CN117314198A - 历史文化街区功能更新综合分析方法及*** - Google Patents
历史文化街区功能更新综合分析方法及*** Download PDFInfo
- Publication number
- CN117314198A CN117314198A CN202311388138.9A CN202311388138A CN117314198A CN 117314198 A CN117314198 A CN 117314198A CN 202311388138 A CN202311388138 A CN 202311388138A CN 117314198 A CN117314198 A CN 117314198A
- Authority
- CN
- China
- Prior art keywords
- block
- target block
- data
- geographic
- seasonal
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 81
- 238000005192 partition Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims abstract description 8
- 230000001932 seasonal effect Effects 0.000 claims description 96
- 238000000034 method Methods 0.000 claims description 40
- 230000008901 benefit Effects 0.000 claims description 18
- 230000013011 mating Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010230 functional analysis Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 41
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 9
- 230000001965 increasing effect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000005311 autocorrelation function Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 235000002245 Penicillium camembertii Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种历史文化街区功能更新综合分析方法及***,涉及功能分析领域,包括获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标;基于地理信息***获取所述目标街区以及所述目标街区的周边区域的地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区的历史变化趋势;根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
Description
技术领域
本发明涉及街区功能分析技术,尤其涉及一种历史文化街区功能更新综合分析方法及***。
背景技术
历史文化街区在城市发展中具有重要的文化、历史和社会价值。然而,随着时间的推移,这些街区的功能可能需要更新和调整,以适应现代城市生活的需求,因此,历史文化街区功能更新综合分析技术的发展变得至关重要。
CN115205484A,历史文化街区的三维空间展示方法、装置、设备及介质,公开了制定历史文化街区的二维表达规则、建筑物的二维表达规则和历史文化街区的三维表达规则;以建筑物的房屋面为基底面,根据建筑物的建筑高度在基底面上生成建筑物白模;基于历史文化街区的二维表达规则和建筑物的二维表达规则,对街区矢量范围面进行渲染,生成二维街区展示数据;基于历史文化街区的三维表达规则和街区范围的控高要求,在街区矢量范围面上生成不同高度的街区控高模型;将二维街区展示数据、不同高度的街区控高模型和建筑物白模贴在数字高程模型的格网上,得到历史文化街区的三维空间展示模型,以直观展示历史文化街区内部建筑物的三维空间立体信息。
CN111353130A,历史文化街区空间品质评价方法,公开了通过设定潜变量及显变量的形成确定初始模型,再通过调查确定最终评价模型和权重,最终通过权重与调查问卷值得到评价值。通过定量和定性为居民满意度调查提供了技术支持和数据来源,为历史文化街区的渐进式更新规划活动提供了依据。本发明有助于在城市发展变迁过程中对人与物质环境二者之间的互动性有更深层次的探索,从而进一步优化城市发展质。
现有技术更多的是专注于如何对历史文化街区进行空间展示,但是对于功能更新过程中所需要考虑的诸多因素,例如文化价值、经济价值等均为考虑,难以给功能更新提供有效的决策参考。
发明内容
本发明实施例提供一种历史文化街区功能更新综合分析方法及***,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种历史文化街区功能更新综合分析方法,包括:
获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区各个空间分区的历史变化趋势,其中,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
在一种可选的实施方式中,
基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区包括:
基于所述第一地理数据和所述第二地理数据,随机为所述第一地理数据和所述第二地理数据分配地理权重,并且计算每个地理数据在预设半径范围内所有地理数据的地理权重总和,若所述地理权重总和超过预设权重阈值,则将此地理数据作为核心地理数据,并将所述核心地理数据预设半径范围内的地理数据作为边界点;
