System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于城市规划,具体涉及一种基于贝叶斯网络的城市空间强度分区方法及系统。
技术介绍
1、城市空间强度分区是城市规划工作的重要内容之一,是控制和指导城市建设发展的重要方法,也是城市设计塑造空间形态、丰富空间层次的重要手段。合理的城市空间强度分区能够在合理利用土地资源、控制城市无序蔓延、保护生态环境、提高城市品质等方面起到重要作用。传统的城市空间强度分区方法通常借由设计师根据实践经验与专业知识的认识总结,从而给出城市空间强度的分区方案,存在主观性过强于科学性不足等问题,无法动态、直观的对城市空间强度分区方案进行调整优化。
技术实现思路
1、专利技术目的:针对现有技术的不足,本专利技术提供一种基于贝叶斯网络的城市空间强度分区方法及系统,解决了传统的城市空间强度分区的缺乏对多重要素的综合考量,科学合理性与数据量化支撑不足,且无法动态直观、有效的对城市空间强度分区方案进行调整优化问题。
2、技术方案:本专利技术所述的一种基于贝叶斯网络的城市空间强度分区方法,具体包括以下步骤:
3、(1)将采集的目标街区及目标街区所在城市的街区矢量数据进行格式统一化处理,构建目标街区数字沙盘,分别形成目标街区数据集与案例街区数据集,将数据计算处理为街区外部特征指标、街区内部特征指标、空间强度指标,汇总形成指标库;
4、(2)通过对指标库进行相关性分析筛选出相关性较高的指标予以剔除;并通过聚类算法确定案例街区数据集的所有分类子数据集;
5、(3)通过所述分
6、(4)依据案例街区数据集的分类,通过分类算法对待预测街区数据集进行分类,确定目标街区所属分类;依据目标街区所属分类,将目标街区数据集投入所属分类的预测模型中,得到目标街区空间强度;
7、(5)将目标街区的空间强度分区方案输出至目标街区数字沙盘,集成为3d城市空间强度分区全息沙盘,进行街区空间强度多方案展示与交互优化,最终输出用地空间强度图和空间强度指标表。
8、进一步地,所述步骤(1)实现过程如下:
9、分别形成目标街区数据集与案例街区数据集,将数据计算处理为街区外部特征指标、街区内部特征指标、空间强度指标;
10、街区外部特征指标包括街区城市区位、街区周边用地功能、街区边界道路属性;街区内部特征指标包括街区面积、街区周长、街区形状、城市用地功能属性;空间强度特征指标包括建筑密度、街区容积率、街区建筑平均高度。
11、进一步地,步骤(2)所述对指标库进行相关性分析筛选出相关性较高的指标予以剔除实现过程如下:
12、对指标库进行相关性分析,计算pearson相关系数,剔除pearson相关系数大于0.7的指标;
13、对筛选后的案例街区数据集使用极差标准化法进行标准化处理,用独热离散法离散化处理连续变量;
14、随机选取80%的案例街区数据集分为贝叶斯网络训练集,剩余20%的案例街区数据集分为贝叶斯网络测试集。
15、进一步地,步骤(2)所述通过聚类算法确定案例街区数据集的所有分类子数据集实现过程如下:
16、根据街区外部特征指标和街区内部特征指标的强弱,形成基于街区外部参数指标-街区内部参数指标的街区分类,可分为强-强型街区、强-弱型街区、弱-强型街区、弱-弱型街区四种街区分类;
17、k-means聚类算法取k值等于4,将案例街区数据集分为对应四种街区分类的四个子数据集。
18、进一步地,所述步骤(3)实现过程如下:
19、将所述确定的四类案例街区子数据集中各自的街区外部特征指标、街区内部特征指标、空间强度指标数据作为节点变量,初步构建各自的街区空间强度预测贝叶斯网络模型结构;通过贝叶斯网络模型的结构学习得到各自的最优贝叶斯网络模型结构;根据各自所确定的贝叶斯网络模型结构,通过贝叶斯网络模型的参数学习获得各自的街区空间强度指标条件概率表,作为各自类型的街区空间强度预测贝叶斯网络模型的推理依据,最终得到四类街区空间强度的预测模型。
20、进一步地,步骤(4)所述依据案例街区数据集的分类,通过分类算法对目标街区数据集进行分类,确定目标街区所属分类,具体包括:
21、使用k近邻分类算法,将案例街区数据集作为k近邻算法的训练数据集,把目标街区数据集的街区外部特征指标和街区内部特征指标数据投入到k近邻分类算法中,将已有的案例街区的分类结果作为分类标签,输出得到目标街区的所属分类。
22、进一步地,步骤(5)所述街区空间强度多方案展示与交互优化,具体包括:
23、将目标街区的空间强度分布方案输出至目标街区数字沙盘,集成为3d城市空间强度分布全息沙盘进行三维展示;使用3d全息投影设备,通过手势指令对街区空间强度方案进行选择、调用、修改,对目标街区的空间强度分布进行调整优化后进行输出,最终输出dwg格式的包含用地空间强度指标表的用地空间强度图;所述3d全息投影设备包括vr全景展示台、vr眼镜、虚拟现实数据手套、高性能图形计算机工作站。
24、进一步地,所述贝叶斯网络模型的结构学习为:
25、基于既有的案例街区子数据集,通过pc算法,分析所述各节点变量之间的依赖关系,进而确定依赖方向,确定最优贝叶斯网络模型结构。
26、进一步地,所述贝叶斯网络模型的参数学习为:
27、基于所确定的贝叶斯网络模型结构,采取极大似然估计算法对贝叶斯网络模型结构中各个节点变量之间的条件概率进行估计,得到各节点变量的概率分布情况。
28、基于相同的专利技术构思,本专利技术所述的一种基于贝叶斯网络的城市空间强度分区系统,包括:
29、数据输入与指标计算模块:获取并处理目标街区所在城市的街区矢量数据以及案例数据,计算处理数据形成指标库;
30、贝叶斯网络训练集确定模块:依据处理后的数据,通过相关性分析筛选训练集指标,并通过聚类算法确定案例街区数据集的所有分类子数据集;
31、预测模型获取模块:根据所述分类子数据集对贝叶斯网络展开训练,分别经过结构学习与参数学习后,得到不同分类街区空间强度预测模型;
32、贝叶斯网络预测街区空间强度模块:根据案例街区数据集的分类,通过k近邻分类算法确定目标街区所属分类,并将目标街区数据集投入所属分类的预测模型中,得到目标街区空间强度;
33、数据输出与交互展示模块:将目标街区的空间强度分布方案输出至目标街区数字沙盘,集成为3d城市空间强度街区级分布全息沙盘,进行街区空间强度多方案展示与交互优化,最终输出用地空间强度图和空间强度指标表。
34、有益效果:与现有技术相比,本专利技术的有益效果为:
35、1、本专利技术通过将采集的目标街区及目标街区所在城市的街区矢量数据进行格式统一化处理,构建目标街区数字沙盘,分别形成目标街区数本文档来自技高网...
【技术保护点】
1.一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述步骤(1)实现过程如下:
3.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(2)所述对指标库进行相关性分析筛选出相关性较高的指标予以剔除实现过程如下:
4.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(2)所述通过聚类算法确定案例街区数据集的所有分类子数据集实现过程如下:
5.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述步骤(3)实现过程如下:
6.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(4)所述依据案例街区数据集的分类,通过分类算法对目标街区数据集进行分类,确定目标街区所属分类,具体包括:
7.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(5)所述街区空间强度多方案展示与交互优化,
8.根据权利要求5所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述贝叶斯网络模型的结构学习为:
9.根据权利要求5所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述贝叶斯网络模型的参数学习为:
10.一种采用如权利要求1至9所述的基于贝叶斯网络的城市空间强度分区系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述步骤(1)实现过程如下:
3.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(2)所述对指标库进行相关性分析筛选出相关性较高的指标予以剔除实现过程如下:
4.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,步骤(2)所述通过聚类算法确定案例街区数据集的所有分类子数据集实现过程如下:
5.根据权利要求1所述的一种基于贝叶斯网络的城市空间强度分区方法,其特征在于,所述步骤(3)实现过程如下:
6.根据权利要求1...
【专利技术属性】
技术研发人员:杨俊宴,史宜,孙昊成,蔡纪尧,马巍,张辰,邵典,章飙,
申请(专利权)人:东南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。