CN117521908B - 一种城市空间区域适配性评估方法、***及终端 - Google Patents
一种城市空间区域适配性评估方法、***及终端 Download PDFInfo
- Publication number
- CN117521908B CN117521908B CN202311551854.4A CN202311551854A CN117521908B CN 117521908 B CN117521908 B CN 117521908B CN 202311551854 A CN202311551854 A CN 202311551854A CN 117521908 B CN117521908 B CN 117521908B
- Authority
- CN
- China
- Prior art keywords
- urban
- population
- data
- city
- street view
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 77
- 230000004308 accommodation Effects 0.000 claims abstract description 125
- 230000011664 signaling Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 10
- 238000013178 mathematical model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 208000027744 congestion Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229940108461 rennet Drugs 0.000 description 1
- 108010058314 rennet Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市空间区域适配性评估方法、***及终端,所述方法包括:获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据城市综合指标计算每个城市网格的城市人口容纳量;获取每个城市网格的街景图像数据,根据所有城市人口容纳量和所有街景图像数据分别得到每个城市网格的人口容纳量预测值;获取手机信令数据,根据手机信令数据计算每个城市网格的人口估计量;根据每个人口容纳量预测值和对应的每个人口估计量分别计算每个所市网格的适配性指数,并根据每个适配性指数完成对每个城市网格的城市空间区域适配性评估。本发明实现精细化的适配性评估,为构建更精准的城市结构、实现居民高效出行提供创新的理论基础和技术支撑。
Description
技术领域
本发明涉及空间规划技术领域,尤其涉及一种城市空间区域适配性评估方法、***、终端及计算机可读存储介质。
背景技术
随着城市的不断发展,快速城市化导致人口迅速涌入城市,城市的资源分配和结构承载能力受到了前所未有的挑战。城市空间的生长演化和交通设施的通达改变了城市居民的行为活动,行为活动的模式变得复杂化、多元化和异质化,这对现有城市结构的稳定和发展是一个巨大的挑战。在大部分城市中,复杂的人群流动和有限的城市土地形成强烈反差,为了提高城市空间的宜居性和可持续性,往往需要评估城市空间区域适配性程度,从而构建与居民高效出行相适配的城市空间结构。
但是,传统的城市空间结构适配性的评估方法主要以静态规划数据为主,从土地利用、道路设施等角度审视城市空间结构分布是否适配,传统的评估方法忽视了城市综合指标数据、真实的人群出行活动与城市空间结构之间的相互影响。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种城市空间区域适配性评估方法、***、终端及计算机可读存储介质,旨在解决现有技术中对城市空间结构适配性的评估没有根据城市综合指标数据和真实的人群出行活动,从而导致评估不够准确的问题。
为实现上述目的,本发明提供一种城市空间区域适配性评估方法,所述城市空间区域适配性评估方法包括如下步骤:
获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;
获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。
可选地,所述的城市空间区域适配性评估方法,其中,所述获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,具体包括:
获取城市综合指标数据,将城市空间进行均匀划分,得到多个均匀的城市网格;
根据所述城市综合指标数据得到每个所述城市网格对应的城市网格数据;
分别对每个所述城市网格数据进行标准化处理,得到每个所述城市网格对应的城市地理空间特征;
根据每个所述城市地理空间特征计算每个城市网格对应的城市人口容纳量。
可选地,所述的城市空间区域适配性评估方法,其中,所述获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值,具体包括:
获取每个所述城市网格的街景图像数据,分别将所有所述街景图像数据分为第一街景数据和第二街景数据;
对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量;
构建城市人口容纳量预测模型,并根据所有所述城市人口容纳量和所有所述街景特征向量对所述城市人口容纳量预测模型进行训练;
分别将所有所述第二街景数据输入训练完成的城市人口容纳量预测模型,得到每个所述城市网格对应的人口容纳量预测值。
可选地,所述的城市空间区域适配性评估方法,其中,所述对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量,具体包括:
提取每个所述第一街景数据的低层特征,对所有所述低层特征进行池化操作,得到每个所述第一街景数据对应的第一特征图;
对所有所述第一特征图分别进行卷积操作和残差连接,得到每个所述第一街景数据对应的第二特征图;
对所有所述第二特征图分别进行平均池化操作和全连接操作,得到每个所述第一街景数据对应的街景特征向量。
可选地,所述的城市空间区域适配性评估方法,其中,所述获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量,具体包括:
获取手机信令数据,对所述手机信令数据进行预处理,得到原始轨迹数据;