根据所述核心地理数据、所述核心地理数据对应的地理权重,以及所述边界点以及所述边界点对应的地理权重,分别确定所述核心地理数据以及所述边界点对应的数据密度;
确定相邻地理数据的数据密度的密度差值,将所述密度差值低于预设密度阈值的地理数据划分为同一空间分区。
在一种可选的实施方式中,
确定所述目标街区的历史变化趋势包括:
根据各个空间分区对应的时间序列数据,通过预设的时间窗口对所述时间窗口内的时间序列数据进行线性拟合,确定各个空间分区对应的时间序列数据的初始趋势信息;
基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数,并通过指数平滑的方法将所述季节性指数从所述时间序列数据中减去,确定所述时间序列数据对应的季节性成分;
将所述时间序列数据中未被所述初始趋势信息和所述季节性成分解释的数据作为残差成分,也即,将所述时间序列数据减去所述初始趋势信息和所述季节性成分得到所述残差成分;
将所述初始趋势信息、所述季节性成分以及残差信息拼接为所述目标街区各个空间分区的历史变化趋势。
在一种可选的实施方式中,
基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数包括:
;
其中,SeaNum表示季节性指数,T表示单位周期,t表示时间点,Amp表示季节性振幅,SP表示季节性周期,Phase表示季节性相位。
在一种可选的实施方式中,
根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案包括:
所述目标街区的资源可利用包括经济收益、土地利用率和就业岗位中至少一种,根据所述目标街区的历史变化趋势结合所述街区功能信息对应的评价指标,分为别所述经济收益、所述土地利用率和所述就业岗位分配对应的权重,构建以所述目标街区的资源可利用最大化为目标的目标函数;
随机生成初始化种群,所述初始化种群中每个个体表示将目标街区的更新方案;
以所述目标街区的资源可利用最大化为目标的目标函数,以及违反所述约束条件的惩罚项共同构成每个个体对应的适应度函数;
选择所述适应度函数对应的适应度值超过预设适应度阈值的多个个体组成精英库,并选择所述精英库中适应度值最高的个体记为初始最优个体,根据预设的种群分割策略将所述精英库分割,得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作,组成综合种群;
从所述综合种群中选择个体对应的非支配排序的解,作为最终的更新方案。
在一种可选的实施方式中,
构建以所述目标街区的资源可利用最大化为目标的目标函数包括:
;
其中,F表示目标函数对应的目标值,N表示空间分区的数量,E i、L i、W i分别表示第i个空间分区的经济收益、土地利用率以及就业岗位,Q ei、Q li、Q wi分别表示第i个空间分区的经济收益、土地利用率以及就业岗位对应的权重,M L、M W分别表示土地利用率以及就业岗位对应的权重调节因子。
在一种可选的实施方式中,
得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作包括:
若个体来自第一子种群,则对所述第一子种群中的个体与所述初始最优个体进行协作交叉操作,确定所述第一子种群中的个体与所述初始最优个体的差异度,若所述差异度小于预设差异阈值,则随机在所述第一子种群中的个体和所述初始最优个体中选择多个交叉点,然后进行交换,生成新的个体;
若个体来自第二子种群,则对所述第二子种群中的个体与所述初始最优个体进行均匀交叉操作。
本发明实施例的第二方面,
提供一种历史文化街区功能更新综合分析***,包括:
第一单元,用于获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
第二单元,用于基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区各个空间分区的历史变化趋势,其中,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
第三单元,用于根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果,在此不再赘述。
附图说明
图1为本发明实施例历史文化街区功能更新综合分析方法的流程示意图;
图2为本发明实施例历史文化街区功能更新综合分析***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例历史文化街区功能更新综合分析方法的流程示意图,如图1所示,所述方法包括:
S101. 获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标;
示例性地,获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
街区文化价值用于指示街区内蕴含的历史、传统和艺术等文化特征,以及在社区中的影响,这可以包括历史建筑、文化遗址、传统工艺和举办的文化活动等;保护和提升街区文化价值有助于传承文化遗产,增强社区认同感。其中,街区文化价值对应的评价指标可以包括街区内历史性建筑数量,用于衡量文化遗产保护程度以及街区内举办文化活动的频率,用于衡量文化活跃程度等。假设目标街区是一个有着悠久历史的古老街区,其中有15座被认定为历史建筑的建筑物;每年举办的文化活动包括庙会、传统工艺展示等,平均每月有3次文化活动。
街区经济价值用于指示涉及街区作为商业和经济中心的角色,可以通过商业活动、就业机会和商业租金等来衡量;经济价值的提升可以为社区创造就业机会、增加税收收入,从而促进经济繁荣。其中,街区经济价值对应的评价指标可以包括商业租金平均收入:街区商业用地的租金平均收入,用于衡量商业经济价值;就业机会数量:街区内创造的就业机会数量,用于衡量经济发展潜力。
街区环境价值综合考虑了街区内的生态平衡、绿化、空气质量等因素。其中,街区环境价值对应的评价指标可以包括绿化覆盖率,街区内的绿化面积占总面积的比例,用于衡量环境质量以及街区内的空气质量指数,用于衡量环境健康状况等。假设目标街区的绿化面积占总面积的比例为30%,街区内的空气质量指数为60,属于中等水平。
