一种基于社会统计数据的精细化制图方法技术

本发明专利技术涉及一种基于社会统计数据的精细化制图方法，该方法首先以社会统计数据空间分布所需环境为依据，确定社会统计数据空间分布的影响要素体系；然后整合多源数据，结合遗传规划(GP)算法和粒子群(PSO)算法，进行统一快速社会统计数据精细空间化生产；接着确定精细化社会统计数据分布图的平面图层结构与图层配合方案，图例系统及表达方式，以经纬网为基本控制网，以此排列布置中英文注记，最终质检定稿后印刷出图。本发明专利技术可有效解决社会统计数据精细化生产过程中快速、准确地寻找影响因子和社会统计数据之间关系定量表达方式的难题；可用于实现同一套社会统计数据在多个不同空间尺寸范围内的智能精细化表达。

【技术实现步骤摘要】
一种基于社会统计数据的精细化制图方法
本专利技术涉及一种社会统计数据精细化制图方法，可有效解决精细化社会统计数据生产过程中选择合理的关系表达方式的难题；可实现同一套社会统计数据在多个不同空间尺寸范围内的智能精细化表达。
技术介绍
随着计算机、互联网等技术的高速发展，人类快速进入了信息爆炸时代。于是人们就有了数字化的手段来处理整个地球的自然和社会活动等诸多方面问题，最大限度地利用现有资源的需求。“数字地球”、“智慧城市”等的空间信息革命由此展开。社会统计数据是指那些以行政区划为单元所搜集、整理的各种反映该行政区内的社会、经济等特征属性的统计数据资料的总称。只有建立一个高分辨率的基础地理单元，将社会统计数据和自然环境数据共同转换到这一基础地理单元里，才能最终实现真正的“数字地球”和“智慧城市”。在社会统计数据精细空间化过程中，无可避免地会遇到多个难题——如何准确地寻找影响社会统计数据空间分布的要素？如何精确建立其和社会统计数据之间的数学关系表达式？如何高效率地同时进行多个地区的社会统计数据精细空间化？在国内外很多社会统计数据精细化生产方法中是通过建立影响要素和社会统计数据之间线性或非线性回归模型的方法来实现影响要素选取和社会统计数据精细空间化的。现有的回归分析、EM、方程组求解和最小二乘法等建模和优化方法，将它们看成一个整体进行建模，存在模型精度低的不足，并且模型优化困难等问题。而且在进行多个地区的社会统计数据同时精细化时，这些建模和优化方法所建立的统一的数学关系表达式很难反映多个地区社会统计数据分布规律。另外现有的已生产出来的多源社会统计数据缺乏统一的制图标准，无论是投影、坐标系统，还是地图专题和符号类型，随意性大，给不同精细空间化的社会统计数据融合造成困难。
技术实现思路
本专利技术要解决的技术问题是：本专利技术提供一种基于社会统计数据的精细化制图方法，以社会统计数据空间分布所需环境为依据，科学地确定社会统计数据空间分布的影响要素体系。同时，本专利技术还提供一种在遗传规划算法和粒子群算法相嵌套基础上的社会统计数据精细空间化动态建模方法，有效地解决现有精细空间化方法建模精度低、模型优化效果差、难以适用于多个地区数据精细空间化等问题。另外本专利技术确定了统一的精细化社会统计数据分布图的结构与图层配合方案，图例系统及表达方式，使得社会统计数据精细化分布图的编制逐渐向规范化、标准化方向发展。本专利技术解决上述技术问题采用的技术方案为：一种基于社会统计数据的精细化制图方法，首先以社会统计数据空间分布所需环境为依据，确定社会统计数据空间分布的影响要素体系；然后整合多源数据，结合遗传规划(geneticprogramming,GP)算法和粒子群(ParticleSwarmOptimization,PSO)算法，进行统一快速社会统计数据精细空间化生产；接着确定精细化社会统计数据分布图的平面图层结构与图层配合方案，图例系统及表达方式，以经纬网为基本控制网，以此排列布置中英文注记，最终质检定稿后印刷出图，其具体步骤如下：步骤(1)、以社会统计数据空间分布所需环境为依据，在文献纵览的基础上列出可能的影响因子清单，通过专家或者专家系统打分等方法，确定最终的有可能对社会统计数据空间分布产生影响的自然和社会经济影响要素体系。