根据所述原始轨迹数据得到包含所有用户时序轨迹的时序轨迹总集,并根据所述时序轨迹总集得到每个所述城市网格对应的时序轨迹分集;
根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量;
对所有所述人口估计量进行校正处理,并将校正后的人口估计量作为每个所述城市网格最终的人口估计量。
可选地,所述的城市空间区域适配性评估方法,其中,所述根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量,具体包括:
分别获取每个所述时序轨迹分集中每个用户的轨迹点信息,其中,所述轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点;
根据预设的用户属性信息或用户的行为特征确定每个所述城市网格中的每个用户的权重系数;
分别根据所有所述最早轨迹点和所有所述最晚轨迹点计算每个用户在每个所述城市网格中的停留时间;
根据每个所述城市网格中每个用户的轨迹点数量、权重系数和停留时间计算每个所述城市网格对应的人口估计量。
可选地,所述的城市空间区域适配性评估方法,其中,所述根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估,具体包括:
根据每个所述城市网格对应的人口容纳量预测值和人口估计量计算每个所述城市网格的适配性指数;
若所述适配性指数大于或等于第一预设阈值,则生成城市空间区域拥挤的评估结果;
若所述适配性指数小于所述第一预设阈值且大于或等于第二预设阈值,则生成城市空间区域饱和的评估结果;
若所述适配性指数小于所述第二预设阈值且大于或等于第三预设阈值,则生成城市空间区域平衡的评估结果;
若所述适配性指数小于所述第三预设阈值,则生成城市空间区域可发展的评估结果。
此外,为实现上述目的,本发明还提供一种城市空间区域适配性评估***,其中,所述城市空间区域适配性评估***包括:
城市人口容纳量计算模块,用于获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;
人口容纳量预测模块,用于获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
城市人口估计量计算模块,用于获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
城市空间区域适评估模块,用于根据所有所述人口容纳量预测值和所有所述人口估计量分别计算每个所述城市网格的适配性指数,并根据所有所述适配性指数分别完成对每个所述城市网格的城市空间区域适配性评估。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市空间区域适配性评估程序,所述城市空间区域适配性评估程序被所述处理器执行时实现如上所述的城市空间区域适配性评估方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有城市空间区域适配性评估程序,所述城市空间区域适配性评估程序被处理器执行时实现如上所述的城市空间区域适配性评估方法的步骤。
本发明中,获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。本发明实现了动态和精细化的城市空间区域适配性的评估方法,考虑了人类活动对于人流量的影响,从而能够更加真实地评估城市空间区域适配性与改善城市空间结构,为构建更为精准的城市结构、实现居民高效出行提供了创新的理论基础和技术支撑。
附图说明
图1是本发明城市空间区域适配性评估方法的较佳实施例的流程图;
图2是本发明城市空间区域适配性评估方法的较佳实施例的详细流程图;
图3是本发明城市空间区域适配性评估***的较佳实施例的原理示意图;
图4为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
本发明较佳实施例所述的城市空间区域适配性评估方法,如图1和图2所示,所述城市空间区域适配性评估方法包括以下步骤:
步骤S10、获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量。
具体地,城市人口容纳量(R)是指一个城市的生态***和社会经济***能够合理、可持续容纳的人口数量,城市人口容纳量通常与城市的资源、基础设施、环境质量等因素相关联。
首先从官方统计数据、城市建筑轮廓矢量数据,中国环境监测总站等来源汇集一系列精确度量城市人口容纳量的关键指标,后文统称为城市综合指标数据,城市综合指标数据包括建筑高度(H)、建筑密度(D)、空气质量指数(A)、绿化水平(G)、平均收入(I)以及教育水平(E),这些数据构成了计算城市人口容纳量的基础;再将需要进行评估的城市对应的城市空间均匀划分成多个城市网格,每个城市网格都有对应的城市综合指标数据,分别根据每个城市网格对应的城市综合指标数据计算每个城市网格的城市人口容纳量。
需要说明的是,城市综合指标数据处理取决于具体的数据类型、数据的时空分辨率,不局限于本发明所提取的数据来源。
进一步地,所述获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,具体包括:
获取城市综合指标数据,将城市空间进行均匀划分,得到多个均匀的城市网格;根据所述城市综合指标数据得到每个所述城市网格对应的城市网格数据;分别对每个所述城市网格数据进行标准化处理,得到每个所述城市网格对应的城市地理空间特征;根据每个所述城市地理空间特征计算每个城市网格对应的城市人口容纳量。
具体地,先从多个来源中获取到整个城市的城市综合指标数据,然后对获取到的城市综合指标数据进行栅格化处理,实际上就是将城市空间均匀划分为多个大小相同的城市网格(例如在本发明的一个优选实施例中,城市网格的大小为500米*500米),每一个城市网格对应一个元胞Oi,然后再根据整个城市的城市综合指标数据获取到每一个城市网格对应的城市网格数据(同样也包括上文提到的H、D、A、G、I、E,只是表示的是对应城市网格范围内的指标),对每一个城市网格的对应的城市网格数据进行标准化处理,即将建筑高度(H)、建筑密度(D)、空气质量指数(A)、绿化水平(G)、平均收入(I)以及教育水平(E)均缩放到0到1的范围内,具体实现方式为: 其中,K指的是一系列城市网格对应的城市网格数据,k为对应K标准化处理之后的标准化结果。标准化处理之后的标准化结果分别为:标准化建筑高度(h)、标准化建筑密度(d)、标准化空气质量指数(a)、标准化绿化水平(g)、标准化平均收入(i)以及标准化教育水平(e)。