S102. 基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区的历史变化趋势;
示例性地,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
可选地,可以使用卫星影像数据、数字高程模型(DEM)或LiDAR数据获取目标街区和周边区域的地形信息,包括地势高度和地形特征;利用地理信息***获取土地利用数据,识别目标街区和周边区域内不同土地用途,如商业、住宅、公园等;获取道路网络数据,包括道路类型、交通流量、道路宽度等信息,以支持路径分析和空间聚类;收集建筑物的地理坐标、高度、建筑年代等信息,以支持建筑物聚类和历史变化分析。
基于聚类算法,如K均值聚类、DBSCAN、层次聚类等,对目标街区和周边区域的地理数据进行空间聚类,将目标街区划分为具有相似地理特征的空间分区;确定聚类特征,例如地形高度、土地利用类型、道路密度、建筑分布等,以便进行聚类分析,将地理数据输入所选的聚类算法,执行空间聚类分析,其中,每个空间分区应该具有相似的地理特征。
创建时间序列数据库,将历史文化街区的相关时间序列数据,如文化遗产价值、经济数据、环境质量等,纳入数据库;将地理数据和时间序列数据关联起来,以建立地理数据和时间数据的关系。使用时间序列数据库,分析不同空间分区的历史数据,了解文化遗产、经济、环境等方面的变化趋势。这可以包括时间序列图、趋势分析和季节性变化等。利用地图可视化工具和时间序列图表,将历史变化趋势可视化展示,以帮助决策者更好地理解数据。
通过空间聚类算法,可以将目标街区划分为多个空间分区,每个分区具有相似的地理特征,有助于更精确地理解目标街区内的地理差异,例如不同区域的地形、土地利用、建筑分布等;结合预先构建的时间序列数据库,可以对目标街区的历史数据进行分析,识别并可视化历史变化趋势,有助于了解文化遗产、经济、环境等方面的演变情况,包括哪些因素对历史文化街区产生了影响;通过深入了解历史变化趋势,决策者可以更精细地规划资源的配置,以满足不同空间分区的需求,有助于最大化资源利用效率;基于客观的地理和历史信息,数据支持的决策更具可信度,提高了决策的透明性,使利益相关者更容易理解和支持决策。
在一种可选的实施方式中,
基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区包括:
基于所述第一地理数据和所述第二地理数据,随机为所述第一地理数据和所述第二地理数据分配地理权重,并且计算每个地理数据在预设半径范围内所有地理数据的地理权重总和,若所述地理权重总和超过预设权重阈值,则将此地理数据作为核心地理数据,并将所述核心地理数据预设半径范围内的地理数据作为边界点;
根据所述核心地理数据、所述核心地理数据对应的地理权重,以及所述边界点以及所述边界点对应的地理权重,分别确定所述核心地理数据以及所述边界点对应的数据密度;
通过相邻数据密度的密度差值,将所述密度差值低于预设密度阈值的地理数据划分为同一空间分区。
示例性地,从地理信息***(GIS)中获取目标街区的第一地理数据和周边区域的第二地理数据,随机为每个数据点分配地理权重,可以在[0, 1]范围内随机生成,设置预设权重阈值和预设密度阈值;对于每个数据点(第一和第二地理数据),计算在预设半径范围内所有其他地理数据的地理权重总和;如果地理权重总和超过预设权重阈值,则将该数据点标识为核心地理数据,同时,将预设半径范围内的其他地理数据标识为边界点。
对于核心地理数据,使用其对应的地理权重计算数据密度。密度可以按照核心地理数据周围的地理权重总和来定义,这反映了该地理数据周围的数据密度;对于边界点,同样使用其对应的地理权重计算数据密度,但是,边界点的密度通常会较低,因为它们不具备核心地理数据那样的权重总和。
计算核心地理数据的密度差值,即核心地理数据的数据密度减去周围边界点的数据密度;如果密度差值低于预设密度阈值,则将该核心地理数据与其周围的边界点划分到同一空间分区中;继续上述过程,对所有核心地理数据进行处理,逐步将它们划分到不同的空间分区中。
本申请的空间聚类算法是基于DBSCAN算法改进的,能够更好地处理不同数据点的权重,这在一些情况下可以提高聚类的准确性和适用性,特别是当一些数据点对于聚类的重要性不同或者密度不均匀分布时,这个改进的技术方案可用于更精确地划分历史文化街区的空间分区,为功能更新提供更具针对性的支持。
示例性地,时间序列数据库是一种专门用于存储和管理时间序列数据的数据库***。时间序列数据是按照时间顺序排列的数据点的集合,通常包括与时间相关的度量值或事件的时间戳。这些数据库旨在有效地处理和分析大量时间序列数据,并提供用于查询、分析和可视化的工具。其中,
时间戳:每个时间序列数据点都关联有时间戳,用于标识数据点发生的时间,时间戳可以是日期时间格式,允许高精度的时间跟踪。
数据存储:时间序列数据库以专门的方式存储时间序列数据,以便快速检索和分析,这通常包括对数据的索引、分区和压缩,以减少存储和查询成本。
查询和分析:时间序列数据库提供强大的查询和分析功能,允许用户执行各种操作,如聚合、过滤、插值和预测,这些功能使用户能够更好地理解时间序列数据的趋势和模式。
可选地,从时间序列数据库中提取历史数据,确保数据具有一定的时间间隔;使用初始趋势估计方法(例如局部线性拟合或指数平滑)估计数据的初始趋势,这将有助于初步了解趋势的大致方向。
在有趋势的情况下,季节性的分解变得更复杂,因为季节性效应可能受趋势的影响,使用季节分解算法,如X-12-ARIMA或TBATS(Trigonometric seasonal decompositionof time series with trend and seasonality),这些算法可以同时处理季节性和趋势。
通过重新估计趋势,以考虑季节性分解的结果,这可以通过不断调整趋势估计来实现,以更好地捕捉真实的趋势;计算每个季节性周期的季节指数,季节指数表示每个季节的相对强度或影响力,这些指数可以通过将每个季节内的数据除以平均值来计算,季节指数的计算能够更好地理解季节性的影响。
在平滑季节性和计算季节指数后,进行趋势分析,可以使用线性回归或其他趋势分析方法来识别和描述趋势的方向和强度;通过将趋势和季节性指数相乘来重建时间序列,这可以提供一个更准确的时间序列模型,包括趋势、季节性和残差部分。
