法律状态公告日
法律状态信息
法律状态
2020-07-24
未缴年费专利权终止 IPC(主分类):G06Q10/04 授权公告日:20130605 终止日期:20190810 申请日:20110810
专利权的终止
2013-06-05
授权
授权
2012-01-04
实质审查的生效 IPC(主分类):G06F19/00 申请日:20110810
实质审查的生效
2011-11-23
公开
公开
技术领域
本发明涉及城市扩展预测方法,尤其涉及一种基于云模型元胞自动机的城市扩展预测方法。
背景技术
城市扩展是元胞自动机(cellular automata,简称CA)应用的一个热点领域。Tobler院士在20世纪70年代首次将元胞自动机方法引入城市研究,并采用元胞自动机模拟美国五大湖边底特律地区城市的迅速扩展。但是,这时元胞自动机在城市扩展的应用还处于一般性讨论与方法“地理化”阶段,标准元胞自动机模型应用在城市扩展领域的性能和实用性有待进一步完善。许多元胞自动机扩展模型相继被提出并得到了更为广泛的发展。首先,多准则判断[1]、Logistic回归[2]等数理统计方法被应用于元胞自动机转换规则构建中;其次,近年来数据挖掘[3]、神经网络[4]、多智能体[5]、核学习机[6]、支持向量机[7]、人工免疫系统[8]等方法被用于转换规则的智能获取。
以黎夏、叶嘉安和周成虎为代表的学者们在元胞自动机扩展模型上做了很多有意义的理论尝试,但是这些元胞自动机扩展模型过分依赖高效的模型算法,不能从根本上解决城市扩展元胞自动机的真实性问题,很少考虑城市扩展中的不确定问题。一般元胞自动机采用蒙特卡洛方法[9]、模糊逻辑[10-11]来反映城市扩展的不确定性,但上述方法仅反映了城市扩展不确定性的随机性或模糊性,不能完整表达不确定性。Zhang等[12]采用位置和数量Kappa系数来分析空间明确模型中的预测不确定性和模拟的精度问题,该研究的实质是对模拟结果进行敏感性分析,从模型构建上并未体现不确定性定量传播问题。
文中涉及的参考文献如下:
[1] Wu F, Webster CJ. Simulation of land development through the integration of cellular automata and multicriteria evaluation. Environment and Planning B: Planning and Design. 1998, 25(1):103-126.
[2] Wu F. Calibration of stochastic cellular automata: the application to rural-urban land conversions. International Journal of Geographical Information Science. 2002. 16(8):795-818.
[3] Li X, Yeh AGO. Data mining of cellular automata's transition rules. International Journal of Geographical Information Science. 2004. 18(8):723-744.
[4] Li X, Yeh A.G.O. Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal Of Geographical Information Science: 2002. 16(4): 323-343.
[5] Chen YM, Li X, Liu XP, et al. An agent-based model for optimal land allocation (AgentLA) with a contiguity constraint. International Journal of Geographical Information Science. 2010. 24(8): 1269-1288.
[6] Liu X, Li X, Shi X, et al. Simulating complex urban development using kernel-based non-linear cellular automata. Ecological Modelling. 2008. 211(1-2):169-181.
[7] Yang QS, Li X, Shi X. Cellular automata for simulating land use changes based on support vector machines. Computers & Geosciences. 2008. 34:592–602.
[8] Liu XP, Li X, Shi X, et al. Simulating land-use dynamics under planning policies by integrating artificial immune systems with cellular automata. International Journal of Geographical Information Science. 2010.24(5): 783-802.
[9] Li D, Cheunq D, Shi XM. Uncertainty Reasoning Based on Cloud Models in Controllers. Computers and Mathematics with Applications. 1998. 35(3):99-123.
[10] Al-Kheder S, Wang J, Shan J. Fuzzy inference guided cellular automata urban-growth modelling using multi-temporal satellite images. International Journal Of Geographical Information Science. 2008. 22(11-12):1271-1293.
[11] Al-Ahmadi K, See L, Heppenstall A, et al. Calibration of a fuzzy cellular automata model of urban dynamics in Saudi Arabia. Ecological Complexity. 2009.6:80–101.