再将每个城市玩个对应的标准化建筑高度(h)、标准化建筑密度(d)、标准化空气质量指数(a)、标准化绿化水平(g)、标准化平均收入(i)以及标准化教育水平(e)拼接成一个六维向量,并将该六维向量作为该城市网格的城市地理空间特征。
通过收集、挖掘数据间的潜在关系,构建了一个非线性数学模型,以计算城市人口容纳量(R),该模型的形式为:将标准化建筑物高度(h)、标准化建筑物密度(d)、标准化空气质量指数(a)、标准化绿化水平(g)作为分子部分因为这类因素对城市人口容纳量有正向影响,高建筑和高密度通常意味着更多的居住空间,好的空气质量和高绿化水平也有助于城市宜居性,从而提高了容纳能力;而标准化平均收入(i)、标准化教育水平(e)这类因素对城市人口容纳量有负面影响,较高的平均收入和更高的教育水平可能会导致人口迁入,增加城市的人口,从而降低了容纳能力。
再将此非线性数学模型转换为指数形式的数学模型,具体表示为:log(R)=log(h)+log(d)+log(a)+log(g)-log(i)-log(e);再将指数形式的数学模型转换为线性形式的数学模型,具体表示为:log(R)=β0+β1log(h)+β2log(d)+β3log(a)+β4log(g)-
β5log(i)-β6log(e);其中,β指的是线性回归系数,表示了各个城市综合指标对城市人口容纳量的影响程度。
然后再使用最小二乘法来估计线性形式的数学模型中的参数,以此构建最终的城市人口容纳量计算模型。在最小二乘法中,目标是最小化误差平方和(SSE),其计算公式为:其中,rs是第s个观测值的实际值,即从官方统计数据中获取的城市人口容纳量的实际值,是第s个观测值的预测值,即根据模型参数和城市综合指标计算出来的城市人口容纳量的预测值,n是观测值的总数。
再求解最小误差平方和(SSE)即可得到β0到β6共7个线性回归系数的具体值,具体为: 其中,hj、dj、aj、gj、ij、ej分别表示标准化建筑物高度(h)、标准化建筑物密度(d)、标准化空气质量指数(a)、标准化绿化水平(g)、标准化平均收入(i)、标准化教育水平(e)的第j个观测值。
待求解完成后,即可完成对城市人口容纳量计算模型的构建,将每个城市网格的城市地理空间特征(也就是上文的六维向量)输入到最终的城市人口容纳量计算模型中,即可完成对每个城市网格对应的城市人口容纳量的计算。
步骤S20、获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值。
具体地,分别获取每个城市网格对应的街景图像数据(也就是500米*500米网格范围内的街景图像数据),根据每个城市网格对应的部分街景图像数据和城市人口容纳量训练预先构建的城市人口容纳量预测模型,并将街景图像数据中没有参与训练的街景图像数据输入到训练完成的城市人口容纳量预测模型中,从而得到每个城市网格对应的人口容纳量预测值。
进一步地,所述获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值,具体包括:
获取每个所述城市网格的街景图像数据,分别将所有所述街景图像数据分为第一街景数据和第二街景数据;对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量;构建城市人口容纳量预测模型,并根据所有所述城市人口容纳量和所有所述街景特征向量对所述城市人口容纳量预测模型进行训练;分别将所有所述第二街景数据输入训练完成的城市人口容纳量预测模型,得到每个所述城市网格对应的人口容纳量预测值。
具体地,由于城市综合指标数据来自不同的数据源,具有不同的时间和空间分辨率,且数据收集的过程是需要付出较大的代价的,这些都限制了关键指标的时效性和精度。而街景图像数据的获取相较简单且可以提供更高的时间和空间分辨率,能够反映城市特征和居民状况的一些直接或间接的视觉信号。因此需要获取每个城市网格对应的街景图像数据,并将每个城市网格对应的街景图像数据都分为第一街景数据和第二街景数据,其中,第一街景数据用于训练城市人口容纳量预测模型,第二街景数据用于输入训练完成的城市人口容纳量预测模型,得到对应的输出结果;分别对所有第一街景数据进行特征提取,得到每个第一街景数据对应的街景特征向量。再将提取出来的所有街景特征向量和所有城市人口容纳量(R)用于训练预先构建的城市人口容纳量预测模型,此模型基于自定义的一个卷积神经网络,能够根据提取出来的街景特征向量来预测该街景特征向量对应的人口容纳量预测值(Q),所以再将没有用于模型训练的第二街景数据(已做完相应的特征提取步骤)输入到训练完成的城市人口容纳量预测模型中,从而得到每个第二街景数据对应的城市网格的人口容纳量预测值(Q)。本发明提出使用卷积神经网络,从街景图像数据中提取了有关城市空间区域的视觉特征,并将其与地理空间特征和流空间特征进行了有效的融合,构建了一个能有效预测城市人口容纳量的模型,可以更好地捕捉城市的复杂性和动态性,使得对城市人口容纳量的预测更加精确,为后续的城市空间适配性评估打下了良好的基础。
进一步地,所述对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量,具体包括:
提取每个所述第一街景数据的低层特征,对所有所述低层特征进行池化操作,得到每个所述第一街景数据对应的第一特征图;对所有所述第一特征图分别进行卷积操作和残差连接,得到每个所述第一街景数据对应的第二特征图;对所有所述第二特征图分别进行平均池化操作和全连接操作,得到每个所述第一街景数据对应的街景特征向量。
具体地,由于不同图像大小可能会导致计算的复杂性增加以及模型性能下降,因此将图像大小统一调整为255*255;删除包含无效数据或异常值的图像,以防止它们干扰模型训练。对第一街景数据进行特征提取时,特征提取方法的具体流程如下:
假设输入的图像为x,经过一个卷积操作conv1提取图像的低层特征。然后经过一个池化操作poo;1降低特征图的维度、加速计算并增加特征的鲁棒性。得到一个特征图xi(第一特征图)。具体表达为:xi=pool1(relu(conv1(x)))。
再将第一特征图xi经过四个残差块resi,每个残差块包含两个卷积操作convi,j和一个残差连接addi。卷积操作用来提取特征图的高层特征,残差连接用来将输入和输出相加,从而保留了低层的特征信息。得到一个新的特征图xi+1(第二特征图)。具体表达为:xi+1=addi(xi,Fi(xi));其中,Fi(xi)指的是第一特征图xi的四个残差块分别对应的卷积层,包括两个卷积操作以及ReLu激活函数的组合。
最后,第二特征图xi+1经过一个平均池化操作avg_pooln对特征图进行降维和加权平均。然后经过一个全连接操作fcn对特征向量进行回归,得到最终的特征向量fn。具体表达为:fn=fcn(avg_pooln(xi+1)).