具体地,
根据各个空间分区对应的时间序列数据,通过预设的时间窗口对所述时间窗口内的时间序列数据进行线性拟合,确定各个空间分区对应的时间序列数据的初始趋势信息;
基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数,并通过指数平滑的方法将所述季节性指数从所述时间序列数据中减去,确定所述时间序列数据对应的季节性成分;
将所述时间序列数据中未被所述初始趋势信息和所述季节性成分解释的数据作为残差成分,也即,将所述时间序列数据减去所述初始趋势信息和所述季节性成分得到所述残差成分;
将所述初始趋势信息、所述季节性成分以及残差信息拼接为所述目标街区各个空间分区的历史变化趋势。
在一种可选的实施方式中,
基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数包括:
;
其中,SeaNum表示季节性指数,T表示单位周期,t表示时间点,Amp表示季节性振幅,SP表示季节性周期,Phase表示季节性相位。
可选地,选择一个局部窗口宽度参数,通常称为带宽(bandwidth),决定了在拟合过程中考虑多少邻近数据点,带宽越小,拟合越敏感于局部数据的波动,带宽越大,拟合越平滑;这是一个需要调整的超参数,可以根据数据的性质来选择。
根据当前数据点的时间戳,选择一个局部窗口,包括该时间点附近的数据点,窗口宽度由带宽参数决定;对选定的局部窗口内的数据点执行线性拟合,这可以通过最小二乘法来完成,拟合一个线性模型(通常是一次线性模型,即直线),表示在这个局部窗口内的数据点之间的趋势;使用拟合模型来估计当前时间点的初始趋势,重复上述步骤,对时间序列中的每个数据点都进行局部线性拟合,从而获得整个时间序列的初始趋势。
当数据中存在噪声或短期波动时,带宽参数的选择在一定程度上控制了拟合的灵敏度,可以根据数据特点进行调整;局部线性拟合方法提供了一种简单而有效的方式来分析时间序列数据的初始趋势。
示例性地,季节性振幅表示季节性模式的幅度或振动大小,衡量了季节性效应在时间序列中的波动程度,较大的季节性振幅表示季节性成分在时间序列中的影响更显著,而较小的振幅表示季节性效应相对较弱。季节性振幅可以通过以下方式估计:周期性极值点检测:使用已知的时间序列数据的周期性极值点来估计季节性振幅,这些极值点通常对应于季节性波峰和波谷;傅里叶变换:可以使用傅里叶变换将时间序列转换为频域,然后从频域中估计季节性振幅。
季节性周期是季节性模式的周期性重复时间间隔,表示在时间序列中季节性效应重复出现的时间单位数,通常以季度、月份或周数为单位。季节性周期可以通过以下方式估计:自相关函数:使用自相关函数(ACF)来识别时间序列数据的主要周期性,ACF将显示出周期性成分的滞后;可以使用谱分析来查找频谱中的显著周期,这些周期对应于季节性周期。
季节性相位表示季节性模式在季节周期内的相对位置,描述了季节性效应在周期内的起始点,季节性指数是用来表示时间序列中每个时间点上季节性效应的相对影响的值,它通常以一个指数化的数值来表示,指示了季节性成分对该时间点的贡献。季节性相位可以通过以下方式估计:周期性极值点检测:使用已知的时间序列数据的周期性极值点来估计季节性相位,相位通常与极值点的位置有关;相位差计算:计算季节性模式的相位差,即季节性波形的偏移,这可以通过将季节性波形与参考波形(例如正弦或余弦函数)进行比较来实现。
指数平滑是一种时间序列分析方法,用于平滑和估计数据中的趋势和季节性成分,通过对过去的数据赋予不同的权重,来预测未来的值;在指数平滑中,较早的数据点可能会被赋予较低的权重,而较新的数据点会有更高的权重,这可以使平滑后的时间序列更好地反映最近的趋势和季节性。
示例性地,残差成分是时间序列中未被趋势和季节性模型解释的部分,此外,还可以通过绘制残差时间序列图表,检查残差是否具有明显的模式、趋势或自相关性;计算残差的统计性质,如均值、标准差和自相关系数,以帮助识别异常值或异常模式;残差成分通常被视为时间序列中的随机噪声。在进行预测时,可以将残差视为白噪声,不对其进行特殊处理,或者根据需要进行进一步建模。
综上,季节指数分解改进了季节性效应的捕捉方式,通过平滑季节性和计算季节指数,可以更准确地捕捉季节性的影响,而不会受到随机波动的干扰;通过更准确的季节性分解,趋势分析可以更精确地描述历史变化趋势,从而更好地支持决策制定;季节指数分解可以减少季节性和随机噪声的干扰,提供更稳定和可靠的时间序列分解结果。
S103. 根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
示例性地,资源可利用指的是最大程度地充分利用一个地区或街区的现有资源,以实现经济、社会、文化等方面的发展,这包括土地、建筑、自然资源、人力资源等。
通过优化土地、建筑和其他资源的利用,可以实现经济增长、就业机会增加、提高社区的吸引力、增加税收收入等效果,这可以通过改善建筑、提供新的商业机会、改进基础设施等方式实现。保留历史建筑有助于保护文化遗产,维护社区的历史连续性,提高社区的认同感,并吸引游客和文化爱好者,这有助于维持和增强文化和历史的独特性,促进文化旅游和文化产业的发展。
在一种可选的实施方式中,
根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案包括:
所述目标街区的资源可利用包括经济收益、土地利用率和就业岗位中至少一种,根据所述目标街区的历史变化趋势结合所述街区功能信息对应的评价指标,分为别所述经济收益、所述土地利用率和所述就业岗位分配对应的权重,构建以所述目标街区的资源可利用最大化为目标的目标函数;
在一种可选的实施方式中,
构建以所述目标街区的资源可利用最大化为目标的目标函数包括:
;
其中,F表示目标函数对应的目标值,N表示空间分区的数量,E i、L i、W i分别表示第i个空间分区的经济收益、土地利用率以及就业岗位,Q ei、Q li、Q wi分别表示第i个空间分区的经济收益、土地利用率以及就业岗位对应的权重,M L、M W分别表示土地利用率以及就业岗位对应的权重调节因子。