其中，所述的可能的影响要素包括自然要素(坡度、土地利用类型、植被覆盖程度、到水源的距离等)和社会经济要素(夜间灯光指数、交通可及性、周边区域影响等)。步骤(2)、获取自然和社会经济等多源影响要素数据，所存储的格式不同，所依附的地物也各不相同。利用地理信息系统(GIS)技术，对于以点、线、面等不同格式存储的初始影响要素地图数据进行统一的图层坐标转换，投影转换等图层格式化处理，形成投影和坐标体系一致的最终影响要素图层；然后通过图层的插值、叠加、剪切等操作处理，形成最终的以规则格网形式表达的各种影响要素图层。步骤(3)、初始化遗传规划算法和粒子群算法参数；将所述最终影响因素图层的归一化属性值作为遗传规划算法的输入，组成搜索空间，来求解具有最佳评价指标值的社会统计数据精细化数学关系式；利用粒子群算法对由遗传规划算法所得到的社会统计数据精细化数学关系式进行优化，最终实现社会统计数据精细化的快速建模与优化；利用所建立的社会统计数据精细化模型，进行快速、智能社会统计数据精细空间化生产。所述的初始化遗传规划算法参数有种群规模，即种群中的个体数GP_Size、样本量GP_N、遗传代数GP_Gen、最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm；初始化粒子群算法参数有粒子数PSO_Size、算法迭代次数PSO_Gen、样本量PSO_N；然后用遗传规划算法和粒子群算法相嵌套的方法快速求解具有最佳评价指标值的社会统计数据精细空间化模型，即：A.用遗传规划算法快速构建社会统计数据精细化数学关系式，其步骤如下：步骤①、首先确定遗传规划算法搜索空间中的基本组成单元，包括n种影响因素归一化值的基本算子(f1,f2,...,fn)和基本算术运算符，再由基本组成单元随机形成GP_Size个个体。这些个体都是社会统计数据精细空间化模型的备选方案，即社会统计数据分布和输入影响因素变量之间的可能的数学关系表达式。同时为了有利于对同类模型结构的识别，对由基本组成单元随机形成的个体进行规范化处理，所有系数项均位于运算符的右边。遗传规划算法中的个体一般具有以下函数形式：SOC_DATA＝f(X1f1,X2f2,...,Xnfn)(1)式中SOC_DATA为社会统计数据变量；(f1,f2,...,fn)和(X1,X2,...,Xn)分别为各类输入影响因素变量及其系数。步骤②、根据Kpid(i)_GP计算出每个规则格网里的待精细化的社会经济数据理论值，然后按照待精细化的社会统计数据所依附的最小行政单元(即样本)和规则格网空间位置之间覆盖叠加的关系，来汇总计算针对个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的评价指标BsJi(i,t)_GP，其评价函数公式为：式中和分别为所有样本实测值和计算理论值的平均值；P'_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值即各个行政单元里待精细化的社会统计数据。步骤③、根据公式(2)所确定的评价指标值，采取竞争选择策略来选择复制个体以产生新个体,即随机从群体中选取一组个体，比较该组每个成员的评价指标值，选出实际最好的个体Kpid(BesOpt)_GP＝f(X1f1,X2f2,...,Xnfn)，复制优化后的个体以取代该组最差的；步骤④、遗传规划算法对选择复制后的新个体进行交叉和变异操作；步骤⑤、以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm为遗传规划算法运行的约束条件，循环运行步骤③、④，直到遗传代数t＝GP_Gen或评价指标值最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP＝f(X1f1,X2f2,...,Xnfn)，为具有最佳评价指标值的社会统计数据精细空间化数学关本文档来自技高网...

