基于人工智能的地下空间人流量预测方法技术

本发明专利技术公开了基于人工智能的地下空间人流量预测方法；首先，由人工智能系统将地下空间划分为若干单元网格；并籍由网络地图平台采集单元网格的功能性城市单位数据，将单元网格按照分成四类，并分别设置外部人流指标系数；然后统籍由网络地图平台采集单元网格内地上公共交通站点、地上商业站点和地上公共服务站点的数量，并计算内部人流指标系数T1：再籍由网络地图平台采集单元网格内地上区域人流进入地块、人流流出地块和瞬间聚集人流的数量，并计算活动人流影指标数Tt：最后将外部人流指标系数、内部人流指标系数T1和活动人流影指标数Tt叠加获得地下空间人流量预测数量。本发明专利技术地面以及周边的设施对人流量的影响进行预测，提高预测精度。

【技术实现步骤摘要】
基于人工智能的地下空间人流量预测方法
本专利技术涉及地下空间人流量预测
，特别涉及基于人工智能的地下空间人流量预测方法。
技术介绍
随着城市经济水平的不断提高，城市地面用地紧缺的问题也越来越突出，地下空间也是城市的重要自然资源组成部分。而合理利用城市地下空间资源有利于城市的可持续发展，因此在建造地下建筑之前，对于建造地人流情况的分析和预测变得极为重要。现有的地下空间用地规划方法中针对人流状况的预测方法，主要通过定性或定量分析得出相应地块的人流情况。其中，定性分析方法通过研究基地周边的用地性质来判断地下空间用地性质，这种做法的优点为它考虑了地面至地下用地的连续性，缺点为地下空间开发量缺乏科学的判断。而定量分析法通过研究进出地块的人流进行分级再赋予权重，得出地下空间规划的规模。目前的判断方法中人为的主观影响较多，完成规划决策不够客观，也容易忽略地面至地下空间用地性质的延续性。因此需要对现有的人流预测方法进行改进，克服现有技术的缺陷。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术提供基于人工智能的地下空间人流量预测方法，实现的目的之一是基于人工智能的网络平台获取各个地块的大数据进行分析，根据规划区域地面以及周边的设施对人流量的影响进行预测，避免因主观判断造成的误差，提高预测精度。为实现上述目的，本专利技术公开了基于人工智能的地下空间人流量预测方法；步骤如下：a.将待建造所述地下空间的范围导入所述人工智能系统，由所述人工智能系统将所述地下空间划分为相等尺寸的若干单元网格；b.所述人工智能系统籍由网络地图平台采集每一所述单元网格1公里和0.5公里范围内的功能性城市单位数据，根据所述功能性城市单位数据对每一所述单元网格进行分类，将每一所述单元网格按照分成核心商业区域、商务服务区域、社区商业区域和过境商业区域四类，并分别设置外部人流指标系数；c.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上公共交通站点、地上商业站点和地上公共服务站点的数量，并采用如下公式计算内部人流指标系数T1：T1＝P+M+S(1)P＝Ap*PD1+Bp*PD2+Cp*PD3(2)M＝Ac*MD1+Bc*MD2+Cc*MD3(3)S＝As*SD1+Bs*SD2+Cs*SD3(4)公式(1)中，P为地上公共交通站点对人流造成的影响值；M为地上商业站点对人流造成的影响值；S为地上公共服务站点对人流造成的影响值；公式(2)中，PD1为综合交通枢纽的数量，Ap为综合交通枢纽的人流影响系数；PD2为换乘站数量，Bp为换乘站的人流影响系数；PD3为公交首末站数量，Cp为公交首末站的人流影响系数；公式(3)中，MD1为核心商业中心数量，Ac为核心商业中心的人流影响系数；MD2为区域商业中心数量，Bc为区域商业中心的人流影响系数；MD3为社区商业中心数量，Cc为社区商业中心的人流影响系数；公式(4)中，SD1为会展类场馆的数量，As为会展类场馆的人流影响系数；SD2为大型体育设施的数量，Bs为大型体育设施的人流影响系数；SD3为城市公园的数量，Cs为城市公园的人流影响系数；d.