优化是多设计要求折衷问题,其目的是确定最佳空间布局方案。为了实现这一目标,本发明分两个阶段对空间布局进行优化:
(1)建立多样的目标函数的生成设计模型,生成最佳方案;
本发明建立了三个目标函数:
根据各区域的功能属性和设计规则,以及房间的形状和性质确定噪声指数(噪声指数NIi=k*Si,其中Si表示第i个房间(空间)的面积,k表示第i个房间的噪声系数),然后累积每个区域的大小确定整体噪声指数Tns,从而确定房屋的总体噪声指数。
其中,Tns表示适老型住宅的总体噪声指数,n表示房间总数,NIi表示第i个房间的噪声指数,NIimax表示第i个房间及其相邻房间中噪声指数的最大值。
室内噪声与房间的形状、功能特性、材料及相关参数有关。本方法中根据动静程度设定基础噪音指数NI客厅=餐厅=厨房=5,走廊=3,卫生间=2,卧室=1,目的在于尽可能使卧室远离噪音指数较大的区域。
基于历史数据频率的计算方法,来预测个体步行距离。每个老年人的步行距离(TD)可以描述为:
TD=d·n (2)
其中,TD表示两个房间之间的步行距离,d表示两个房间之间的路径的长度,一般两个房间之间有一条路径,n表示老年人日常行为所行走的路径的数量。
为了最大限度地减少室内活动不必要的移动,各模块的布局应进行拓扑优化,使各功能空间的相邻偏好系数最大化。为了证明功能布局的有效性,由噪声指数、步行距离和相邻偏好3个约束条件构成的生成式设计模型(包含这三个约束条件(噪声指数、步行距离和相邻偏好)的生成式设计模型)包括一个称为邻近偏好(AP)的性能指标。相邻偏好性能指标使得设计者能够量化拓扑布局的性能。在模型中,用D表示单元间的距离。
相邻偏好使设计者能够量化拓扑布局的性能。式中,n表示房间(单位)总数,dij表示房间i和房间j之间(不同功能区之间)的最短直线距离,αij表示相邻偏好系数(αij∈[0,1],且αij是一个整数)。单元之间有相邻的偏好,αij=1,没有相邻偏好,αij=0。
通过上述三个目标函数,形成最小化功能空间的整体噪声水平,最小化老年人行为路径的步行距离,最大化每个功能空间的相邻偏好这三个约束条件。
步骤106:根据适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量以及噪声指数目标函数、步行距离目标函数和相邻偏好目标函数,自动生成适老型住宅空间布局。
该步骤106具体包括:
根据适老型住宅空间中各房间的面积范围和数量随机生成多个初步老年居住空间功能布局。
对多个初步老年居住空间功能布局,利用噪声指数目标函数、步行距离目标函数和相邻偏好目标函数不断迭代优化,得到具有最小噪声指数、最小步行距离和最大相邻偏好的适老型住宅空间布局。
该步骤106基于dynamo软件编程,将参数和约束的要求作为输入数据存储在文件(.csv)中,迭代优化得到最优老年居住空间功能布局生成设计方案。首先,将各功能空间布局参数输入Revit和python软件,随机生成多个初步老年居住空间功能布局备选方案,即利用dynamo软件进行编程,会生成初步空间功能布局方案,利用该软件自带的生成式设计模块进行分析,分析的过程基于编写在算法中的目标函数限制不断迭代,得出最优解。然后,利用Revit dynamo软件自带的生成式设计模块进行分析,分析的过程基于编写在算法中的三个约束条件限制不断迭代优化。最后,得出最大化满足三个约束条件的老年住宅功能空间布局方案二维设计图。
本发明基于上述步骤构建以健康舒适为导向的适老型住宅空间布局自动生成式设计及优化方法,如图2所示,本发明一种适老型住宅空间布局自动生成式设计及优化方法,包括两个步骤:1)方案设计前的参数预分析;2)生成式设计及优化。其中,参数预分析目的在于通过分析得到影响老年人心理健康和自评健康状况的因素,利用生存分析资料中的生存时间的信息,探讨住宅功能性空间设计与中老年人心理健康及自评健康状况的关系。生成式设计及优化为“自动生成中间设计”基于Cox模型的参数预分析的结果,应用自动生成式设计生成多个解。图2展示了Cox模型定量分析结果转化为中间设计参数的过程。通过定量分析居住环境和老年人身体健康指标之间的相关性,确定了不同功能房间的合理面积和数量,作为中间设计生成时的基本参数以及生成空间布局中输入数据的可选范围。Revit+Pyhton+Dynamo用于实现中间设计的参数化设计,以生成次优的中间设计或者设计备选方案。
本发明提出的以健康舒适为导向的适老型住宅空间布局自动生成式设计及优化方法,考虑健康和舒适的要求进行老年住宅空间布局自动生成式设计及优化,其中,健康从心理健康(主要指抑郁状况)和自评生理健康状况这2项指标评估。本发明创新提出舒适采用噪音指数、步行距离和相邻偏好这3个指标评估。
该步骤106之后还包括:
对适老型住宅空间布局中各房间分别进行水平方向和垂直方向的移动,消除适老型住宅空间布局中各房间之间的间隔,得到符合工程实际的适老型住宅空间布局,具体为:
结合实际,对自动生成的老年住宅功能空间布局方案最优解进行微调,使布局更紧凑。由于软件生成的空间布局是满足参数和约束条件的最理想化的设计,空间布局不够紧凑,不符合工程实际。因此,需要在自动生成设计的基础上调整空间布局规划,使其空间布局更加紧凑,更符合实际工程设计。调整的目的是尽可能使空间布局紧凑,使其贴近工程实际,但不影响最优解。住宅功能空间布局微调示例如图3所示。
相对于现有技术,本发明的主要优点在于:
1、建筑设计空间布局设计中考虑健康和舒适的建筑性能要求。
2、对健康和舒适性能指标进行了定量分析和评价。
3、创新提出舒适采用噪音指数、步行距离和相邻偏好这3项指标评价。
4、形成一种以健康和舒适为导向的老年住宅空间布局自动生成式设计及优化方法。
图4为本发明适老型住宅空间布局自动生成***实施例的结构图。参见图3,该适老型住宅空间布局自动生成***包括:
样本数据集获取模块401,用于获取样本数据集;样本数据集包括多个研究对象的样本;每个研究对象的样本均包括因变量和自变量;因变量包括抑郁状况和自评健康状况;自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量。
