【技术实现步骤摘要】
本专利技术涉及一种街道综合服务中心微观选址方法、系统、设备及存储介质，属于设施选址。
技术介绍
1、街道综合服务中心是以城市街道为单元，以城市街道内居民、驻街道单位为服务对象，按标准化方式，集中或相对集中配置了街道级的行政管理、文化、体育、医疗卫生和社会福利等公共服务设施的综合体。因此，关于街道综合服务中心的选址尤为重要。
2、选址问题在公共服务设施的规划中广泛存在，如街道综合活动中心、体育中心、学校、养老院、文化中心等设施的选址等。随着城市规划和建设的迅猛发展，高密度建成环境下的街道综合服务中心选址往往要综合考虑更多的影响因素来解决选址问题。当前，研究多将街道综合服务中心的布点选址作为一个整体进行研究。
3、目前，城市街道综合服务中心选址方面主要存在以下方面的问题：首先，当前街道综合服务中心的选址更多是通过定性分析得出结果，缺乏使用“多源数据分析”和“机器学习”等定量分析方法进行系统分析，而科学的定量选址方法又缺乏针对性，常将其归于公共服务站点的选址方法中，缺乏以街道综合服务中心为具体对象的综合考虑。导致选址只能满足最基本的公共服务需求覆盖。其次，选址更多是在宏观的视角下，根据可达性、服务半径等基本原则进行考虑，缺乏在微观视角下使用多源数据对单个建筑进行选址的方法与系统，从而导致街道综合服务中心的位置选择落实到具体建筑上具有较强的主观性。最后，过去增量时代的选址方法已经不适应当前的高密度建成环境，缺乏一种系统科学的针对高密度建成环境下街道综合服务中心的选址方法与系统。
技术实
1、有鉴于此，本专利技术提供了一种街道综合服务中心微观选址方法、系统、计算机设备及存储介质，其依托城市规划领域中成熟的“5d”指标体系(目的地可达性、密度、与公交站点距离、多样性和设计)和各地过去的综合服务中心布点规划等文献资料，构建创新综合的指标体系，并使用“多源数据+机器学习”的定量研究方法，更科学和合理化地在高密度建成环境下从微观视角进行街道综合服务中心的选址规划，减少对经验和主观判断的依赖，为当地政府及街道在综合服务中心选址时提供一定的参考借鉴。
2、本专利技术的第一个目的在于提供一种街道综合服务中心微观选址方法。
3、本专利技术的第二个目的在于提供一种街道综合服务中心微观选址系统。
4、本专利技术的第三个目的在于提供一种计算机设备。
5、本专利技术的第四个目的在于提供一种存储介质。
6、本专利技术的第一个目的可以通过采取如下技术方案达到：
7、一种街道综合服务中心微观选址方法，所述方法包括：
8、获取目标城市的人群画像软件开发工具包数据、兴趣点数据、兴趣面数据、百度街景数据和城市道路数据，构成第一样本数据集，所述兴趣面数据包括城市用地功能数据和建筑轮廓面数据；
9、对第一样本数据集进行预处理，得到第二样本数据集；
10、对第二样本数据集进行进一步处理，计算出每个建筑单元相关的数据，使街道综合服务中心相关数据形成相关指标，将指标数据进行归一化处理，并分为建模样本数据集和目标样本数据集；
11、构建随机森林分类模型，将建模样本数据集作为机器学习样本，使用交叉验证训练随机森林分类模型并且进行参数调优，得到街道综合服务中心特征模型；
12、调用街道综合服务中心特征模型，计算相关指标的特征重要性，将相关指标的特征重要性作为指标权重；
13、根据目标样本数据集，结合指标权重计算每个建筑单元相应得分，将得分最高的建筑选为适宜的街道综合服务中心地址。
14、进一步的，所述对第一样本数据集进行预处理，得到第二样本数据集，具体包括：
15、针对第一样本数据集中每个特征的数据值进行折线图表绘制、地图可视化表达，判断每个特征中是否存在远偏离正常区间的异常值，对异常值进行删除；
16、对第一样本数据集中的相同数据进行去重操作；
17、将预处理后的第一样本数据集进行整理，得到第二样本数据集。
18、进一步的，所述对第二样本数据集进行进一步处理，计算出每个建筑单元相关的数据，使街道综合服务中心相关数据形成相关指标，具体包括：
19、根据城市用地功能数据，将居住用地轮廓面对居住用地兴趣面数据进行转化，得到兴趣面数据的几何中心点，作为居住用地几何中心点数据；
20、根据兴趣面数据中的建筑轮廓面数据，与城市用地功能数据中的社会福利设施用地和行政办公用地取交集，作为研究区域，对建筑轮廓面数据进行转化，得到研究区域的兴趣面数据的几何中心点，作为建筑几何中心点数据；
21、根据居住用地几何中心点数据，计算每个建筑单元几何中心点距离居住用地几何中心点数据，作为离居住用地几何中心数据；
22、根据城市道路数据，计算每个建筑单元几何中心点距离最近道路长度数据，作为距离道路数据；
23、根据人群画像软件开发工具包数据，构建每个建筑单元几何中心点1000m缓冲区，作为第三预设缓冲区，统计缓冲区内的人口数量点数据，作为1000m内居住人口数量；
