文摘
有一个巨大的数据量将废物转化为宝”的机会与大数据时代的到来。城市发展的布局是非常重要的城市交通和建筑系统。一旦完成城市的布局,就很难重新开始。因此,城市建筑布局规划和设计有非常重要的影响。本文运用城市建筑布局大数据来构建布局优化使用先进的计算技术。首先,一个大数据收集和存储系统建立了基于Hadoop平台。然后,城市建筑规划的评价模型建立了基于改进的分对数和PSO算法。PSO算法用于找到适合这种建筑布局的区域,然后通过五影响指标:土地价格,轨道交通,历史保护、道路交通能力,商业潜力已经建立了通过使用以下分对数线性回归模型。然后,分对数之间的桥梁和PSO算法建立了粒子的健身价值。粒子群中的粒子分配给logit模型的指标参数,然后运行logit模型的评价体系。 The performance index corresponding to the set of parameters is obtained. The performance index is passed to the PSO as the fitness value of the particle to search for the best adaptive position. The reasonable degree of regional architectural planning is obtained, and the rationality of urban architectural planning layout is determined.
1。介绍
城市人口城市化的快速发展带来了许多问题,如人口管理、交通拥堵、环境保护、安全,必须面临的每个城市经理,需要协调和标准化。广泛的城市发展现状必须停止和逆转。这是一个紧迫的任务改变发展模式,降低开发成本。城市的合理规划和布局有利于城市的可持续发展,建立现代的先进城市,整个城市的发展。城市建设规划必须更加注重统筹规划,全面发展的设计理念。城市规划必须做昨天更好地继承和创造今天,预见未来的需要。城市建筑规划对一个城市的未来发展非常重要。如果城市的规划和设计不做得好一开始,这可能导致城市的规模在未来,它将是非常困难的突破城市的布局。因此,城市的发展空间受到限制。杜et al。1]PSO算法引入空间优化决策选择,比较穷举方法之间的区别和算法在解决空间优化决策问题的例子,和验证,PSO算法具有更好的收敛速度和更高的结果精度。它是一种有效的方法来解决空间问题的优化决策。朱宁et al。2)增加了惯性权重的速度离散粒子,改进的PSO算法应用于城市土地规划。因此,PSO算法可以更好地用于城市建设规划。城市建筑的规划和设计应该特别注意的问题长期可持续发展和综合发展的城市奠定基础。此外,在城市规划和设计中,我们应该掌握一些重要的设计与观点的科学发展,确保建筑社区可以统一和协调的总体规划和设计。为了真正提高城市的功能,实现城市的可持续发展,有必要把城市建设作为城市生态环境建设的一部分,不断促进城市土地和空间资源的优势在城市的科学规划和调整。
2。城市规划基于Hadoop的大数据采集和存储系统平台
2.1。Hadoop平台的基本框架
Hadoop平台由Apache基金会是一个软件开发平台处理大规模数据。它是一个分布式系统基础架构。Hadoop软件可靠性高的特点,高容错、高扩展性和高的效率。它主要包括两个核心应用程序功能:HDFS和MapReduce。HDFS作为大规模数据的分布式存储。MapReduce是用于大规模数据的分布式计算。
2.1.1。HDFS
HDFS是分布式文件系统上运行的电脑。它使用主/从体系结构来构建一个集群系统。它通常是由一个主节点和多个从节点。主节点称为NameNode,通常由一个高性能的服务器。它主要用于元数据管理,包括客户端访问文件和文件系统命名空间管理(3]。奴隶节点称为DataNode,主要由廉价PC集群环境。它主要用于存储和管理节点上的数据和响应客户端的请求读和写。
如图1目录结构的文件存储在hdfs NameNode独立。每个实际数据文件被分为若干个块。冗余存储在数据块的DataNode集合。NameNode是用于保存系统的文件信息,目录信息和相应的块信息。
2.1.2。MapReduce
2.1.3。MapReduce