样本数据集处理模块402,用于对样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型。
房间范围确定模块403,用于将输入变量分别全部输入分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围。
房间面积范围和数量确定模块404,用于根据住宅面积范围、卫生间数量范围和厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量。
目标函数建立模块405,用于建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数。
适老型住宅空间布局生成模块406,用于根据适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量以及噪声指数目标函数、步行距离目标函数和相邻偏好目标函数,自动生成适老型住宅空间布局。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种适老型住宅空间布局自动生成方法,其特征在于,所述方法包括:
获取样本数据集;所述样本数据集包括多个研究对象的样本;每个所述研究对象的样本均包括因变量和自变量;所述因变量包括抑郁状况和自评健康状况;所述自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量;
对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;所述输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;所述多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型;
将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围;
根据所述住宅面积范围、所述卫生间数量范围和所述厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量;
建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数;
根据所述适老型住宅空间中各房间的面积范围和所述适老型住宅空间中各房间的数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局。
2.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,每个所述研究对象的样本还包括协变量;所述协变量包括性别、年龄、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病。
3.根据权利要求2所述的适老型住宅空间布局自动生成方法,其特征在于,所述对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量,具体包括:
获取所述样本数据集中的分类变量和连续变量;所述分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病;所述连续变量包括住宅面积和年龄;
对所述分类变量进行卡方检验,得到与所述因变量偏离概率小于0.01的目标分类变量;所述目标分类变量包括卧室数量、客厅数量、卫生间数量、厨房数量、阳台数量、性别、居住地类型、受教育程度、是否与家人同住、吸烟情况、饮酒情况和是否患慢性疾病;
对所述连续变量进行t检验,得到与所述因变量偏离概率小于0.01的目标连续变量;所述目标连续变量包括住宅面积和年龄;
对所述目标分类变量和所述目标连续变量进行等比例风险假定检验,得到满足等比例风险假定条件的筛选变量;所述满足等比例风险假定条件的筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
对所述满足等比例风险假定条件的筛选变量进行共线性诊断,得到诊断后的目标筛选变量;所述诊断后的目标筛选变量包括住宅面积、卫生间数量、厨房数量、性别、居住地类型、受教育程度、饮酒情况、是否患慢性疾病和是否与家人同住;
将所述因变量和所述诊断后的目标筛选变量共同作为多因素Cox比例风险回归模型的输入变量。
4.根据权利要求3所述的适老型住宅空间布局自动生成方法,其特征在于,将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,还得到影响老年人抑郁状况出现的因素和影响老年人自评健康状况的因素;所述影响老年人抑郁状况出现的因素包括住宅面积、卫生间数量、性别、居住地类型、受教育程度和是否患有慢性疾病;所述影响老年人自评健康状况的因素包括卫生间数量、居住地类型、受教育程度、饮酒情况和是否患有慢性疾病。
5.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,所述噪声指数目标函数为式中,Tns表示适老型住宅的总体噪声指数,n表示房间总数,NIi表示第i个房间的噪声指数,NIi=k*Si,Si表示第i个房间的面积,k表示第i个房间的噪声系数,NIimax表示第i个房间及其相邻房间中噪声指数的最大值。
6.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,所述步行距离目标函数为TD=d·n;式中,TD表示两个房间之间的步行距离,d表示两个房间之间的路径的长度,n表示老年人日常行为所行走的所述路径的数量。
7.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,所述相邻偏好目标函数为式中,AP表示相邻偏好,n表示房间总数,dij表示房间i和房间j之间的最短直线距离,αij表示相邻偏好系数,αij=1或αij=0;两个房间之间有相邻的偏好,αij=1;两个房间之间没有相邻的偏好,αij=0。