24、根据兴趣点数据中的公共汽车站点位置数据，构建每个建筑单元几何中心点500m缓冲区，作为第一预设缓冲区，统计缓冲区内的公共汽车站点数量，500m内覆盖地铁站点数量；
25、根据兴趣点数据中的地铁站点位置数据，构建每个建筑单元几何中心点800m缓冲区，作为第二预设缓冲区，统计缓冲区内的地铁站点数量，作为800m内覆盖公交站点数量；
26、根据兴趣点数据中的公园位置数据，以第三预设缓冲区为范围，统计缓冲区内的公园点数量，作为1000m内覆盖公园数量；
27、根据兴趣点数据中的医疗设施位置数据，以第三预设缓冲区为范围，统计缓冲区内的医疗设施点数量，作为1000m内覆盖医疗设施数量；
28、根据兴趣点数据中的运动设施位置数据，以第三预设缓冲区为范围，统计缓冲区内的运动设施点数量，作为1000m内覆盖运动设施数量；
29、根据兴趣点数据中的养老设施位置数据，以第三预设缓冲区为范围，统计缓冲区内的养老设施点数量，作为1000m内覆盖养老设施数量；
30、根据兴趣点数据中的中小学设施位置数据，以第三预设缓冲区为范围，统计缓冲区内的中小学设施点数量，作为1000m内覆盖中小学设施数量；
31、根据兴趣点数据中的综合超市位置数据，以第三预设缓冲区为范围，统计缓冲区内的综合超市点数量，作为1000m内覆盖综合超市数量；
32、根据百度街景数据，基于城市语义分割数据集，利用深度学习卷积神经网络对街景图片进行视觉影像语义，计算天空、绿色植被和建筑界面在图像所占的百分比，作为天空占百分比数据、绿化占百分比数据和建筑占百分比数据；
33、根据研究区域的建筑轮廓面数据，计算各个建筑面的面积，作为建筑面积数据sbuilding，如下式：
34、sbuilding＝sarea本文档来自技高网...
【技术保护点】
1.一种街道综合服务中心微观选址方法，其特征在于，所述方法包括：
2.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述对第一样本数据集进行预处理，得到第二样本数据集，具体包括：
3.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述对第二样本数据集进行进一步处理，计算出每个建筑单元相关的数据，使街道综合服务中心相关数据形成相关指标，具体包括：
4.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述将指标数据进行归一化处理，并分为建模样本数据集和目标样本数据集，具体包括：
5.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述构建随机森林分类模型，将建模样本数据集作为机器学习样本，使用交叉验证训练随机森林分类模型并且进行参数调优，得到街道综合服务中心特征模型，具体包括：
6.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述调用街道综合服务中心特征模型，计算相关指标的特征重要性，将相关指标的特征重要性作为指标权重，具体包括：
7.
8.一种街道综合服务中心微观选址系统，其特征在于，所述系统包括：
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的街道综合服务中心微观选址方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的街道综合服务中心微观选址方法。
...【技术特征摘要】
1.一种街道综合服务中心微观选址方法，其特征在于，所述方法包括：
2.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述对第一样本数据集进行预处理，得到第二样本数据集，具体包括：
3.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述对第二样本数据集进行进一步处理，计算出每个建筑单元相关的数据，使街道综合服务中心相关数据形成相关指标，具体包括：
4.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述将指标数据进行归一化处理，并分为建模样本数据集和目标样本数据集，具体包括：
5.根据权利要求1所述的街道综合服务中心微观选址方法，其特征在于，所述构建随机森林分类模型，将建模样本数据集作为机器学习样本，使用交叉验证训练随机森林分类模型并且进行参数调优，得到街道综合服务中心特征模型，具体包括：<...
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。