【技术保护点】
一种基于社会统计数据的精细化制图方法，其特征在于包括以下步骤：步骤(1)、以社会统计数据空间分布所需环境为依据，在文献纵览的基础上列出可能影响因子清单，通过专家或者专家系统打分的方法，确定最终的有可能对社会统计数据空间分布产生影响的自然和社会经济影响要素体系；步骤(2)、获取自然和社会经济多源影响要素数据，利用地理信息系统(GIS)技术，对于以点、线、面不同格式存储的初始影响要素地图数据进行统一格式化处理，形成投影和坐标体系一致的最终影响要素图层；步骤(3)、初始化遗传规划算法和粒子群算法参数；将所述最终影响因素图层的归一化属性值作为遗传规划算法的输入，组成搜索空间，来求解具有最佳评价指标值的社会统计数据精细化数学关系式；利用粒子群算法对由遗传规划算法所得到的社会统计数据精细化数学关系式进行优化，最终实现社会统计数据精细化的快速建模与优化；利用所建立的社会统计数据精细化模型，进行快速、智能社会统计数据精细空间化生产；所述的步骤(3)中用遗传规划算法和粒子群算法快速求解具有最佳评价指标值的社会统计数据精细空间化模型，并以此进行社会统计数据快速、智能精细化生产，其步骤如下：步骤a.首先读取最终的影响要素图层，设定图层的归一化属性值的基本算子分别为f1,f2,...,fn‑1,fn，n为影响要素的个数；步骤b.初始化遗传规划算法参数有种群规模，即种群中的个体数GP_Size、样本量GP_N、遗传代数GP_Gen、最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm；初始化粒子群算法参数有粒子数PSO_Size、算法迭代次数PSO_Gen、样本量PSO_N；步骤c.用遗传规划算法快速构建社会统计数据精细化数学关系式，其步骤如下：步骤①、首先确定遗传规划算法搜索空间中的基本组成单元，包括n种影响因素归一化值的基本算子(f1,f2,...,fn)和基本算术运算符，再由基本组成单元随机形成GP_Size个个体，这些个体都是社会统计数据精细空间化模型的备选方案，即社会统计数据分布和输入影响因素变量之间的可能的数学关系表达式，同时为了有利于对同类模型结构的识别，对由基本组成单元随机形成的个体进行规范化处理，所有系数项均位于运算符的右边，遗传规划算法中的个体一般具有以下函数形式：SOC_DATA＝f(X1f1,X2f2,...,Xnfn)          (1)式中SOC_DATA为社会统计数据变量；(f1,f2,...,fn)和(X1,X2,...,Xn)分别为各类输入影响因素变量及其系数；步骤②、根据Kpid(i)_GP计算出每个规则格网里的待精细化的社会经济数据理论值，然后按照待精细化的社会统计数据所依附的最小行政单元(即样本)和规则格网空间位置之间覆盖叠加的关系，来汇总计算针对个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的评价指标BsJi(i,t)_GP，其评价函数公式为：BsJi(i,t)_GP=Σj=1GP_N(P_GP(j)-P‾)(P′_GP(j)-P‾′)Σj=1GP_N(P_GP(j)-P‾)2Σj=1GP_N(P′_GP(j)-P‾′)2---(2)]]>式中和分别为所有样本实测值和计算理论值的平均值；P'_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值即各个行政单元里待精细化的社会统计数据；步骤③、根据公式(2)所确定的评价指标值，采取竞争选择策略来选择复制个体以产生新个体,即随机从群体中选取一组个体，比较该组每个成员的评价指标值，选出实际最好的个体Kpid(BesOpt)_GP＝f(X1f1,X2f2,...,Xnfn)，复制优化后的个体以取代该组最差的；步骤④、遗传规划算法对选择复制后的新个体进行交叉和变异操作；步骤⑤、以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm为遗传规划算法运行的约束条件，循环运行步骤③、④，直到遗传代数t＝GP_Gen或评价指标值最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP＝f(X1f1,X2f2,...,Xnfn)，为具有最佳评价指标值的社会统计数据精细空间化数学关系式；步骤d.用粒子群算法对由遗传规划算法所得到的社会统计数据精细化数学关系式f(X1f1,X2f2,...,Xnfn)进行快速精确的参数优化，其步骤如下：步骤Ⅰ、根据社会统计数据精细化数学表达式中待优化的变量系数f...