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上区域人流进入地块、人流流出地块和瞬间聚集人流的数量，并采用个如下公式计算活动人流影指标数Tt：Tt＝I+O+W(5)公式(5)中，I为对历史N天中相同时刻的进入人流前项比例系数求平均值，O对历史N天中相同时刻的流出人流前项比例系数求平均值，W为对历史N天中相同时刻的瞬间聚集人流前项比例系数求平均值；公式(6)为根据进入人流前项比例系数向量Qi得到历史N天的进入人流前项比例系数矩阵Q；其中Qi＝{Qi1Qi2…Qij…QiM}，Qij为历史N天中第i天j时刻的进入人流前项比例系数；公式(7)为根据所述进入人流前项比例系数矩阵Q，将其中每一列元素取出，对历史N天中相同时刻的进入人流前项比例系数平均值；公式(8)为根据所述流出人流前项比例系数向量Pi得到历史N天的流出人流前项比例系数矩阵P；其中Pi＝{Pi1Pi2…Pij…PiM}，Pij为历史N天中第i天j时刻的流出人流前项比例系数；公式(9)为根据所述流出人流前项比例系数矩阵P，将其中每一列元素取出，对历史N天中相同时刻的流出人流前项比例系数平均值O；公式(10)为根据所述瞬间聚集人流前项比例系数向量Mi得到历史N天的瞬间聚集人流前项比例系数矩阵M；其中Mi＝{Mi1Mi2…Mij…MiM}；Mij为历史N天中第i天j时刻的人流前项比例系数；公式(11)为根据所述瞬间聚集人流前项比例系数矩阵M，将其中每一列元素取出，对历史N天中相同时刻的瞬间聚集人流前项比例系数平均值W；e.所述人工智能系统将外部人流指标系数、内部人流指标系数T1和活动人流影指标数Tt叠加获得地下空间人流量预测数量。优选的，每一所述单元网格的平面大小均为10米X10米。优选的，所述网络地图平台包括百度地图和大众点评。优选的，在所述步骤b中，所述单元网格1公里范围内的所述功能性城市单位数据是指所述单元网格1公里范围内是否存在如下功能建筑：铁路与轨道交通换乘站、轨道交通换乘站、轨道交通与巴士换乘站、巴士站、公园、城市广场、体育场馆、博物馆、剧院、住宅区、百货公司、文化馆；所述单元网格0.5公里范围内的所述功能性城市单位数据是指所述单元网格1公里范围内是否存在如下功能建筑：电影院、超市、办公楼、菜场、咖啡馆、餐馆、银行、幼儿园、健身房、教育机构。优选的，在所述步骤c中：属于所述核心商业区域的所述单元网格的所述功能性城市单位数据满足功能建筑80％以上，所述外部人流指标系数为0.41；属于所述商务服务区域的所述单元网格的所述功能性城市单位数据满足功能建筑50％以上、但小于80％，所述外部人流指标系数为0.25；属于所述社区商业区域的所述单元网格的所述功能性城市单位数据满足功能建筑30％以上、但小于50％，所述外部人流指标系数为0.19；属于所述过境商业区域的所述单元网格的所述功能性城市单位数据满足功能建筑20％以上、但小于30％，所述外部人流指标系数为0.15。优选的，在所述步骤d中，所述综合交通枢纽的人流影响系数Ap、所述换乘站的人流影响系数Bp、所述公交首末站的人流影响系数Cp、所述核心商业中心的人流影响系数Ac、所述区域商业中心的人流影响系数Bc、所述社区商业中心的人流影响系数Cc、所述会展类场馆的人流影响系数As、所述大型体育设施的人流影响系数Bs和所述城市公园的人流影响系数Cs均为0.333。本专利技术的有益效果：本专利技术籍由人工智能的网络平台获取各个地块的大数据进行分析，根据规划区域地面以及周边的设施对人流量的影响进行预测，避免因主观判断造成的误差，提高预测精度。以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1示出本专利技术一实施例中分割成25个单元格的状态示意图。图2示出本专利技术一实施例中各个单元格叠加数据后的状态示意图。具体实施方式实施例如图1所示，以某地待建造地下建筑为例子，采用基于人工智能的地下空间人流量预测方法预测人流；步骤如下：a.将待建造所述地下空间的范围导入所述人工智能系统，由所述人工智能系统将所述地下空间划分为相等尺本文档来自技高网...