[12] Zhang J, Zhou YK, Li RQ,et al. Accuracy assessments and uncertainty analysis of spatially explicit modeling for land use/cover change and urbanization: A case in Beijing metropolitan area. Science China Earth Sciences. 2010.53(2):173-180。
发明内容
针对现有技术存在的不足,本发明提供了一种基于云模型元胞自动机的城市扩展预测方法,该方法能更真实、准确地模拟城市扩展。
为了解决以上技术问题,本发明采用如下的技术方案:
一种基于云模型元胞自动机的城市扩展预测方法,包括以下步骤:
1)栅格化城市土地利用图,每一栅格对应一个元胞;
2)对各元胞转换概率变量及非城市元胞距各空间变量的空间距离采用概念集“近、中、远”表达,并采用云模型定量表达概念集,实现定性到定量的表达,所述的空间变量为城市中心、镇中心、工业中心和主干道;所述的元胞转换概率变量值在0~1之间,并等分为三个区间,分别对应“高、中、低”概念;
3)构造规则发生器,本步骤进一步包括以下子步骤:
3-1构建云推理引擎,即定性规则库,采用“If A,then B”形式表达,其中,A为各非城市元胞距各空间变量的空间距离所属的概念集;B为在空间变量影响下的元胞转换概率概念集;
3-2根据所构建的定性规则库,采用多维云模型构造对应于If部分的前件规则发生器,并采用二维云模型构造对应于then部分的后件规则发生器;
4)根据判断各非城市元胞所属的概念,通过规则发生器得到空间变量影响下的元胞转换概率,本步骤进一步包括以下子步骤:
4-1将各非城市元胞距各空间变量的空间距离值输入至前件规则发生器,采用极大判定法判断各空间距离值属于概念集{远、中、近}中的某个概念,并激活前件规则发生器中对应的定性规则库,通过前件规则发生器推理引擎,输出中间隶属度值;
4-2将上述中间隶属度值作为后件规则发生器的输入值,激活对应的后件规则发生器,通过后件规则发生器推理引擎,得到各非城市元胞对于某一概念的最终隶属度值,即,非城市元胞城市化的转换概率;
5)考虑邻域、宏观因素,制定非城市元胞的行为转变规则,并根据非城市元胞的行为转变规则计算每个元胞的最终元胞转换概率,若元胞转换概率大于预设阈值,则该非城市元胞所代表的土地城市化;否则,该非城市元胞状态不变;所述预设阈值根据元胞转换概率值分布范围和分布特征确定。
上述步骤2)进一步包括以下子步骤:
2-1获取各非城市元胞距各空间变量的空间距离值,根据各非城市元胞距各空间变量的空间距离构建空间距离矩阵
2-2将各非城市元胞距各空间变量的空间距离值离散化、概念化;
2-3从空间距离矩阵
2-4 对步骤2-3所抽取的各元胞距各空间变量的空间距离值进行K均值聚类分析,将空间距离矩阵
2-5将空间距离表达为三个概念粒度,即远、中、近;将由空间变量决定的元胞转换概率记为
2-6利用云模型表示空间距离矩阵
2-7 根据步骤1-5得到云模型的数学特征值、熵的数学公式:
上述步骤2-1中利用ArcGIS工具获取各元胞距各空间变量的空间距离值。
上述步骤2-3中采用随机分层法从空间距离矩阵
上述步骤3-2中采用多维云模型构建前件规则发生器进一步包括以下步骤:
3-2-1假设变量
3-2-2以
3-2-3以
3-2-4计算输出值
3-2-5重复步骤2-1-2 ~2-1-4,至产生N个云滴,N可取任意值,作为优选,N取2000。
上述步骤5)中制定元胞的行为转换规则进一步包括以下子步骤:
5-1采用四方网格对元胞空间进行划分,元胞空间中元胞邻域采用半径R=4的圆型邻居;
5-2对在空间变量驱动下的元胞转换概率
上述
与现有技术相比,本发明具有以下优点和有益效果:
本发明方法构建了不确定性与模拟结果精度之间的定量模型,并将上述模型应用于城市扩展预测中,有助于更真实、准确地模拟城市扩展。
附图说明
图1为实施例中空间距离的云模型;
图2为多维云模型;
图3为实施例中采用规则发生器计算隶属度的过程示意图;
图4为本实施例中
图5为不同超熵He值下的结果模拟图对比;
图6为超熵He值与新增元胞数量之间的关系;
图7为采用本发明方法预测的2005年和2007年江夏区城市扩张图及实际图的对比,(a)为2005年江夏区城市扩展实际图,(b)为采用本发明方法预测的2005年江夏区城市扩展图;(c)为2007年江夏区城市扩展实际图,(d)为采用本发明方法预测的2007年江夏区城市扩展图;