其中,目标函数的目的是综合考虑各个空间分区的经济收益、土地利用率和就业岗位,并根据权重对它们进行加权,以实现资源的最大利用。可选地,本申请在为经济收益、土地利用率以及就业岗位分配权重的基础上,还进一步给出了权重调节因子,其中,权重调节因子用于调整目标函数中不同权重的参数,它们的作用在于允许根据特定需求或优化目标来动态调整权重,以便更好地满足实际问题的要求,这些因子通常用于调整权重的相对重要性,以适应不同情境或优化目标。
示例性地,当M L小于1时,它减少了土地利用率的权重,使土地利用率对于目标函数的影响减小。当M L大于1时,它增加了土地利用率的权重,使土地利用率对于目标函数的影响增加,M L的作用是在考虑土地利用率时根据需求来调整其相对重要性。相应地,M W也是同样的效果。
随机生成初始化种群,所述初始化种群中每个个体表示将目标街区的更新方案;
以所述目标街区的资源可利用最大化为目标的目标函数,以及违反所述约束条件的惩罚项共同构成每个个体对应的适应度函数;
如果违反约束条件,可以应用一个或多个惩罚项来减少个体的适应度,惩罚项可以是一个常数乘以约束条件的违反程度,或者根据约束条件的不同严重程度而变化;这种方法可以确保在优化过程中考虑了约束条件,如果个体违反了约束条件,其适应度将受到惩罚,这有助于寻找符合资源可利用最大化目标的解,同时确保约束条件得到遵守。适应度函数的具体形式和惩罚项的大小可以根据具体问题和城市规划目标进行调整,以满足实际需求。
选择所述适应度函数对应的适应度值超过预设适应度阈值的多个个体组成精英库,并选择所述精英库中适应度值最高的个体记为初始最优个体,根据预设的种群分割策略将所述精英库分割,得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作,组成综合种群;
从所述综合种群中选择个体对应的非支配排序的解,作为最终的更新方案。
示例性地,从当前种群中选择适应度值超过预设适应度阈值的多个个体,这些个体将被认为是精英个体。适应度阈值通常是一个根据优化问题和需求设置的参数,从精英个体中选择适应度值最高的个体,将其标记为初始最优个体,这个个体代表了当前最优的解决方案。根据预设的种群分割策略,将精英库分割成两个子种群,通常是第一子种群和第二子种群,这个分割过程可以基于不同的策略,例如随机分割、按适应度值分割等。
在一种可选的实施方式中,
得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作包括:
若个体来自第一子种群,则对所述第一子种群中的个体与所述初始最优个体进行协作交叉操作,确定所述第一子种群中的个体与所述初始最优个体的差异度,若所述差异度小于预设差异阈值,则随机在所述第一子种群中的个体和所述初始最优个体中选择多个交叉点,然后进行交换,生成新的个体;
若个体来自第二子种群,则对所述第二子种群中的个体与所述初始最优个体进行均匀交叉操作。
示例性地,本申请中第一子种群通常由一部分精英个体组成,这些精英个体在上一代中具有高适应度值,这些个体被选中以确保一些最优解得以保留,剩余的个体可以通过遗传算法的操作(交叉和变异)来生成。由于包含了上一代的精英,第一子种群具有一定的优势,因为它们来自于已经优化过的个体,这有助于加速优化过程,因为某些优秀解决方案得以保留。
第二子种群也包含精英个体,但通常不同于第一子种群中的精英,这个子种群的个体可能来自于不同的进化路径或经历了不同的遗传操作。第二子种群的个体通常具有更大的多样性,因为它们不仅与第一子种群中的精英不同,而且可能在遗传操作中经历了不同的改变,这有助于维持种群的多样性,避免陷入局部最优解,并在搜索空间中寻找新的解决方案。
可以使用合适的距离或相似性度量来计算个体和初始最优个体之间的差异度,可以是欧几里德距离、余弦相似性或其他适合问题的度量方式;如果差异度小于预设的差异阈值,表示这两个个体非常相似,需要执行协作交叉操作。否则,可以选择采用其他方式处理这两个个体,例如直接复制其中一个个体到下一代。
随机选择一些交叉点,通常是在个体基因序列中随机选定的位置,用于交换基因;在选定的交叉点上,交换两个个体的基因序列部分,以生成新的个体。这个过程有助于引入新的遗传信息,结合了第一子种群的特征和初始最优个体的特征。对于来自第二子种群的个体,执行均匀交叉操作。均匀交叉操作是一种基本的交叉方式,它从两个父代个体中随机选择基因,然后将它们均匀地组合成一个新的个体。
这种策略允许在遗传算法的优化过程中保留和利用具有高适应度值的个体,从而有助于保留优秀解决方案并加速收敛到更好的解决方案。同时,分割精英库并选择交配个体有助于增加种群的多样性,避免陷入局部最优解。
可以理解的是,非支配排序是在多目标优化问题中常用的一种方法,它用于确定解决方案的 Pareto 最优集合,Pareto 最优集合包含了所有不能被其他解支配的解,也就是在多个目标函数的情况下,没有其他解在所有目标上同时优于这些解。对于种群中的每一对解,比较它们在所有目标函数上的表现,如果一个解在至少一个目标上优于另一个解,那么它被认为支配了另一个解;对于每个等级内的解,可以计算它们的拥挤度,用于区分解的密度。拥挤度可以帮助选择一些具有多样性的 Pareto 最优解;非支配排序的结果是一个 Pareto 最优集合,包含了多个解,每个解都在多目标问题中具有一定的优势。这个方法有助于平衡多个目标之间的权衡,使决策者能够从不同的可行解中选择最适合他们目标的解决方案。
图2为本发明实施例历史文化街区功能更新综合分析***的结构示意图,如图2所示,所述***包括:
第一单元,用于获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
第二单元,用于基于地理信息***获取所述目标街区以及所述目标街区的周边区域的地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区的历史变化趋势,其中,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
第三单元,用于根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种历史文化街区功能更新综合分析方法,其特征在于,包括:
获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区各个空间分区的历史变化趋势,其中,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
2.根据权利要求1所述的方法,其特征在于,基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区包括:
基于所述第一地理数据和所述第二地理数据,随机为所述第一地理数据和所述第二地理数据分配地理权重,并且计算每个地理数据在预设半径范围内所有地理数据的地理权重总和,若所述地理权重总和超过预设权重阈值,则将此地理数据作为核心地理数据,并将所述核心地理数据预设半径范围内的地理数据作为边界点;
根据所述核心地理数据、所述核心地理数据对应的地理权重,以及所述边界点以及所述边界点对应的地理权重,分别确定所述核心地理数据以及所述边界点对应的数据密度;
确定相邻地理数据的数据密度的密度差值,将所述密度差值低于预设密度阈值的地理数据划分为同一空间分区。
3.根据权利要求1所述的方法,其特征在于,确定所述目标街区的历史变化趋势包括:
根据各个空间分区对应的时间序列数据,通过预设的时间窗口对所述时间窗口内的时间序列数据进行线性拟合,确定各个空间分区对应的时间序列数据的初始趋势信息;
基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数,并通过指数平滑的方法将所述季节性指数从所述时间序列数据中减去,确定所述时间序列数据对应的季节性成分;
将所述时间序列数据中未被所述初始趋势信息和所述季节性成分解释的数据作为残差成分,也即,将所述时间序列数据减去所述初始趋势信息和所述季节性成分得到所述残差成分;
将所述初始趋势信息、所述季节性成分以及残差信息拼接为所述目标街区各个空间分区的历史变化趋势。
4.根据权利要求3所述的方法,其特征在于,基于所述初始趋势信息,获取所述时间序列数据的季节性振幅、季节性周期以及季节性相位,确定所述时间序列数据的季节性指数包括:
;
其中,SeaNum表示季节性指数,T表示单位周期,t表示时间点,Amp表示季节性振幅,SP表示季节性周期,Phase表示季节性相位。
5.根据权利要求1所述的方法,其特征在于,根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案包括:
所述目标街区的资源可利用包括经济收益、土地利用率和就业岗位中至少一种,根据所述目标街区的历史变化趋势结合所述街区功能信息对应的评价指标,分为别所述经济收益、所述土地利用率和所述就业岗位分配对应的权重,构建以所述目标街区的资源可利用最大化为目标的目标函数;
随机生成初始化种群,所述初始化种群中每个个体表示将目标街区的更新方案;
以所述目标街区的资源可利用最大化为目标的目标函数,以及违反所述约束条件的惩罚项共同构成每个个体对应的适应度函数;
选择所述适应度函数对应的适应度值超过预设适应度阈值的多个个体组成精英库,并选择所述精英库中适应度值最高的个体记为初始最优个体,根据预设的种群分割策略将所述精英库分割,得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作,组成综合种群;
从所述综合种群中选择个体对应的非支配排序的解,作为最终的更新方案。
6.根据权利要求5所述的方法,其特征在于,构建以所述目标街区的资源可利用最大化为目标的目标函数包括:
;
其中,F表示目标函数对应的目标值,N表示空间分区的数量,E i、L i、W i分别表示第i个空间分区的经济收益、土地利用率以及就业岗位,Q ei、Q li、Q wi分别表示第i个空间分区的经济收益、土地利用率以及就业岗位对应的权重,M L、M W分别表示土地利用率以及就业岗位对应的权重调节因子。
7.根据权利要求5所述的方法,其特征在于,得到第一子种群和第二子种群,并分别选出交配个体,所述交配个体与所述初始最优个体完成进化操作包括:
若个体来自第一子种群,则对所述第一子种群中的个体与所述初始最优个体进行协作交叉操作,确定所述第一子种群中的个体与所述初始最优个体的差异度,若所述差异度小于预设差异阈值,则随机在所述第一子种群中的个体和所述初始最优个体中选择多个交叉点,然后进行交换,生成新的个体;
若个体来自第二子种群,则对所述第二子种群中的个体与所述初始最优个体进行均匀交叉操作。
8.一种历史文化街区功能更新综合分析***,其特征在于,包括:
第一单元,用于获取目标街区的街区功能信息,将所述街区功能信息转换为评价指标,其中,所述街区功能信息包括街区文化价值、街区经济价值以及街区环境价值中至少一种;
第二单元,用于基于地理信息***获取所述目标街区的第一地理数据以及所述目标街区的周边区域的第二地理数据,通过空间聚类算法将所述目标街区划分为多个空间分区,结合预先构建的时间序列数据库,确定所述目标街区各个空间分区的历史变化趋势,其中,所述地理数据包括地形、土地利用、道路网络、建筑物、地理坐标中至少一种;
第三单元,用于根据所述目标街区的历史变化趋势,结合所述街区功能信息对应的评价指标,以所述目标街区的资源可利用最大化为目标,以及保留所述目标街区的历史建筑为约束条件,确定所述目标街区的更新方案。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311388138.9A CN117314198B (zh) | 2023-10-25 | 2023-10-25 | 历史文化街区功能更新综合分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311388138.9A CN117314198B (zh) | 2023-10-25 | 2023-10-25 | 历史文化街区功能更新综合分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314198A true CN117314198A (zh) | 2023-12-29 |
CN117314198B CN117314198B (zh) | 2024-03-05 |
Family