MapReduce是大量数据的计算模型对Hadoop并行操作平台。该模型可以分为两个阶段:首先,地图,然后减少。近似的操作过程如下:首先,使用大数据分为几个部分,然后每个subdata加工,叫做地图(4];然后每个处理合并的结果,然后合并后的数据处理。这个过程称为减少。流程如图2:
2.2。基于城市规划大数据存储平台框架
城市和城市规划,人们可以通过数据收集和挖掘视觉分析,然后建立了城市规划模型。根据城市规划大数据的特点,Hadoop分布式(5存储系统是放置在虚拟化的资源管理平台,动态部署Hadoop从节点,快速构建Hadoop分布式存储的特点。
新建的大数据存储平台(6)具有良好的兼容性,生命周期长。它可以存储数据的一个特定城市的实时平台实现数据的分析和处理。在数据存储的过程中,包括土地价格,交通方便,道路交通能力,商业潜力,和其他可量化的数据,可以实现城市建筑物的详细规划与预测系统对接。
矢量数据包括空间坐标信息、属性信息和拓扑信息。为了提高数据访问性能和隔离数据有效故障,矢量数据存储层和块和数据表层是彼此相关的。根据矢量数据的特点,存储层基于HBase表结构设计。
空间坐标信息存储在空间数据列族,属性信息存储在属性列族,和拓扑拓扑信息存储在列族,如表所示1。
3所示。分对数回归模型
3.1。建立分对数回归模型
logit模型,也称为分类评价模型(7),是最早的离散选择模型,它属于概率非线性回归模型。模型是简单样品,不需要假定样本分布。这是一种常见的统计实证分析的方法,如社会学、经济学和市场营销。模型的参数是清晰和解释。本文采用logit模型来优化城市建筑的布局规划和找到最好的位置各种各样的建筑。
建立分对数回归模型的方法如下:让是一个二进制变量。该值为“1”(这意味着建筑合理放置)或“0”(这意味着这里的建筑是放置不合理),也有独立变量 这有影响吗 。 代表建筑的概率被放置在自变量的影响下 ;分对数回归模型可以表示为
的公式, ,是一个常数项, 是一个回归系数。设置的一个线性组合吗变量;这个公式可以描述如下:
分对数曲线之间和如图3。
从图可以看出3的范围值从0 ~ 1,S型对称集中在(0,0.5)。
分对数回归模型可以表示为
的形式, 代表的自然对数的比例合理和不合理的概率发生的建筑布局,我们称之为分对数转换的 ,这是记录为 。
3.2。分对数回归模型的参数
可以看出在3常数项)表示的自然对数的比值发生概率之间的合理和不合理的结果缺乏独立的变量 。回归系数是 这表明的变化由独立变量的变化引起的当其他独立变量是不变的(8]。有一个相应的回归系数之间的关系和比值比(或),这是一个指数来衡量风险因素的影响。同样的论点xj,当增加一个单位,一个公式。
也就是说,
当自变量 , 。它表明,独立的变量对合理的位置没有影响,当自变量的回归系数是什么 ,这意味着独立变量 后独立变量的增加,这表明独立变量的存在有利于某一现象的发生。当自变量的回归系数 ,然后独立变量的增加 ,这表明独立变量的存在不利于一个现象的发生,事件的发生是一个限制因素。
3.3。分对数回归模型的参数估计
后得到了模型参数的建立分对数回归模型。的参数 需要估计的模型的样本数据。一般来说,估计被记录 。当根据样本数据估计模型参数,最常见的方法是最大似然估计(标定)9]。最大似然估计的中心思想是选择的价值目前的样品可以获得的最大概率估计模型参数的值。建设样本自然功能:
为了简化计算过程,通常被误认为是对数似然函数。
在这个时候,目标函数 ,叫做自然对数函数。似然函数最大值的条件下,获得的解决方案 ,也就是说, 。通常指回归参数的最大似然估计。
3.4。分对数回归模型的假设检验
根据样本数据,估计参数。分对数回归模型后,回归系数仍然需要进行测试,以验证回归系数是否具有统计学意义。因为logit回归模型中的因变量两个分类和不连续,误差的分布不再是正态分布,但它满足两个分布,和所有的分析是基于两个分布,回归模型和回归系数测试是不同的多元回归模型,和logit模型是不同的。假设检验主要包括两个方面:首先,假设检验是进行整个模型测试是否所有自变量的回归系数并不都是0。似然比检验(10)通常是使用;两个是一个回归系数,假设检验和测试的相应变量的独立变量的影响是真的,和瓦尔德测试通常是使用。
3.4.1。最大似然估计