本发明提出的这个街景图像特征提取方法是基于Rennet18网络实现的,将预处理过后的街景图像数据作为输入,输出512维街景特征向量作为视觉特征,其包括物体特征(包括建筑物、车辆、植被等),颜色特征(包括色彩分布、饱和度等)和纹理特征(包括图像细节,规律性等)等,使得视觉信息更加丰富,有助于对城市人口容纳量的预测。
进一步地,城市人口容纳量预测模型的训练过程是将从所有第一街景数据提取出的所有512位街景特征结合上文计算得到的城市人口容纳量(R)输入到城市人口容纳量预测模型,并使用带有真实标签(即城市人口容纳量R)的街景图像数据来调整网络的权重,使得网络能够尽可能地减少预测值和真实值之间的差异,在经过不断的训练和调整之后,最终得到城市人口容纳量预测模型。
需要说明的是,在模型训练的过程中,可以选取不同的卷积神经网络结构(包括残差连接、密集连接、多尺度特征提取等)提高模型的性能和泛化能力,也可以使用不同的损失函数和优化器(如交叉熵损失、均方误差损失、对比损失等,以及随机梯度下降、Adam、RMSProp等)可以有效地调整模型对不同类别和样本的重视程度,并不局限于本发明介绍的方法。
步骤S30、获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量。
具体地,通过与运营商合作,从移动通讯***中获取待评估城市中的用户的手机信令数据,然后对所有手机信令数据进行预处理,得到可以进行下一步计算的数据,再预处理完的数据进行计算,得到每个城市网格对应的人口估计量。
进一步地,所述获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量,具体包括:
获取手机信令数据,对所述手机信令数据进行预处理,得到原始轨迹数据;根据所述原始轨迹数据得到包含所有用户时序轨迹的时序轨迹总集,并根据所述时序轨迹总集得到每个所述城市网格对应的时序轨迹分集;根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量;对所有所述人口估计量进行校正处理,并将校正后的人口估计量作为每个所述城市网格最终的人口估计量。
具体地,由于通过移动通讯***采集的手机信令数据可能会出现通信故障、信号漂移等各种原因,导致原始的手机信令数据具有不一致或不完整的结构,需要对原始的手机信令数据进行预处理操作,以筛选出符合一定质量标准的原始轨迹数据。原始轨迹数据是指由原始的手机信令数据按照用户id、空间坐标和时间戳聚合而成的轨迹数据点,需要检测并删除那些在时间和空间上重复的轨迹数据点,确保数据的唯一性,然后识别并移除那些缺失关键属性信息的数据点,确保数据的完整性,再过滤掉那些时间或空间坐标不在研究范围内的轨迹数据点,确保数据的有效性,最后识别并排除那些用户轨迹数据点数量小于或大于预定阈值的数据,确保数据集的一致性。
在筛选出原始轨迹数据之后,将原始轨迹数据中属于同一用户id的观测数据按照采集时间进行排序,得到所有用户的时序轨迹总集;时序轨迹总集中的时序轨迹点通常采用三元组序列P=<x,y,t>表达,其中x,y表示时序轨迹点的空间坐标,t表示时间信息;然后再根据每个时序轨迹点的空间坐标将它们分类到对应的城市网格中,最后再将属于同一个城市网格的同一个用户的时序轨迹点按照时间t排序,得到每一个城市网格对应的时序轨迹分集。
进一步地,所述根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量,具体包括:
分别获取每个所述时序轨迹分集中每个用户的轨迹点信息,其中,所述轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点;根据预设的用户属性信息或用户的行为特征确定每个所述城市网格中的每个用户的权重系数;分别根据所有所述最早轨迹点和所有所述最晚轨迹点计算每个用户在每个所述城市网格中的停留时间;根据每个所述城市网格中每个用户的轨迹点数量、权重系数和停留时间计算每个所述城市网格对应的人口估计量。
具体地,为了计算每个城市网格的人口估计量,需要考虑两个因素:一是城市网格内用户的时序轨迹点数量,二是用户在城市网格内的停留时间。时序轨迹点的数量反映了用户在城市网格内的活动频率,停留时间反映了用户在城市网格内的活动持续度。所以需要获取到每个用户在每个城市网格对应的时序轨迹分集中的轨迹点信息,轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点等信息,然后再根据用户预设的属性信息或者用户在城市网格内的行为特征来确定每个城市网格中每个用户的权重系数,再根据最早轨迹点和最晚轨迹点计算出每个用户在城市网格中的停留时间,并最后根据每个用户的轨迹点数量、权重系数和停留时间计算每个城市网格对应的人口估计量。
具体可以用以下公式来计算每个城市网格内的人口估计量: 其中,u表示第i个城市网格(元胞Oi)中用户u的时序轨迹,是Zi表示第i个城市网格内的人口估计量;ni表示第i个城市网格内的用户数量;Wu表示用户u的权重系数是一个介于0和1之间的数,用来反映用户对第i个城市网格内人口流量的贡献程度,不同类型的用户可能有不同的权重系数,比如居民、游客、商务人士等,权重系数可以根据用户的属性信息或行为特征来确定,根据实际情况进行调整;Nu表示用户u在第i个城市网格内的轨迹点数量,Tu表示用户u在第i个城市网格内的停留时间。用户在城市网格内的停留时间Tu是指用户在元胞内最早和最晚轨迹点之间的时间差,停留时间越长,说明用户在元胞内活动越持久,对人口流量越有影响。停留时间可以用以下公式来计算:Tu=tmax-tmin;其中,tmax表示用户u在第i个城市网格内最晚轨迹点的时间,tmin表示用户u在第i个城市网格内最早轨迹点的时间。
在计算完人口估计量Zi后,由于Zi是从手机信令数据计算得来的,但是手机信令数据只覆盖了部分人群,不能代表真实的人口数据,存在一定的误差和偏差。因此需要对每个城市网格对应的人口估计量Zi分别进行校正处理,在此针对每一个城市网格使用官方统计的人口普查数据来校正人口估计量:其中,Zi'表示第i个城市网格(元胞Oi)内的人口估计量修正值,Zi表示第i个城市网格原始的人口估计量,Mi表示官方统计人口总数,表示第i个城市网格内所有用户的权重系数之和,α表示人口估计量扩充系数,具体取决于数据集的覆盖率和城市人流组成情况。最后再将校正后的人口估计量Zi'作为每个城市网格最终的人口估计量。
需要说明的是,手机信令数据处理取决于具体的数据类型、数据格式、数据质量等,不局限于本发明介绍的方法。
步骤S40、根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。