【技术保护点】
1.基于人工智能的地下空间人流量预测方法；步骤如下：a.将待建造所述地下空间的范围导入所述人工智能系统，由所述人工智能系统将所述地下空间划分为相等尺寸的若干单元网格；b.所述人工智能系统籍由网络地图平台采集每一所述单元网格1公里和0.5公里范围内的功能性城市单位数据，根据所述功能性城市单位数据对每一所述单元网格进行分类，将每一所述单元网格按照分成核心商业区域、商务服务区域、社区商业区域和过境商业区域四类，并分别设置外部人流指标系数；c.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上公共交通站点、地上商业站点和地上公共服务站点的数量，并采用如下公式计算内部人流指标系数T1：T1＝P+M+S    (1)P＝Ap*PD1+Bp*PD2+Cp*PD3    (2)M＝Ac*MD1+Bc*MD2+Cc*MD3    (3)S＝As*SD1+Bs*SD2+Cs*SD3    (4)公式(1)中，P为地上公共交通站点对人流造成的影响值；M为地上商业站点对人流造成的影响值；S为地上公共服务站点对人流造成的影响值；公式(2)中，PD1为综合交通枢纽的数量，Ap为综合交通枢纽的人流影响系数；PD2为换乘站数量，Bp为换乘站的人流影响系数；PD3为公交首末站数量，Cp为公交首末站的人流影响系数；公式(3)中，MD1为核心商业中心数量，Ac为核心商业中心的人流影响系数；MD2为区域商业中心数量，Bc为区域商业中心的人流影响系数；MD3为社区商业中心数量，Cc为社区商业中心的人流影响系数；公式(4)中，SD1为会展类场馆的数量，As为会展类场馆的人流影响系数；SD2为大型体育设施的数量，Bs为大型体育设施的人流影响系数；SD3为城市公园的数量，Cs为城市公园的人流影响系数；d.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上区域人流进入地块、人流流出地块和瞬间聚集人流的数量，并采用个如下公式计算活动人流影指标数Tt：Tt＝I+O+W    (5)...

【技术特征摘要】
1.基于人工智能的地下空间人流量预测方法；步骤如下：a.将待建造所述地下空间的范围导入所述人工智能系统，由所述人工智能系统将所述地下空间划分为相等尺寸的若干单元网格；b.所述人工智能系统籍由网络地图平台采集每一所述单元网格1公里和0.5公里范围内的功能性城市单位数据，根据所述功能性城市单位数据对每一所述单元网格进行分类，将每一所述单元网格按照分成核心商业区域、商务服务区域、社区商业区域和过境商业区域四类，并分别设置外部人流指标系数；c.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上公共交通站点、地上商业站点和地上公共服务站点的数量，并采用如下公式计算内部人流指标系数T1：T1＝P+M+S(1)P＝Ap*PD1+Bp*PD2+Cp*PD3(2)M＝Ac*MD1+Bc*MD2+Cc*MD3(3)S＝As*SD1+Bs*SD2+Cs*SD3(4)公式(1)中，P为地上公共交通站点对人流造成的影响值；M为地上商业站点对人流造成的影响值；S为地上公共服务站点对人流造成的影响值；公式(2)中，PD1为综合交通枢纽的数量，Ap为综合交通枢纽的人流影响系数；PD2为换乘站数量，Bp为换乘站的人流影响系数；PD3为公交首末站数量，Cp为公交首末站的人流影响系数；公式(3)中，MD1为核心商业中心数量，Ac为核心商业中心的人流影响系数；MD2为区域商业中心数量，Bc为区域商业中心的人流影响系数；MD3为社区商业中心数量，Cc为社区商业中心的人流影响系数；公式(4)中，SD1为会展类场馆的数量，As为会展类场馆的人流影响系数；SD2为大型体育设施的数量，Bs为大型体育设施的人流影响系数；SD3为城市公园的数量，Cs为城市公园的人流影响系数；d.所述人工智能系统籍由网络地图平台采集每一所述单元网格内地上区域人流进入地块、人流流出地块和瞬间聚集人流的数量，并采用个如下公式计算活动人流影指标数Tt：Tt＝I+O+W(5)公式(5)中，I为对历史N天中相同时刻的进入人流前项比例系数求平均值，O对历史N天中相同时刻的流出人流前项比例系数求平均值，W为对历史N天中相同时刻的瞬间聚集人流前项比例系数求平均值；公式(6)为根据进入人流前项比例系数向量Qi得到历史N天的进入人流前项比例系数矩阵Q；其中Qi＝{Qi1Qi2…Qij…QiM}，Qij为历史N天中第i天j时刻的进入人流前项比例系数；公式(7)为根据所述进入人流前项比例系数矩阵Q，将其中每一列元素取出，对历史N天中相同时刻的进入人流前项比例系数平均值I；公式(8)为根据所述流出人流前项比例系数向量Pi得到历史N天的流出人流前项比例系数矩阵P；其中Pi＝{Pi1Pi2…Pij…PiM}，Pij为历史N天中第i天j时刻的流出人流前项比例...

【专利技术属性】
技术研发人员：步敏，彭庆艳，沈雷洪，刘宙，
申请(专利权)人：上海市城市建设设计研究总院集团有限公司，
类型：发明
国别省市：上海,31