图8为2010年江夏区城市扩展预测图;
图9为2020年江夏区城市扩展预测图;
图10为2002-2007年三种不确定CA模型的模拟结果对比,(a)为采用本发明方法得到的2005年江夏区城市扩展预测图;(b)为采用模糊CA法得到的2005年江夏区城市扩展预测图;(c)为采用Monte Carlo法得到的2005年江夏区城市扩展预测图;(d)为采用本发明方法得到的2007年江夏区城市扩展预测图;(e)为采用模糊CA法得到的2007年江夏区城市扩展预测图;(f)为采用Monte Carlo法得到的2007年江夏区城市扩展预测图。
具体实施方式
下面将结合附图和具体实施例对本发明技术方案的优势做进一步说明。
本发明所提出的一种基于云模型元胞自动机的城市扩展预测方法,包括以下步骤:
一、栅格化城市土地利用图,每一个栅格对应一个元胞。
二、对各元胞转换概率变量(该变量值在0~1之间,该变量一开始并不需要求取,知道其值的变化区间[0, 1],等分为三个区间即可,分别对应高中低即可)及非城市元胞距各空间变量的空间距离采用概念集“近、中、远”表达,并采用云模型定量表达概念集,实现定性到定量的表达树,所述的空间变量为城市中心、镇中心、工业中心和主干道;所述的元胞转换概率变量值在0~1之间,并等分为三个区间,分别对应“高、中、低”概念;
本步骤的一种具体实施方式如下:
2-1利用ArcGIS或Matlab工具获取各非城市元胞距各空间变量的空间距离值,根据各非城市元胞距各空间变量的空间距离构建空间距离矩阵
2-2将各非城市元胞距各空间变量的空间距离值离散化、概念化;
2-3采用随机分层法从空间距离矩阵
2-4对步骤2-3所抽取的各元胞距各空间变量的空间距离值进行K均值聚类分析,将空间距离矩阵
2-5根据人类的认知习惯,可将距离表达为三个概念粒度,即远、中、近;同理,将由空间变量决定的元胞转换概率记为
2-6利用云模型表示空间距离矩阵
2-7 根据步骤1-5得到云模型的数学特征值、熵的数学公式:
2-6 为了处理定性概念中存在的不确定性,包括模糊性和随机性,这里采用云模型来表示各个定向概念,并用云模型构造一种具有不确定性的泛概念树。定性概念的集合可定义为由论域上的基本概念组成,即利用云模型表示空间距离矩阵
2-7 根据步骤1-5得到云模型的数学特征的数学公式:
按照上述云模型的数学特征的数学公式可生成空间距离的云模型,如图1所示,从图中可知,用云模型表达的各个概念之间的区分是软性的,允许一定的交叠。这与模糊理论有相似之处,但是由云模型建立的论域输入与输出之间为一对多的映射关系,从而有力结合了模糊性和随机性,完整表达了城市扩展中驱动因素与元胞转化概率之间的必然性和不确定性关系。
三、构造规则发生器,本步骤进一步包括以下子步骤:
3)构造规则发生器,本步骤进一步包括以下子步骤:
3-1构建云推理引擎,即定性规则库,采用“If A,then B”形式表达,其中,A为各非城市元胞距各空间变量的空间距离所属的概念集;B为在空间变量影响下的元胞转换概率概念集;由于在城市扩展研究问题中,有四个空间变量,即城市中心、镇中心、工业中心和主干道,四个空间变量对应四个概念集,因此采用多规则知识库,具体为If A1 and A2 … and A4, then B,其中,
3-2根据所构建的定性规则库,构建对应于If部分的前件规则发生器和对应于then部分的后件规则发生器。对于If部分,由于有4个空间变量,所以选择多维云模型构建前件规则发生器,可以避免各空间变量赋权的复杂问题;对于then部分,由于只有元胞转换概率一个变量,所以选择二维云模型构建后件规则发生器。图2所示为以非城市元胞与城市中心距离和与工业中心距离为例,生成的多维云模型。
本步骤中采用多维云模型构建前件规则器的一种具体实施方式如下:
3-2-1假设变量
3-2-2以
3-2-3以
3-2-4计算输出值
3-2-5重复步骤2-1-2 ~2-1-4,至产生N个云滴。
四、根据判断各非城市元胞所属的概念,通过规则发生器得到空间变量影响下的元胞转换概率,本步骤进一步包括以下子步骤:
4-1将各非城市元胞距各空间变量的空间距离值输入至前件规则发生器,采用极大判定法判断各空间距离值属于概念集{远、中、近}中的某个概念,并激活前件规则发生器中对应的定性规则库,通过前件规则发生器推理引擎,输出与输入对应的确定度
4-2将步骤4-1得到的确定度
图3所示为采用规则发生器计算隶属度的过程示意图。