(1)企业的原则。假设对于一个给定的样本 ,和它的联合概率分布 。联合概率密度函数被认为是未知参数的函数 , 被称为似然函数。估计最大似然原理未知参数 ,的似然函数可以达到最大值或发现的最大概率样本 发生。
(2)似然比检验。在统计推断,经典的测试方法是基于似然比。似然比检验是一个响应真实性和敏感性指数,定义为最大似然函数的约束条件下,在无约束条件下最大似然函数的比值。最大似然估计的线性回归模型的参数,使用下面的公式:
他们在无约束条件下最大化似然函数。无约束极大似然的最大似然得到似然函数。
(3)公式。常数是独立于任何参数的模型,和是残差的平方和。
另一方面,如果似然函数约束条件下最大化 ,估计的值和和代表性约束条件下的最大似然值,最大值无约束的约束不会超过最大值。但是,如果约束条件是“有效”,约束的最大值应“方法”最不受限制。这是似然比检验的基本思想。似然比的定义是
很明显, 。如果原假设是正确的,我们将认为的价值接近1。或者,如果太小了,我们应该拒绝原假设。似然比检验的建立是使原始假设拒绝的时候 。也就是说, (是一个显著水平)。在某些情况下,否认 域可以转化为形式的t统计或F统计我们知道很好。然而,一般的应用程序是一个大样本测试。它可以证明,对于大样本,似然比统计数据
具体来说,如果LR很大,原假设应该被拒绝,或者拒绝 。 的下部1 -α卡方分布的分布。
无约束极大似然值 已经获得。为了保证LR的计算,我们还需要获得最大似然值 在约束条件下。为此,最大化(的公式是拉格朗日乘子向量的和不受约束的对数似然函数),在约束条件下可以获得。由于参数的最大似然估计实际上是一样的最小二乘估计量,剩余误差 ,的最大似然估计带约束条件是 (类似于(12))。
(4)在表单中。无约束模型的剩余方块和RSS 。
残差平方和RSS的约束模型记录 。
(5)瓦尔德测试。瓦尔德测试的优点是,它只需要一个无约束模型。当约束模型的估计是非常困难的,这个方法更适用。此外,瓦尔德测试适用于测试线性和非线性约束。瓦尔德测试的原理是测量无约束之间的距离估计和约束估计,例如,假设以下无约束模型假设:
测试它是否持有的线性约束条件下 ,约束模型可以表示为
也可以使用。因为必须有 ,瓦尔德测试只是用来评估无约束模型。如果建立了约束条件,无约束估计量( )近似为零。如果没有约束,无约束估计量( )将显著为零。
4所示。基于PSO优化建筑布局和布局模式
4.1。优化算法的选择
正如我们所知,模拟退火算法灵活,广泛使用和高效。然而,全球搜索能力差,很容易受影响的参数。因此,它并不适合搜索城市地图上的适当位置。尽管遗传算法能够跳出局部最优和全局最优,它不适合城市的进一步发展,因为它的新空间有限的搜索能力。此外,更多的培训时间更有限的缺点大数据的上下文。因此,PSO算法收敛速度快和全局搜索更适合这类问题。
4.2。粒子群优化算法的原则
在经典粒子群优化算法(11),每个粒子都有自己的位置和速度。粒子的位置代表解空间中的一个点,和粒子的速度代表了方向和距离的不同维度。通常情况下,用于指示当前的位置粒子。显示当前的速度粒子,表示的最优位置粒子搜索。有时候,也用于表示粒子本身。一个粒子的位置取决于优化问题的目标函数值,也就是说,适应度函数的值。它是记录为 。
粒子群优化算法首先随机初始化的位置和速度信息粒子群中的每个粒子的大小。然后,在随后的迭代中,由两个历史最优粒子更新信息。第一个是自己的历史改编价值最高的位置,表示 ,,另一个是历史的整个人口的适用性。值表示的最大值 。解空间的维维,粒子群的位置和速度更新更新所示(18)和(19),分别为,代表了D维度的位置或速度。
类型(18)的迭代次数和均匀分布随机数在[0,1],然后呢和是正常的正数,称为学习的因素。为了防止粒子在解空间之外,飞行的常数用于限制粒子的最大速度。如果一个维度的绝对值的粒子的速度超过了 ,它的值被设置为或 。粒子的位置还被限制在相应的搜索范围 。如果粒子的位置超过边界在飞行过程中,需要相应的边界处理(12]。当一个粒子超过在一维搜索空间的范围,可以设置的价值维度作为边界值。
获得粒子的新位置后,对应的目标函数值可以获得,粒子的历史最优位置信息和人口的历史最优位置信息可以更新。