具体地,在计算完每个城市网格对应的人口估计量后,根据前文计算的每个城市网格对应的人口容纳量预测值和人口估计量分别计算每个城市网格的适配性指数,然后再根据预设的适配性评估规则对应完成对每个城市网格的城市空间区域的适配性评估。
进一步地,所述根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估,具体包括:
根据每个所述城市网格对应的人口容纳量预测值和人口估计量计算每个所述城市网格的适配性指数;若所述适配性指数大于或等于第一预设阈值,则生成城市空间区域拥挤的评估结果;若所述适配性指数小于所述第一预设阈值且大于或等于第二预设阈值,则生成城市空间区域饱和的评估结果;若所述适配性指数小于所述第二预设阈值且大于或等于第三预设阈值,则生成城市空间区域平衡的评估结果;若所述适配性指数小于所述第三预设阈值,则生成城市空间区域可发展的评估结果。
具体地,适配性评估是指比较每个元胞内的人口估计量和人口容纳量之间的差异,并根据差异程度给出相应的评价。用以下公式来计算每个元胞内的适配性指数:其中,Si表示第i个城市网格内的适配性指数,Zi'表示第i个城市网格内的人口估计量修正值,Qi表示第i个城市网格的城市人口容纳量预测值。
然后再根据计算得到的每个城市网格对应的适配性指数对城市网格的城市空间区域适配性进行评估,在本发明的一个优选实施例中,第一预设阈值、第二预设阈值和第三预设阈值分别为1.2、0.8和0.5(具体的数值可以根据实际需要另行设定),如果适配性指数大于或等于1.2,则生成该城市网格的城市空间区域拥挤的评估结果,具体可以表示为该城市网格内人流量过高,资源利用率超标,存在拥挤风险;如果适配性指数小于1.2且大于或等于0.8,则生成该城市网格的城市空间区域饱和的评估结果,具体可以表示为该城市网格内人流量较高,资源利用率高,处于饱和状态;如果适配性指数小于0.8且大于或等于0.5,则生成该城市网格的城市空间区域平衡的评估结果,具体可以表示为该城市网格内人流量适中,资源利用率较高,处于平衡状态;如果适配性指数小于0.5,则生成该城市网格的城市空间区域可发展的评估结果,具体可以表示为该城市网格内人流量过低,资源利用率低,存在发展潜力。本发明实现了动态和精细化的城市空间区域适配性评估,能够为城市空间结构优化提供解决方案,同时能够为城市未来出行高质量发展提供技术支撑。
进一步地,如图3所示,基于上述城市空间区域适配性评估方法,本发明还相应提供了一种城市空间区域适配性评估***,其中,所述城市空间区域适配性评估***包括:
城市人口容纳量计算模块51,用于获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;
人口容纳量预测模块52,用于获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
城市人口估计量计算模块53,用于获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
城市空间区域适评估模块54,用于根据所有所述人口容纳量预测值和所有所述人口估计量分别计算每个所述城市网格的适配性指数,并根据所有所述适配性指数分别完成对每个所述城市网格的城市空间区域适配性评估。
进一步地,如图4所示,基于上述城市空间区域适配性评估方法和***,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图4仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有城市空间区域适配性评估程序40,该城市空间区域适配性评估程序40可被处理器10所执行,从而实现本申请中城市空间区域适配性评估方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述城市空间区域适配性评估方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行所述存储器20中城市空间区域适配性评估程序40时实现以下步骤:
获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;
获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。
其中,所述获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,具体包括:
获取城市综合指标数据,将城市空间进行均匀划分,得到多个均匀的城市网格;
根据所述城市综合指标数据得到每个所述城市网格对应的城市网格数据;
分别对每个所述城市网格数据进行标准化处理,得到每个所述城市网格对应的城市地理空间特征;
根据每个所述城市地理空间特征计算每个城市网格对应的城市人口容纳量。
其中,所述获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值,具体包括:
获取每个所述城市网格的街景图像数据,分别将所有所述街景图像数据分为第一街景数据和第二街景数据;
对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量;
构建城市人口容纳量预测模型,并根据所有所述城市人口容纳量和所有所述街景特征向量对所述城市人口容纳量预测模型进行训练;
分别将所有所述第二街景数据输入训练完成的城市人口容纳量预测模型,得到每个所述城市网格对应的人口容纳量预测值。
其中,所述对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量,具体包括:
提取每个所述第一街景数据的低层特征,对所有所述低层特征进行池化操作,得到每个所述第一街景数据对应的第一特征图;
对所有所述第一特征图分别进行卷积操作和残差连接,得到每个所述第一街景数据对应的第二特征图;
对所有所述第二特征图分别进行平均池化操作和全连接操作,得到每个所述第一街景数据对应的街景特征向量。
其中,所述获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量,具体包括:
获取手机信令数据,对所述手机信令数据进行预处理,得到原始轨迹数据;
根据所述原始轨迹数据得到包含所有用户时序轨迹的时序轨迹总集,并根据所述时序轨迹总集得到每个所述城市网格对应的时序轨迹分集;
根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量;
对所有所述人口估计量进行校正处理,并将校正后的人口估计量作为每个所述城市网格最终的人口估计量。
