基于活动流和复杂建成环境的城市仿真模型智能构建方法与流程

本发明涉及数据处理，特别是基于活动流和复杂建成环境的城市仿真模型智能构建方法。

背景技术：

1、城市仿真模型是支撑城市规划、交通管理与应急响应决策的核心工具。早期城市仿真以元胞自动机和多智能体模型为主，通过预设行为规则模拟城市空间演化。随着大数据技术的发展，手机信令、gps轨迹等多源时空数据的广泛获取推动了数据驱动仿真方法的兴起，图神经网络、时空注意力机制等深度学习技术进一步提升了模型对复杂城市系统的表征能力。近年来，物理信息神经网络将领域先验知识以约束形式嵌入模型训练过程，为城市仿真的可解释性与物理一致性提供了新的技术路径。

2、然而，现有城市仿真方法通常将人类活动与建成环境分开建模，二者之间的相互影响无法在仿真过程中得到有效反映。在实际城市运行中，人群活动的变化会直接影响城市物理环境状态，而环境状态的改变又会反过来调整人群的活动行为，这种双向动态关系是城市系统演化的基本规律。现有方法因缺乏对上述双向交互机制的建模能力，导致城市管理者在面对极端天气、大型活动或突发公共事件等复杂场景时，无法通过仿真推演提前预判人群疏散路径、热岛效应加剧区域或交通拥堵扩散范围，进而造成应急响应滞后、资源调配失当等现实决策失误。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了基于活动流和复杂建成环境的城市仿真模型智能构建方法解决因社会域与物理域独立建模导致活动流与建成环境动态交互无法有效表征问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了基于活动流和复杂建成环境的城市仿真模型智能构建方法，其包括：

5、s1，获取城市的活动流数据和建成环境数据，按统一时空基准对齐并映射至网格，获得各网格的活动观测值与环境属性值；

6、s2，根据活动观测值分层构建社会域状态，根据环境属性值分层构建物理域状态，将社会域状态与物理域状态拼接为联合状态表征；

7、s3，根据社会域状态和物理域状态估计各网格的空间活动物理行为参数，并据此构建物理守恒与空间约束；

8、s4，以联合状态表征为初始条件，通过驱动向量场与空间活动物理行为参数的物理引导项叠加构建活动状态与环境状态协同演化的初始城市仿真模型，并求解城市状态轨迹；

9、s5，基于城市状态轨迹计算损失，校准驱动向量场参数与空间活动物理行为参数，输出校准后城市仿真模型。

10、优选的，所述活动观测值与环境属性值的获取方法包括：

11、采集手机信令、gps轨迹、公共交通出行和poi访问热度数据作为活动流数据；采集路网拓扑、建筑足迹、地表覆盖、土地利用、基础设施分布、地表温度与空气质量数据作为建成环境数据；

12、将活动流数据与建成环境数据统一转换至地理坐标系、标准时间及固定时间步长，并划分为网格；对手机信令按轨迹密度与停留时间进行聚类分析，提取驻留点并过滤飘移噪声；

13、将活动流数据按网格进行统计汇总，获得各网格的活动观测值；将建成环境数据按网格进行空间归并，计算各网格的路网密度、建筑覆盖率、poi数量及类别熵值，获得各网格的环境属性值。