ID=89273635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311388138.9A Active CN117314198B (zh) | 2023-10-25 | 2023-10-25 | 历史文化街区功能更新综合分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314198B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
WO2022126806A1 (zh) * | 2020-12-18 | 2022-06-23 | 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 |
CN115205484A (zh) * | 2022-05-23 | 2022-10-18 | 广州市城市规划勘测设计研究院 | 历史文化街区的三维空间展示方法、装置、设备及介质 |
NL2032723A (en) * | 2021-12-07 | 2022-11-23 | Univ Zhejiang Shuren | A method to evaluate the walkable accessibility of public service facilities at street unit level |
CN115391882A (zh) * | 2022-08-09 | 2022-11-25 | 中信建筑设计研究总院有限公司 | 一种多元数据融合全息空间***的构建方法 |
CN115858843A (zh) * | 2022-11-22 | 2023-03-28 | 东南大学 | 一种街区形态的城市空间图谱信息平台及其构建方法 |
CN116452374A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于多智能体的用地规划方案自动生成与交互方法及*** |
CN116452373A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于多目标遗传算法的街区建筑体量智能生成方法与*** |
WO2023185458A1 (zh) * | 2022-03-31 | 2023-10-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
CN116882831A (zh) * | 2023-07-17 | 2023-10-13 | 苏州科技大学 | 城市历史文化街区公共空间活力评价方法及*** |
CN116911507A (zh) * | 2023-07-25 | 2023-10-20 | 西安石油大学 | 基于空间投影寻踪的城市街区活力评价方法及存储介质 |
-
2023
- 2023-10-25 CN CN202311388138.9A patent/CN117314198B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
WO2022126806A1 (zh) * | 2020-12-18 | 2022-06-23 | 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 |
NL2032723A (en) * | 2021-12-07 | 2022-11-23 | Univ Zhejiang Shuren | A method to evaluate the walkable accessibility of public service facilities at street unit level |
WO2023185458A1 (zh) * | 2022-03-31 | 2023-10-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
CN115205484A (zh) * | 2022-05-23 | 2022-10-18 | 广州市城市规划勘测设计研究院 | 历史文化街区的三维空间展示方法、装置、设备及介质 |
CN115391882A (zh) * | 2022-08-09 | 2022-11-25 | 中信建筑设计研究总院有限公司 | 一种多元数据融合全息空间***的构建方法 |
CN115858843A (zh) * | 2022-11-22 | 2023-03-28 | 东南大学 | 一种街区形态的城市空间图谱信息平台及其构建方法 |
CN116452374A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于多智能体的用地规划方案自动生成与交互方法及*** |
CN116452373A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于多目标遗传算法的街区建筑体量智能生成方法与*** |
CN116882831A (zh) * | 2023-07-17 | 2023-10-13 | 苏州科技大学 | 城市历史文化街区公共空间活力评价方法及*** |
CN116911507A (zh) * | 2023-07-25 | 2023-10-20 | 西安石油大学 | 基于空间投影寻踪的城市街区活力评价方法及存储介质 |
Non-Patent Citations (7)
Title |
---|
ROMMEL G. REGIS: "Surrogate-Assisted Particle Swarm with Local Search for Expensive Constrained Optimization", BIOINSPIRED OPTIMIZATION METHODS AND THEIR APPLICATIONS, 12 May 2018 (2018-05-12) * |
宁晓刚;刘娅菲;王浩;郝铭辉;杨伯钢;王淼;: "基于众源数据的北京市主城区功能用地划分研究", 地理与地理信息科学, no. 06, 15 November 2018 (2018-11-15) * |