其中,所述根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量,具体包括:
分别获取每个所述时序轨迹分集中每个用户的轨迹点信息,其中,所述轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点;
根据预设的用户属性信息或用户的行为特征确定每个所述城市网格中的每个用户的权重系数;
分别根据所有所述最早轨迹点和所有所述最晚轨迹点计算每个用户在每个所述城市网格中的停留时间;
根据每个所述城市网格中每个用户的轨迹点数量、权重系数和停留时间计算每个所述城市网格对应的人口估计量。
其中,所述根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估,具体包括:
根据每个所述城市网格对应的人口容纳量预测值和人口估计量计算每个所述城市网格的适配性指数;
若所述适配性指数大于或等于第一预设阈值,则生成城市空间区域拥挤的评估结果;
若所述适配性指数小于所述第一预设阈值且大于或等于第二预设阈值,则生成城市空间区域饱和的评估结果;
若所述适配性指数小于所述第二预设阈值且大于或等于第三预设阈值,则生成城市空间区域平衡的评估结果;
若所述适配性指数小于所述第三预设阈值,则生成城市空间区域可发展的评估结果。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有城市空间区域适配性评估程序,所述城市空间区域适配性评估程序被处理器执行时实现如上所述的城市空间区域适配性评估方法的步骤。
综上所述,本发明提供一种城市空间区域适配性评估方法、***及终端,所述方法包括:获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量;获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。本发明实现了动态和精细化的城市空间区域适配性的评估方法,考虑了人类活动对于人流量的影响,从而能够更加真实地评估城市空间区域适配性与改善城市空间结构,为构建更为精准的城市结构、实现居民高效出行提供了创新的理论基础和技术支撑。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种城市空间区域适配性评估方法,其特征在于,所述城市空间区域适配性评估方法包括:
获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,其中,所述城市综合指标包括建筑高度、建筑密度、空气质量指数、绿化水平、平均收入和教育水平;
所述获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,具体包括:
获取城市综合指标数据,将城市空间进行均匀划分,得到多个均匀的城市网格;
根据所述城市综合指标数据得到每个所述城市网格对应的城市网格数据;
分别对每个所述城市网格数据进行标准化处理,得到每个所述城市网格对应的城市地理空间特征;
根据每个所述城市地理空间特征计算每个城市网格对应的城市人口容纳量;
获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
所述获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值,具体包括:
获取每个所述城市网格的街景图像数据,分别将所有所述街景图像数据分为第一街景数据和第二街景数据;
对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量;
构建城市人口容纳量预测模型,并根据所有所述城市人口容纳量和所有所述街景特征向量对所述城市人口容纳量预测模型进行训练;
分别将所有所述第二街景数据输入训练完成的城市人口容纳量预测模型,得到每个所述城市网格对应的人口容纳量预测值;
获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
所述获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量,具体包括:
获取手机信令数据,对所述手机信令数据进行预处理,得到原始轨迹数据;
根据所述原始轨迹数据得到包含所有用户时序轨迹的时序轨迹总集,并根据所述时序轨迹总集得到每个所述城市网格对应的时序轨迹分集;
根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量;
对所有所述人口估计量进行校正处理,并将校正后的人口估计量作为每个所述城市网格最终的人口估计量;
所述根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量,具体包括:
分别获取每个所述时序轨迹分集中每个用户的轨迹点信息,其中,所述轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点;
根据预设的用户属性信息或用户的行为特征确定每个所述城市网格中的每个用户的权重系数;
分别根据所有所述最早轨迹点和所有所述最晚轨迹点计算每个用户在每个所述城市网格中的停留时间;
根据每个所述城市网格中每个用户的轨迹点数量、权重系数和停留时间计算每个所述城市网格对应的人口估计量;
根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估。
2.根据权利要求1所述的城市空间区域适配性评估方法,其特征在于,所述对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量,具体包括:
提取每个所述第一街景数据的低层特征,对所有所述低层特征进行池化操作,得到每个所述第一街景数据对应的第一特征图;
对所有所述第一特征图分别进行卷积操作和残差连接,得到每个所述第一街景数据对应的第二特征图;
对所有所述第二特征图分别进行平均池化操作和全连接操作,得到每个所述第一街景数据对应的街景特征向量。
3.根据权利要求1所述的城市空间区域适配性评估方法,其特征在于,所述根据每个所述人口容纳量预测值和对应的每个所述人口估计量分别计算每个所述城市网格的适配性指数,并根据每个所述适配性指数对应完成对每个所述城市网格的城市空间区域适配性评估,具体包括:
根据每个所述城市网格对应的人口容纳量预测值和人口估计量计算每个所述城市网格的适配性指数;
若所述适配性指数大于或等于第一预设阈值,则生成城市空间区域拥挤的评估结果;
若所述适配性指数小于所述第一预设阈值且大于或等于第二预设阈值,则生成城市空间区域饱和的评估结果;