14、优选的，所述分层构建社会域状态的方法包括：

15、以匿名用户为单元对活动观测值进行个体级解析，提取各用户的时空行为特征，得到微观社会域状态；

16、以网格为基本单元对微观社会域状态进行统计聚合，得到各网格的活动分布与流动特征，得到中观社会域状态；

17、以城市为单元对中观社会域状态进行全局加权汇聚，得到城市整体活动格局特征，得到宏观社会域状态。

18、优选的，所述分层构建物理域状态的方法包括：

19、以单个建筑或街道段为单元对环境属性值进行要素级解析，提取各建筑与街道的空间物理特征，得到微观物理域状态；

20、以网格为基本单元对微观物理域状态进行空间聚合，得到各网格的建成环境综合特征，得到中观物理域状态；

21、以城市为单元对中观物理域状态进行全局汇聚，得到城市整体建成环境特征，得到宏观物理域状态；

22、将每个网格的中观社会域状态与中观物理域状态拼接，形成联合状态表征。

23、优选的，所述空间活动物理行为参数的获取方法包括：

24、根据活动流数据，将各网格活动量随时间的恢复过程拟合为指数衰减形式，获取各网格的活动恢复速率参数；

25、根据各网格中观物理域状态中的建筑面积、路网密度及基础设施分布面积，计算各网格的空间承载容量参数；

26、根据公共交通出行数据及gps轨迹数据，将网格间出行量与空间距离的关系拟合为重力衰减形式，获取网格间的空间交互衰减参数；

27、将活动恢复速率参数、空间承载容量参数及空间交互衰减参数汇总为各网格的空间活动物理行为参数。

28、优选的，所述构建物理守恒与空间约束的方法包括：

29、根据活动量在时间演化过程中的连续性特征，通过边界净流入率与各网格活动量变化的关系构建活动量守恒约束，作为物理守恒；

30、根据各网格活动密度与空间承载容量参数的对比关系构建环境容量约束，根据网格间实际出行量与空间距离重力衰减关系的偏差构建距离衰减约束，作为空间约束。

31、优选的，所述初始城市仿真模型的构建方法包括：

32、以联合状态表征为初始条件，分别构建活动状态与环境状态的时间演化方程，并通过多层全连接结构参数化的驱动向量场进行向量场构建；

33、根据空间活动物理行为参数构建活动状态方程的物理引导项与环境状态方程的物理引导项，将驱动向量场与对应物理引导项相加，建立活动状态与环境状态之间的耦合关系；

34、基于耦合关系按微观、中观、宏观三个尺度建立双向信息传递通道，包括将微观个体行为决策经统计聚合逐级传递至中观和宏观的涌现聚合通道、以及将宏观状态按网格权重分解后下传调制微观个体决策的反馈调制通道；

35、将耦合关系与双向信息传递通道整合，构建活动状态与环境状态跨尺度协同演化的初始城市仿真模型。

36、优选的，所述求解城市状态轨迹的方法包括：

37、以初始活动状态与初始环境状态为起点，将初始城市仿真模型在设定的时间区间内进行连续求解，输出任意时间点下的活动状态与环境状态演化轨迹，得到城市状态轨迹。

38、优选的，所述基于城市状态轨迹计算损失的方法包括：

39、将城市状态轨迹中的活动状态与环境状态分别与真实观测数据进行对比，获取数据拟合损失；

40、根据城市状态轨迹对物理守恒与空间约束的遵守程度，获取活动量守恒偏差、环境容量偏差及距离衰减偏差，汇总得到物理偏差损失；

41、根据涌现聚合通道得到的各尺度聚合状态与对应尺度直接演化状态之间的偏差，获取尺度一致性损失。

42、优选的，所述输出校准后城市仿真模型的方法包括：

43、将数据拟合损失、物理偏差损失与尺度一致性损失加权求和，得到总损失；

44、根据总损失对驱动向量场参数与空间活动物理行为参数的梯度，对驱动向量场参数与空间活动物理行为参数进行迭代更新，直至总损失收敛；

45、将收敛后的驱动向量场参数与空间活动物理行为参数封装，输出校准后城市仿真模型。

46、第二方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于活动流和复杂建成环境的城市仿真模型智能构建方法的任一步骤。

47、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于活动流和复杂建成环境的城市仿真模型智能构建方法的任一步骤。

48、本发明有益效果为：通过构建社会域与物理域分层状态并拼接为联合状态表征，以物理引导项与驱动向量场叠加构建活动状态与环境状态协同演化的初始城市仿真模型，实现了两者在微观、中观、宏观三个尺度之间的双向信息传递，提升了城市仿真对人群活动与建成环境动态交互过程的表征能力，为极端天气、突发公共事件等复杂场景下的人群疏散、热岛预警及交通管控等现实决策提供了更可靠的量化依据。

49、进一步，通过基于城市状态轨迹将数据拟合损失、物理偏差损失与尺度一致性损失加权求和为总损失并对模型参数进行迭代校准，使推演结果同时满足数据拟合精度与物理守恒约束要求，提升了城市仿真模型在长时间跨度推演场景下的物理可信度与推演稳定性。