【技术实现步骤摘要】
本专利技术属于城市设计应用转化领域，尤其涉及一种基于高频交互空间自学习的城市形态迭代生成系统及方法。
技术介绍
1、城市形态生成是城市设计工作中的核心工作之一，良好的城市形态在城市规划和发展中起着至关重要的作用，它不仅关系到居民的生活质量，决定城市形象塑造，还影响着城市的可持续发展。
2、传统的城市形态设计方法通常是基于历史经验、规划原则和地方特色，通过一系列的设计步骤来逐步完善城市布局。导致城市形态生成效率低，城市形态生成迭代次数均有限，且人工经济成本高。
技术实现思路
1、专利技术目的：本专利技术的第一目的是提供一种提供效率高且能够在多目标导向下实现高频迭代的基于高频交互空间自学习的城市形态迭代生成方法。
2、本专利技术的第二目的是提供一种基于高频交互空间自学习的城市形态迭代生成系统。
3、技术方案：本专利技术的公开的一种基于高频交互空间自学习的城市形态迭代生成方法，包括以下步骤：
4、s1：获取当前状态下的目标城市空间形态三维矢量模型；
5、s2：采集多个案例城市空间形态三维模型数据，并构建案例城市空间形态三维矢量模型数据库；
6、s3：以城市内的地块和建筑为节点，以地块之间、地块与属于该地块的建筑之间、同一地块内的建筑之间的关联关系为边构建图网络，从规模、形状和高度三个维度筛选城市空间中的所需指标，将所需指标量化提取的数据转换为节点的属性；获得目标城市空间形态三维矢量模型的关联网络数据及案例城市空间形态
7、s4：基于案例城市空间形态三维矢量模型数据库的关联网络数据库，从规模、形态、高度三个维度筛选的所需指标并构建城市形态迭代生成的多个目标导向；
8、s5：将目标城市空间形态三维矢量模型的关联网络数据输入neo4j平台，neo4j平台分别在多个目标导向的强化学习下对其进行多次迭代，获得多个目标导向的城市空间形态方案，并构建多目标导向的城市空间形态关联网络方案集；
9、s6：依据多目标导向将城市空间形态关联网络方案集分为多个方案组，分别对三个方案组中的方案，从规模、形态、高度三个维度所包含的所需指标进行聚类，得到每一组方案对应的可行性方案；
10、s7：将多个可行性方案转化为三维矢量空间形态模型并输出显示。
11、进一步的，步骤s2中所述的案例城市空间形态三维模型数据指包含地理坐标的建筑三维矢量信息、道路轮廓线或道路红线、地块边界、地块平面功能划分信息。
12、进一步的，步骤s3中所述的关联关系包括距离关系、方位关系和位置关系，图网络的边的属性包括距离属性、方位属性、位置属性。
13、进一步的，所述距离属性指两个节点的中心点之间的距离，所述方位属性指两个节点之间的方位角，所述位置属性指两个节点之间是相离或相接。
14、进一步的，步骤s3中所述的所需指标指：规模维度包括的地块面积、总建筑面积和容积率；形态维度包括形状指数、分形维数、紧凑度、围合度和沿街建筑比；高度维度包括的建筑高度标准差和平均高度。
15、进一步的，步骤s3中所述的多个目标导向包括中心式发展、组团式发展和轴线式发展。
16、进一步的，中心式发展、组团式发展和轴线式发展指：
17、提取步骤s3中的案例城市空间形态三维矢量模型数据库的关联网络数据库中各案例城市空间形态三维矢量模型的从规模、形状和高度三个维度筛选的所需指标的量化提取的数据；
18、对提取的所有所需指标的量化提取的数据分别进行归一化处理，得到归一化数据集x'，归一化处理的公式如下：
19、
20、式中，xij指第i个案例城市在第j个所需指标上的数值；
21、计算每个所需指标所对应的权重wj，计算公式如下：
22、
23、式中，yij指在第j个所需指标下的第i个案例城市中所占的比重，ej是第j个所需指标的熵值，wj是第j个所需指标的权重；
24、依据权重计算归一化后的所需指标量化提取的数据，提取计算后的所需指标量化提取的数据中规模、高度、形状三个维度均为前10％的地块，聚类相邻地块得到聚类簇，将聚类簇内地块数量大于15的聚类簇定义为核心聚类簇；
25、若某空间形态三维矢量模型仅有一个核心聚类簇，则判断为中心式发展；
26、若某空间形态三维矢量模型有多个不相邻的核心聚类簇，则判断为组团式发展；
27、若某空间形态三维矢量模型有多个相邻的核心区聚类簇，则判断为轴线式；
28、分别计算中心式发展、组团式发展、轴线式发展的空间形态三维矢量模型的图网络。
29、进一步的，步骤s5中获得多个目标导向的城市空间形态方案的方式如下：
30、neo4j平台在某目标导向的强化学习下对其进行多次迭代，每次迭代生成新的空间形态关联网络，第n次迭代生成的空间形态关联网络为a-netn，将a-netn与上一次迭代生成的a-netn-1进行交互对比，并将a-netn中不合理的地块部分恢复为a-netn-1中的状态；设置迭代停止条件，迭代停止后获得该目标导向的多个城市空间形态方案。
31、进一步的，所述不合理的地块指a-netn中变化超过20％的地块。