若所述适配性指数小于所述第二预设阈值且大于或等于第三预设阈值,则生成城市空间区域平衡的评估结果;
若所述适配性指数小于所述第三预设阈值,则生成城市空间区域可发展的评估结果。
4.一种城市空间区域适配性评估***,其特征在于,所述城市空间区域适配性评估***包括:
城市人口容纳量计算模块,用于获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,其中,所述城市综合指标包括建筑高度、建筑密度、空气质量指数、绿化水平、平均收入和教育水平;
所述获取城市综合指标数据,并将城市空间均匀划分为多个城市网格,根据所述城市综合指标计算每个所述城市网格的城市人口容纳量,具体包括:
获取城市综合指标数据,将城市空间进行均匀划分,得到多个均匀的城市网格;
根据所述城市综合指标数据得到每个所述城市网格对应的城市网格数据;
分别对每个所述城市网格数据进行标准化处理,得到每个所述城市网格对应的城市地理空间特征;
根据每个所述城市地理空间特征计算每个城市网格对应的城市人口容纳量;
人口容纳量预测模块,用于获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值;
所述获取每个所述城市网格的街景图像数据,根据所有所述城市人口容纳量和所有所述街景图像数据分别得到每个所述城市网格的人口容纳量预测值,具体包括:
获取每个所述城市网格的街景图像数据,分别将所有所述街景图像数据分为第一街景数据和第二街景数据;
对所有所述第一街景数据进行特征提取,得到每个所述第一街景数据对应的街景特征向量;
构建城市人口容纳量预测模型,并根据所有所述城市人口容纳量和所有所述街景特征向量对所述城市人口容纳量预测模型进行训练;
分别将所有所述第二街景数据输入训练完成的城市人口容纳量预测模型,得到每个所述城市网格对应的人口容纳量预测值;
城市人口估计量计算模块,用于获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量;
所述获取手机信令数据,根据所述手机信令数据计算每个所述城市网格的人口估计量,具体包括:
获取手机信令数据,对所述手机信令数据进行预处理,得到原始轨迹数据;
根据所述原始轨迹数据得到包含所有用户时序轨迹的时序轨迹总集,并根据所述时序轨迹总集得到每个所述城市网格对应的时序轨迹分集;
根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量;
对所有所述人口估计量进行校正处理,并将校正后的人口估计量作为每个所述城市网格最终的人口估计量;
所述根据所有所述时序轨迹分集计算每个所述城市网格的人口估计量,具体包括:
分别获取每个所述时序轨迹分集中每个用户的轨迹点信息,其中,所述轨迹点信息包括用户的轨迹点数量、最早轨迹点和最晚轨迹点;
根据预设的用户属性信息或用户的行为特征确定每个所述城市网格中的每个用户的权重系数;
分别根据所有所述最早轨迹点和所有所述最晚轨迹点计算每个用户在每个所述城市网格中的停留时间;
根据每个所述城市网格中每个用户的轨迹点数量、权重系数和停留时间计算每个所述城市网格对应的人口估计量;
城市空间区域适评估模块,用于根据所有所述人口容纳量预测值和所有所述人口估计量分别计算每个所述城市网格的适配性指数,并根据所有所述适配性指数分别完成对每个所述城市网格的城市空间区域适配性评估。
5.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的城市空间区域适配性评估程序,所述城市空间区域适配性评估程序被所述处理器执行时实现如权利要求1-3任一项所述的城市空间区域适配性评估方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有城市空间区域适配性评估程序,所述城市空间区域适配性评估程序被处理器执行时实现如权利要求1-3任一项所述的城市空间区域适配性评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551854.4A CN117521908B (zh) | 2023-11-20 | 2023-11-20 | 一种城市空间区域适配性评估方法、***及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551854.4A CN117521908B (zh) | 2023-11-20 | 2023-11-20 | 一种城市空间区域适配性评估方法、***及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117521908A CN117521908A (zh) | 2024-02-06 |
CN117521908B true CN117521908B (zh) | 2024-07-02 |
Family
ID=89764040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311551854.4A Active CN117521908B (zh) | 2023-11-20 | 2023-11-20 | 一种城市空间区域适配性评估方法、***及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521908B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983436A (zh) * | 2022-12-07 | 2023-04-18 | 中国辐射防护研究院 | 核设施附近区域人口预测方法 |
CN116934073A (zh) * | 2023-06-07 | 2023-10-24 | 深圳大学 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8412648B2 (en) * | 2008-12-19 | 2013-04-02 | nXnTech., LLC | Systems and methods of making content-based demographics predictions for website cross-reference to related applications |
JP5513512B2 (ja) * | 2009-08-24 | 2014-06-04 | ソフトバンクBb株式会社 | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム |
JP2012160143A (ja) * | 2011-02-03 | 2012-08-23 | Nippon Telegr & Teleph Corp <Ntt> | 将来人口予測装置、方法、およびプログラム |
CN104794350A (zh) * | 2015-04-23 | 2015-07-22 | 中国科学院地理科学与资源研究所 | 一种区域综合承载力评估***及方法 |
JP6493006B2 (ja) * | 2015-06-18 | 2019-04-03 | 富士通株式会社 | 人口推計方法、人口推計プログラム、および人口推計装置 |
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
CN110298253B (zh) * | 2019-05-30 | 2020-09-11 | 特斯联(北京)科技有限公司 | 一种基于人口大数据的城市建筑体虚拟显示方法及*** |
CN110704789B (zh) * | 2019-08-16 | 2021-04-13 | 重庆特斯联智慧科技股份有限公司 | 一种依托“城市超脑”计算平台的人口动态测算方法和*** |
CN110990905A (zh) * | 2019-11-29 | 2020-04-10 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计*** |
CN115129802A (zh) * | 2022-07-05 | 2022-09-30 | 南京大学 | 一种基于多源数据和集成学习的人口空间化方法 |
CN115310672A (zh) * | 2022-07-11 | 2022-11-08 | 上海新近纪智能科技有限公司 | 城市发展预测模型的构建方法、城市发展预测方法及装置 |
CN115238584B (zh) * | 2022-07-29 | 2023-07-11 | 湖南大学 | 一种基于多源大数据的人口分布识别方法 |
CN117056722A (zh) * | 2023-08-07 | 2023-11-14 | 江西江投数字经济技术有限公司 | 一种规划地块人口数量预测方法及*** |
-
2023
- 2023-11-20 CN CN202311551854.4A patent/CN117521908B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983436A (zh) * | 2022-12-07 | 2023-04-18 | 中国辐射防护研究院 | 核设施附近区域人口预测方法 |
CN116934073A (zh) * | 2023-06-07 | 2023-10-24 | 深圳大学 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117521908A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932036B (zh) | 基于位置大数据的精细时空尺度动态人口预测方法及*** | |
Yao et al. | Mapping fine-scale population distributions at the building level by integrating multisource geospatial big data | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
Etienne et al. | Model-based count series clustering for bike sharing system usage mining: a case study with the Vélib’system of Paris | |
CN110059385B (zh) | 一种耦合异速生长的网格动力学情景模拟方法及终端设备 | |
Villarin et al. | Machine learning for modeling water demand | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
Jeong et al. | Integrating buildings into a rural landscape using a multi-criteria spatial decision analysis in GIS-enabled web environment | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Ma et al. | How China’s linked urban–rural construction land policy impacts rural landscape patterns: A simulation study in Tianjin, China | |
CN114548811B (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
Mast et al. | Mapping urban villages using fully convolutional neural networks | |
CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN117522652B (zh) | 人居环境脆弱性评价方法、***、智能终端及存储介质 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
Tu et al. | Spatial cooperative simulation of land use-population-economy in the Greater Bay Area, China | |
CN111080080B (zh) | 一种村镇地质灾害风险预估方法及*** | |
CN117521908B (zh) | 一种城市空间区域适配性评估方法、***及终端 | |
Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
CN112364776A (zh) | 一种城市功能区识别模型建立、分类方法及装置 | |
CN106850777A (zh) | 推送信息的方法和装置 |
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 |