【技术特征摘要】
1.一种基于社会统计数据的精细化制图方法，其特征在于包括以下步骤：步骤(1)、以社会统计数据空间分布所需环境为依据，在文献纵览的基础上列出可能影响因子清单，通过专家或者专家系统打分的方法，确定最终的有可能对社会统计数据空间分布产生影响的自然和社会经济影响要素体系；步骤(2)、获取自然和社会经济多源影响要素数据，利用地理信息系统(GIS)技术，对于以点、线、面不同格式存储的初始影响要素地图数据进行统一格式化处理，形成投影和坐标体系一致的最终影响要素图层；步骤(3)、初始化遗传规划算法和粒子群算法参数；将所述最终影响因素图层的归一化属性值作为遗传规划算法的输入，组成搜索空间，来求解具有最佳评价指标值的社会统计数据精细化数学关系式；利用粒子群算法对由遗传规划算法所得到的社会统计数据精细化数学关系式进行优化，最终实现社会统计数据精细化的快速建模与优化；利用所建立的社会统计数据精细化模型，进行快速、智能社会统计数据精细空间化生产；所述的步骤(3)中用遗传规划算法和粒子群算法快速求解具有最佳评价指标值的社会统计数据精细空间化模型，并以此进行社会统计数据快速、智能精细化生产，其步骤如下：步骤a.首先读取最终的影响要素图层，设定图层的归一化属性值的基本算子分别为f1,f2,...,fn-1,fn，n为影响要素的个数；步骤b.初始化遗传规划算法参数有种群规模，即种群中的个体数GP_Size、样本量GP_N、遗传代数GP_Gen、最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm；初始化粒子群算法参数有粒子数PSO_Size、算法迭代次数PSO_Gen、样本量PSO_N；步骤c.用遗传规划算法快速构建社会统计数据精细化数学关系式，其步骤如下：步骤①、首先确定遗传规划算法搜索空间中的基本组成单元，包括n种影响因素归一化值的基本算子(f1,f2,...,fn)和基本算术运算符，再由基本组成单元随机形成GP_Size个个体，这些个体都是社会统计数据精细空间化模型的备选方案，即社会统计数据分布和输入影响因素变量之间的可能的数学关系表达式，同时为了有利于对同类模型结构的识别，对由基本组成单元随机形成的个体进行规范化处理，所有系数项均位于运算符的右边，遗传规划算法中的个体一般具有以下函数形式：SOC_DATA＝f(X1f1,X2f2,...,Xnfn)(1)式中SOC_DATA为社会统计数据变量；(f1,f2,...,fn)和(X1,X2,...,Xn)分别为各类输入影响因素变量及其系数；步骤②、根据个体Kpid(i)_GP计算出每个规则格网里的待精细化的社会经济数据理论值，然后按照待精细化的社会统计数据所依附的最小行政单元(即样本)和规则格网空间位置之间覆盖叠加的关系，来汇总计算针对个体Kpid(i)_GP(1≤i≤GP_Size)的所有样本计算理论值与实测值之间的决定系数，将其作为第t代(1≤t≤GP_Gen)中该个体的评价指标BsJi(i,t)_GP，其评价函数公式为：式中和分别为所有样本实测值和计算理论值的平均值；P'_GP(j)为个体Kpid(i)_GP在样本j(1≤j≤GP_N)的计算理论值；P_GP(j)为样本j的实测值即各个行政单元里待精细化的社会统计数据；步骤③、根据公式(2)所确定的评价指标值，采取竞争选择策略来选择复制个体以产生新个体,即随机从群体中选取一组个体，比较该组每个成员的评价指标值，选出实际最好的个体Kpid(BesOpt)_GP＝f(X1f1,X2f2,...,Xnfn)，复制优化后的个体以取代该组最差的；步骤④、遗传规划算法对选择复制后的新个体进行交叉和变异操作；步骤⑤、以最大生成深度Max_Dep、最大交叉深度Max_CDep、交叉概率GP_Pc和变异概率GP_Pm为遗传规划算法运行的约束条件，循环运行步骤③、④，直到遗传代数t＝GP_Gen或评价指标值最好值等于预先设定值时，所得的最优个体Kpid(Best)_GP＝f(X1f1,X2f2,...,Xnfn)，为具有最佳评价指标值的社会统计数据精细空间化数学关系式；步骤d.用粒子群算法对由遗传规划算法所得到的社会统计数据精细化数学关系式f(X1f1,X2f2,...,Xnfn)进行快速精确的参数优化，其步骤如下：步骤Ⅰ、根据社会统计数据精细化数学表达式中待优化的变量系数f1,f2,...,fn，随机生成问题搜索空间中PSO_Size个粒子,...

【专利技术属性】
技术研发人员：廖一兰，李丹丹，王劲峰，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：北京;11