32、基于同样的专利技术构思，本专利技术还公开一种基于高频交互空间自学习的城市形态迭代生成系统，包括，
33、第一数据采集模块，用于获取当前状态下的目标城市空间形态三维矢量模型；
34、第二数据采集模块，用于采集多个案例城市空间形态三维模型数据，并构建案例城市空间形态三维矢量模型数据库；
35、图网络模块，用于构建目标城市空间形态三维矢量模型及案例城市空间形态三维矢量模型数据库内各个城市空间形态矢量模型的图网络，获得目标城市空间形态三维矢量模型的关联网络数据及案例城市空间形态三维矢量模型数据库的关联网络数据库；其中城市内的地块和建筑为图网络的节点，地块之间、地块与属于该地块的建筑之间、同一地块内的建筑之间的关联关系为图网络的边，从规模、形状和高度三个维度筛选城市空间中的所需指标，将所需指标量化提取的数据转换为节点的属性；
36、多目标高频迭代模块，用于在多个目标导向的强化学习下对目标城市空间形态三维矢量模型的关联网络数据进行多次迭代，获得多目标导向的城市空间形态关联网络方案集；其中多个目标导向是基于案例城市空间形态三维矢量模型数据库的关联网络数据库，从规模、形态、高度三个维度筛选的所需指标构建的；
37、可行性方案提取及展示模块，用于将多目标导向将城市空间形态关联网络方案集分为多个方案组，分别对三个方案组中的方案，从规模、形态、高度三个维度所包含的所需指标进行聚类，得到每一组方案对应的可行性方案，将多个可行性方案转化为三维矢量空间形态模型并输出显示。
38、有益效果：与现有技术相比，本专利技术具有如下显著优点：本本文档来自技高网...
【技术保护点】
1.一种基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤S2中所述的案例城市空间形态三维模型数据指包含地理坐标的建筑三维矢量信息、道路轮廓线或道路红线、地块边界、地块平面功能划分信息。
3.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤S3中所述的关联关系包括距离关系、方位关系和位置关系，图网络的边的属性包括距离属性、方位属性、位置属性。
4.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：所述距离属性指两个节点的中心点之间的距离，所述方位属性指两个节点之间的方位角，所述位置属性指两个节点之间是相离或相接。
5.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤S3中所述的所需指标指：规模维度包括的地块面积、总建筑面积和容积率；形态维度包括形状指数、分形维数、紧凑度、围合度和沿街建筑比；高度维度包括的建筑高度标准差和平均高度。
6.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤S3中所述的多个目标导向包括中心式发展、组团式发展和轴线式发展。
7.根据权利要求6所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：中心式发展、组团式发展和轴线式发展指：
8.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤S5中获得多个目标导向的城市空间形态方案的方式如下：
9.根据权利要求8所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：所述不合理的地块指A-NETn中变化超过20％的地块。
10.一种基于高频交互空间自学习的城市形态迭代生成系统，其特征在于：包括，
...【技术特征摘要】
1.一种基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤s2中所述的案例城市空间形态三维模型数据指包含地理坐标的建筑三维矢量信息、道路轮廓线或道路红线、地块边界、地块平面功能划分信息。
3.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤s3中所述的关联关系包括距离关系、方位关系和位置关系，图网络的边的属性包括距离属性、方位属性、位置属性。
4.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：所述距离属性指两个节点的中心点之间的距离，所述方位属性指两个节点之间的方位角，所述位置属性指两个节点之间是相离或相接。
5.根据权利要求1所述的基于高频交互空间自学习的城市形态迭代生成方法，其特征在于：步骤s3中所述的所需...
【专利技术属性】
技术研发人员：杨俊宴，陈旭阳，邵典，孙昊成，姜清馨，
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。