五、考虑邻域、宏观因素,制定非城市元胞的行为转变规则,并根据非城市元胞的行为转变规则计算每个元胞的最终元胞转换概率,若元胞转换概率大于上预设阈值,则该非城市元胞所代表的土地城市化;否则,该非城市元胞状态不变;所述预设阈值根据元胞转换概率值分布范围和分布特征确定:
本步骤的一种具体实施方式如下:
5-1为了便于计算机表达,采用四方网格对元胞空间进行划分;为了克服传统元胞邻域的局限性,元胞空间中元胞邻域采用半径R=4的圆型邻居;
5-2除了考虑空间变量的驱动因素外,转换规则的构建也需考虑邻域、宏观因素的综合影响。将在空间变量驱动下的元胞转换概率
上述
下面将以武汉市江夏区2002年的土地利用现状图为基础,采用本发明方法来预测江夏区在2002-2005年、2005-2007年两个时间段的城市扩展情况。
一、采用本发明方法预测江夏区在2002-2005年、2005-2007年两个时间段的城市扩展情况:
在实施本方法前,需进行云模型参数的设置,参数的设置直接影响到预测结果的好坏。前件规则发生器为五维云模型,江夏区在2002-2005年、2005-2007年两个时间段的前件规则发生器和后件规则发生器的数学特征
表1 江夏区云模型参数设置表
从图4中易看出,随着
从不同
当
以2005年城市发展现状图为基点,模型运行N个周期后与2007年实际城市发展图的匹配精度最高,则推算出模型每运行一个周期代表的实际年数为N/2。采用Cloud-CA进行预测时,以2007年城市发展现状图为基点,以模拟2007年Cloud-CA的参数进行设置,假定模型的运行周期代表的实际年数为N/2。模型运行若干周期后,得到2010年和2020年的城市发展预测图,分别如图8和图9所示。
二、本发明方法和蒙特卡洛方法(Monte Carlo)用于预测江夏区城市扩展结果的对比
从现有研究看,CA模型中不确定性的表达始终不够完整,不能有机地整体考虑模糊性和随机性问题,全面表达不确定性的两个方面,即复杂事物及模型均具有模糊性和随机性。Cloud-CA有力地集成了概念的模糊性和随机性,完整表达了城市扩展中不确定性问题;模糊CA主要反映了城市扩展中不确定性的模糊性;采用Monte Carlo的CA主要反映了城市扩展中不确定性的随机性。
从图10所示的两组模拟结果对比可知,在同等参数设置的条件下,Cloud-CA的不确定性程度高于模糊元胞自动机,且主要表现在城市扩展的边缘区域。原因主要是Cloud-CA集成了模糊元胞自动机表达的模糊性和Monte Carlo方法的随机性,模糊性和随机性的结合增加了模型的不确定性表达,故不确定性程度增加,新增城市元胞数量比模糊CA有所减少。而不确定性主要集中在城市边缘这一现象是与云模型的原理密不可分的。将云模型引入CA中,元胞的不确定性程度与距离变量(如与城市中心、镇中心、工业中心、主干道等的距离)存在负相关关系,即距离变量越小,说明越靠近城市中心、镇中心、工业中心、主干道等城市用地,该元胞的地理区位优势越明显,多维云模型会产生高的隶属度值。根据云模型的云滴分布状况,当输入的隶属度越高时,输出值(即元胞转换概率)的云滴随机性越低,不确定性程度降低,反之亦然。因此,云模型能有效地表达城市扩展的不确定性分布特征。
而对比Cloud-CA与Monte Carlo方法,易发现Monte Carlo方法的不确定性程度高于Cloud-CA,不确定性的分布不仅在城市边缘也分布在城市内部,造成城市被“蜂窝洞”填满。虽然Monte Carlo方法被广泛运用,用以反映随机因素对城市模拟的影响。但是从效果上看,Monte Carlo方法属于无约束条件的干扰,城市内部各处受干扰的概率一致,造成城市内部“蜂窝状”,不符合城市土地集约利用需要和城市紧凑式发展的现状。Cloud-CA将干扰概率与空间距离约束条件结合起来,区别了城市内部和城市边缘的不确定性分布规律,完整表达了不确定性的内涵。采用Kappa系数来衡量模拟结果的精度,三种CA模型的模拟精度如表2所示,对比可知Cloud-CA的模拟精度均高于模糊CA和Monte Carlo方法。
表2 三种CA模型2002-2007年模拟结果精度对比
机译: 使用概率模型和地图数据确定城市购物中心路线的路线预测方法,涉及基于当前确定的道路类别概率模型选择车辆地图数据的区域
机译: 提供基于动态扩展的非线性内容组装模型的基于云的内容组装方法
机译: 为语音到文本转换提供匿名和安全机制的新颖创新方法。本发明提供了一种通用且可扩展的隐私层,其利用了现有的基于云的自动语音识别(ASR)服务,并且可以适应新兴的语音到文本技术,例如自然语言处理(NLP),语音机器人和其他基于语音的人工语言。智能接口。本发明还允许在不牺牲法律,医学,金融和其他隐私敏感领域的情况下应用最新和最好的语音技术。