公式的右边(18)由三个部分组成。第一部分是粒子的速度在更新。这一部分有能力探索新领域,扩大搜索范围,配备了粒子群优化算法的全局优化能力。第二部分被称为“认知模式”,使粒子具有很强的局部搜索能力通过学习他们的历史的最佳信息。第三部分是所谓的“社会模式”,这意味着粒子受到的最优信息的人口历史,它反映了粒子之间的合作和信息共享。这三个部分一起决定粒子找到最优解的能力。
4.3。标准粒子群优化
在优化问题的实际解决方案,常常需要进行全局搜索。粒子群优化算法收敛快,但容易陷入局部最优。施进行和埃伯哈特(13)是致力于研究这个问题。搜索收敛于一个地区后,当地详细搜索使用再次得到一个更好的解决方案。因此,在第一部分(18),也就是说,粒子本身的速度乘以惯性权重 。当惯性权重大,该算法具有很强的全局搜索能力,而当惯性体重吗小,算法具有较强的局部搜索能力。通过这种方式,我们可以实现全球搜索之前本地搜索的影响。因此,粒子群优化算法的新的速度更新所示(20.)。
进行施和埃伯哈特改进的PSO算法与原算法相比,发现改进后的算法在很大程度上很大的提高优化性能。据说这个算法改善了标准PSO算法,这也是当前研究的基础粒子群优化算法。ω的惯性权重ω代表粒子的速度继承能力,这是第一次将惯性权重引入PSO算法。分析表明,大惯性体重有利于全球搜索和降低惯性权重更有利于本地搜索。使用线性递减惯性权重选择的重量,也就是说, 在哪里是初始惯性权重。的惯性权重最大迭代次数。是当前迭代的数量;最大迭代代数中,一般来说,惯性权重w= 0.9,w= 0.4算法性能是最好的,所以,以下迭代线性递减惯性权重从0.9到0.4,迭代初始大惯性权重算法保持了强大的全局搜索能力,和迭代后期低惯性体重有利于当地的搜索算法,是本地搜索算法更准确和更精确的(图4)。
粒子群优化算法在本文中没有提到特殊描述是指标准粒子群优化算法(14]。标准PSO算法的步骤如下:
步骤1。 ,每个粒子的位置和速度的人口是初始化,和最大速度和位置边界和是集。
步骤2。计算每个粒子的适应值。
步骤3。更新每个粒子的最优位置和所有粒子的最优位置 。
步骤4。更新粒子速度根据(17)。如果粒子速度超过边界,跨界进行治疗。
第5步。更新粒子的位置根据(16)。如果粒子的位置超过边界,跨界进行治疗。
步骤6。 。如果完成条件满足,算法结束。否则,去一步2。
标准粒子群优化算法的流程图如图5。
5。城市建筑规划基于分对数和PSO算法
5.1。城市建筑的布局规划的主要影响因素
城市规划和布局优化可以协调建筑的内部功能和外部环境,所以土地占用的布局决定了整个城市设计的方向,与城市发展空间。建筑的布局需要满足经济的基本要求,完整性和前提,以满足用户的需求。城市规划是规划城市经济的发展,空间,和社会结构发展远景的前提下,科学论证,专家决策。根据城市规划理论,常见的指标意义在不同类型的建筑。每个城市都有自己的历史,特殊的地理位置,和自身的特点,它应该考虑许多因素在一个特定的建筑的规划和布局。数据审核和选择,本文选择土地价格(X1)、轨道交通(X2)、历史保护(X3道路交通容量(),X4)和商业潜力(X5)来衡量城市建筑规划的分布。
5.1.1。土地价格
城市土地的价值影响程度的城市规划。从城市总体水平,决定未来的城市土地价格的因素包括城市土地配置的合理程度,土地使用功能布局、城市基础设施的发展水平,城市建设,整体能力和控制标准。所有这些都是由城市规划决策决定。从城市局部地区的角度,确定土地价格的因素包括土地使用功能,开发强度,环境控制,是由特定的规划控制要求。合理规划的发展意味着一些土地是有限的,而给了大型开发一些土地的价值,和每个特定土地的市场价格随规划的控制条件。良好的规划不仅能保证高效、合理利用城市土地,还提高城市土地价格的总体水平。土地价格变化由于不同的规划阶段,城市土地价格的影响规划大纲,全面规划、控制性详细规划和规划实施的过程。
5.1.2中。轨道交通
中国已经进入了一个快速城市化时期。随着城市规模的不断扩大,上下班时间和距离也相应增加了。通勤成本已经成为一个主要因素在选择住宅用地和商业领域。因此,根据情节之间的距离和地铁和公交站,某种类型的建筑的规划和土地测量。轨道交通的建设改善了沿线的交通可达性和推动经济的发展。
5.1.3。历史保护