8.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,所述根据所述适老型住宅空间中各房间的面积范围和数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局,具体包括:
根据所述适老型住宅空间中各房间的面积范围和数量随机生成多个初步老年居住空间功能布局;
对多个所述初步老年居住空间功能布局,利用所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数不断迭代优化,得到具有最小噪声指数、最小步行距离和最大相邻偏好的适老型住宅空间布局。
9.根据权利要求1所述的适老型住宅空间布局自动生成方法,其特征在于,所述根据所述适老型住宅空间中各房间的面积范围和数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局,之后还包括:
对所述适老型住宅空间布局中各房间分别进行水平方向和垂直方向的移动,消除所述适老型住宅空间布局中各房间之间的间隔,得到符合工程实际的适老型住宅空间布局。
10.一种适老型住宅空间布局自动生成***,其特征在于,所述***包括:
样本数据集获取模块,用于获取样本数据集;所述样本数据集包括多个研究对象的样本;每个所述研究对象的样本均包括因变量和自变量;所述因变量包括抑郁状况和自评健康状况;所述自变量包括住宅面积、卧室数量、客厅数量、卫生间数量、厨房数量和阳台数量;
样本数据集处理模块,用于对所述样本数据集进行处理,得到多因素Cox比例风险回归模型的输入变量;所述输入变量包括抑郁状况、自评健康状况、住宅面积、卫生间数量和厨房数量;所述多因素Cox比例风险回归模型包括分析抑郁状况影响风险的多因素Cox比例风险回归模型和分析自评健康状况影响风险的多因素Cox比例风险回归模型;
房间范围确定模块,用于将所述输入变量分别全部输入所述分析抑郁状况影响风险的多因素Cox比例风险回归模型和所述分析自评健康状况影响风险的多因素Cox比例风险回归模型中,得到降低抑郁状况和自评健康状况风险的住宅面积范围、卫生间数量范围和厨房数量范围;
房间面积范围和数量确定模块,用于根据所述住宅面积范围、所述卫生间数量范围和所述厨房数量范围确定适老型住宅空间中各房间的面积范围和适老型住宅空间中各房间的数量;
目标函数建立模块,用于建立噪声指数目标函数、步行距离目标函数和相邻偏好目标函数;
适老型住宅空间布局生成模块,用于根据所述适老型住宅空间中各房间的面积范围和所述适老型住宅空间中各房间的数量以及所述噪声指数目标函数、所述步行距离目标函数和所述相邻偏好目标函数,自动生成适老型住宅空间布局。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025167.XA CN113704857B (zh) | 2021-09-02 | 2021-09-02 | 一种适老型住宅空间布局自动生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025167.XA CN113704857B (zh) | 2021-09-02 | 2021-09-02 | 一种适老型住宅空间布局自动生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704857A CN113704857A (zh) | 2021-11-26 |
CN113704857B true CN113704857B (zh) | 2024-04-16 |
Family
ID=78657267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111025167.XA Active CN113704857B (zh) | 2021-09-02 | 2021-09-02 | 一种适老型住宅空间布局自动生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704857B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169063A (zh) * | 2021-12-27 | 2022-03-11 | 北京奥科博思创新科技有限公司 | 一种建筑平面布局方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
CN113255052A (zh) * | 2021-07-09 | 2021-08-13 | 佛山市陶风互联网络科技有限公司 | 一种基于虚拟现实的家装方案推荐方法、***及存储介质 |
-
2021
- 2021-09-02 CN CN202111025167.XA patent/CN113704857B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
CN113255052A (zh) * | 2021-07-09 | 2021-08-13 | 佛山市陶风互联网络科技有限公司 | 一种基于虚拟现实的家装方案推荐方法、***及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于Dynamo的参数化设计研究;韩继宗;居业;20191231(第12期);第36-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113704857A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cooke et al. | Union dissolution and migration | |
Ward et al. | More than health: Quality of life trajectories among older adults—Findings from The Irish Longitudinal Study of Ageing (TILDA) | |