张恺宁: "历史街区业态功能再生价值研究——以昙华林为例", 中国硕士学位论文全文数据库工程科技Ⅱ辑, no. 01, 15 January 2023 (2023-01-15) * |
曲冰;冷嘉伟;: "基于DEA模型的城市街区形态集约化评价与分析――以南京新街口片区为例", 现代城市研究, no. 04, 15 April 2019 (2019-04-15) * |
曹哲静;龙瀛;刘钊启;刘希宇;陈金留;: "基于数据自适应的上海衡复历史街区慢行***研究与设计", 城市设计, no. 02, 20 April 2017 (2017-04-20) * |
江洁: "基于遗传算法的高密度街区形态设计优化研究——以深圳湾科技生态园为例", 中国硕士学位论文全文数据库工程科技Ⅱ辑, no. 02, 15 February 2022 (2022-02-15) * |
黄勇;石亚灵;: "国内外历史街区保护更新规划与实践评述及启示", 规划师, no. 04, 1 April 2015 (2015-04-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN117314198B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
Pedro et al. | Integrating GIS spatial dimension into BREEAM communities sustainability assessment to support urban planning policies, Lisbon case study | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及*** | |
Khayatian et al. | Building energy retrofit index for policy making and decision support at regional and national scales | |
Wang et al. | Potential impact of land use change on ecosystem services in China | |
Tayman | Assessing uncertainty in small area forecasts: State of the practice and implementation strategy | |
CN110991262A (zh) | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和*** | |
Giupponi et al. | Spatial assessment of water use efficiency (SDG indicator 6.4. 1) for regional policy support | |
Feng et al. | Urban expansion simulation and scenario prediction using cellular automata: comparison between individual and multiple influencing factors | |
CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及*** | |
Cerreta et al. | Assessing urban transformations: A SDSS for the master plan of Castel Capuano, Naples | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
CN112950079B (zh) | 绿地供需数据处理方法、***、计算机设备及存储介质 | |
CN112883133B (zh) | 基于时序数据和功能演变数据的流量预测方法 | |
CN117314198B (zh) | 历史文化街区功能更新综合分析方法及*** | |
Li et al. | Optimization of ecological land use layout based on multimodel coupling | |
Hosseini et al. | Spatial analysis of housing prices in Tehran city | |
Shen et al. | Archetype building energy modeling approaches and applications: A review | |
Li et al. | Assessment of future urban growth impact on landscape pattern using cellular automata model: a case study of Xuzhou city, China | |
Plumejeaud et al. | Transferring indicators into different partitions of geographic space | |
Kobylińska et al. | Using Kernel density estimation for modelling and simulating transaction location | |
Dotoli et al. | Modeling the determinants of urban fragmentation and compaction phenomena in the province of Matera (Basilicata Region-Italy) | |
CN118095573B (zh) | 一种地下水储备量预测方法 | |
Widaningrum et al. | International Journal of Technology |
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 |