城市是经济发展的产物和结晶的历代的文化进化。在城市发展的历史悠久,前辈给我们留下了丰富的历史文化遗产:古城堡,古代建筑(塔、桥,寺庙,看来,花园,房子,等等),古老的街道,古老的小镇,古老的雕塑,古城遗址,等古代文化思想、科学技术和社会景观。它们就像一面镜子,可以反映在一定历史时代文明的特点,成为参考和进一步发展的基础,发展,城市建设的未来。城市的历史是城市的社会和文化内涵,代表社会行为习惯和文化价值的城市居民,城市居民的社会生活需求。只有尊重历史我们可以利用的城市规划,使城市发展对当地居民的理想方向和建立一个城市文化内涵和独特的特点。因此,对于一些地区,如历史遗迹和文化保护,有必要给予合理的考虑到物理规划和空间,以减少保护地区的影响和破坏。
5.1.4。道路交通能力
道路交通的能力是指的能力车道或道路的部分通过车辆或行人在一定的时间内特定的道路和交通条件下。当有车辆来往,国内公路通常用作单位相当于中型货运车辆,和等效面包车作为单位在高速公路,一级公路、和城市。的主要因素影响路况、车辆性能、交通和环境条件,质量管理水平,飞行员,和气候,根据交通状况,可分为连续的交通能力,即两个路口之间的道路交通能力。基于道路交通的能力,不同级别的城市道路会有不同的影响。级别越高,交通道路的情节,通行能力越大。
是5.1.5。商业潜力
基于商业潜力,商业潜力的建筑规划,也有一个重大的影响和巨大的商业潜力的地区通常会形成企业集群。
5.2。PSO算法应用在城市建设规划和布局
粒子群优化算法用于城市建设规划和布局的优化参数,如图1。
在图6,粒子群优化和logit模型之间的桥梁是相应的粒子的适应值的性能指标(城市规划布局的粒子当前位置)。粒子群优化过程如下:可以初始化粒子群算法产生,也可以更新粒子群中的粒子群粒子logit模型参数的赋值,然后运行logit模型的评价体系,即类型(18),获得集团指数参数对应的性能指标,性能指标通过粒子的适应值的算法,最后决定你是否可以退出算法。
5.3。分对数回归模型算法的城市建筑规划服务
选择根据上述五个指标,土地价格、铁路运输、历史保护、道路交通能力,商业潜力(分别 ),建立了Logit模型如下:
借助SPSS软件,分对数回归分析的样本数据收集和存储在Hadoop平台。的回归系数 和偏差得到了。
带来的参数(22):
公式(23)是用作PSO适应度函数。因此,目标函数
5.4。算法参数设置
在(18)和(19),最大粒子的速度和位置是2。 的上限和下限的范围搜索城市对象。粒子速度更新常数由目标建筑的大小决定。至于选择的惯性权重的值 ,利用Hadoop的示例数据平台,数十名ω值是用来解决函数。解决方案的平均值,失败,和接近t0he最优值比较分析收敛精度和速度(表2)。最后,0.8477是发现惯性权重。
5.5。案例研究
以河北省工业建筑的布局为例,借助Hadoop-based数据采集和存储平台的构建,工业建筑在城市的位置信息被收集,和布局的指标体系数据的工业建筑城市筛选出来。数据预处理后,指数比例1 - 7点,围绕历史保护和铁路交通容量根据级的七年级。屏幕的位置索引数据在某一地区的城市。
通过回归分析的数据,分对数回归公式。
分对数变换应用于上面的形式:
上面的PSO算法找到的位置更健康。结果如下:
六个最大的健康和他们的立场在上面的表中列出。这些位置选择最适合工业用地位于。
与粒子群和logit模型算法流程,使用MATLAB仿真计算一步一步和城市工业用地规划布局优化,结果得到:随着迭代的数量的增加,工业用地的优化减少,而0.8477的可信度和不再增加,工业用地规划的优化模型在这方面指出6。如图7与X轴和Y轴向长度和宽度的空间模型,优化模型在这一领域的工业用地规划指出六个空间情节规划建议。
6。结论
布局规划的大数据存储系统,通过建立评价模型实现分对数回归模型构建当前城市建设点,然后作为一个粒子群优化模型的自适应值函数来搜索最优建设点,经济可行性,归属感,自然耐久性许多元素视为最好的城市建筑适宜性评价通过个案分析,本文构建了基于大数据的背景下城市规划的合理性布局建设将为城市经济可持续发展,符合城市建设规划必须更加注重设计理念的统一规划,全面发展。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了国家自然科学基金(51508334号;51178279)和广东省自然科学基金(2015号a030310276)。