Akinjokun et al. | Place attachment and determinants of living arrangement in the family house in Ibadan, Nigeria | |
Zhao et al. | Multi-domain indoor environmental quality in buildings: A review of their interaction and combined effects on occupant satisfaction | |
CN109961178B (zh) | 户型改造信息的获取方法及装置 | |
Crosby et al. | Correlations between thermal satisfaction and non-thermal conditions of indoor environmental quality: Bayesian inference of a field study of offices | |
CN113704857B (zh) | 一种适老型住宅空间布局自动生成方法及*** | |
Chum et al. | The impact of urban land uses on sleep duration and sleep problems | |
Fan et al. | Research on risk scorecard of sick building syndrome based on machine learning | |
Rouwendal et al. | Homeownership and long-term care | |
Mu et al. | Acoustic environment of comprehensive activity spaces in nursing homes: A case study in Harbin, China | |
Mínguez et al. | Well-being and living arrangement of elderly people from European comparative perspective | |
Pirani et al. | Socioeconomic inequalities and self-rated health: A multilevel study of Italian elderly | |
Yang et al. | Structural Gender Inequality and Mental Health among Chinese Men and Women. | |
Gu et al. | Neighborhood-health links: Differences between rural-to-urban migrants and natives in Shanghai | |
Switek | Explaining well-being over the life cycle: A look at life transitions during young adulthood | |
Choi | The relationships among indoor environmental quality, occupant satisfaction, work performance, and sustainability ethic in sustainable buildings | |
Zhou et al. | Health and comfort oriented automatic generative design and optimization of residence space layout: An integrated data-driven and knowledge-based approach | |
Osei-Poku et al. | Comparative assessment of user-satisfaction with on-campus residential accommodation at Takoradi Technical University, Ghana | |
Kılınç | Institutional environment and place attachment as determinants of elder's life satisfaction | |
Oladiran et al. | Why do natives and non-natives have different housing outcomes? Evidence from Britain | |
CN110717209B (zh) | 设计方案的量化结果获取方法、装置、设备和存储介质 | |
Sadeghloo et al. | Analysis of the Effects of Housing Quality on Health (Physical and Mental) of Villagers (Case Study: Villages of Shandiz District in Binaloud County) | |
Storm et al. | Haunt and poltergeist clearing in Australian residences: A retrospective survey | |
Ballegaard et al. | Users’ Experience in Digital Architectural Design: Combining Qualitative Research Methods with a Generative Model |
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 |