一种用于特色公园的景观优化方法及系统

摘要: 本发明属于数据处理,具体是指一种用于特色公园的景观优化方法及系统。背景技术:1、景观优化方法是运用大数据技术,通过对景观数据的聚类处理得到游客的满意度,得到具有...
一种用于特色公园的景观优化方法及系统

本发明属于数据处理,具体是指一种用于特色公园的景观优化方法及系统。

背景技术:

1、景观优化方法是运用大数据技术,通过对景观数据的聚类处理得到游客的满意度,得到具有高满意度的景观布局方案,实现优质景观设计。但是现有的景观优化方法存在特色公园的景观数据复杂,具有大量冗余景观特征,导致维度灾难和过拟合,加大计算的复杂度和降低聚类的准确性的问题;现有的景观优化方法存在特色公园的景观数据差异较大,对不同类型的景观数据适应性不佳,导致聚类不稳定、收敛速度变慢和聚类结果质量下降的问题。

技术实现思路

1、针对上述情况,为克服现有技术的缺陷,本发明提供了一种用于特色公园的景观优化方法及系统,针对现有的景观优化方法存在特色公园的景观数据复杂,具有大量冗余景观特征,导致维度灾难和过拟合,加大计算的复杂度和降低聚类的准确性的问题,本方案用个体位置代表景观特征子集方案,引入收缩因子和混沌映射初始化个体位置,基于适应度值进行自适应位置更新,提高算法的收敛速度和全局搜索能力,基于最优位置偏移量生成新的最优个体位置,进行位置替换,避免陷入局部搜索,进一步提高景观特征子集的质量,基于适应度值阈值和最大迭代次数构建最佳景观特征子集,避免过度拟合和浪费计算资源,制定更佳的特色公园景观方案;针对现有的景观优化方法存在特色公园的景观数据差异较大,对不同类型的景观数据适应性不佳,导致聚类不稳定、收敛速度变慢和聚类结果质量下降的问题,本方案基于平均距离和密度计算数据的中心性值,再结合欧氏距离和划分阈值确定初始聚类中心,避免了随机选取的盲目性,引入了投影矩阵和快速傅立叶变换计算数据和聚类中心的相似度,基于相似度进行数据聚类,提高了算法的效率和准确性,基于簇平均值生成新的聚类中心,并结合离散收敛度进行更新迭代,得到最终的聚类结果,实现了更新过程中的自动调整,提高了聚类结果的稳定性和准确性,确保优化过程更可靠。

2、本发明采取的技术方案如下:本发明提供的一种用于特色公园的景观优化方法,该方法包括以下步骤:

3、步骤s1:数据采集;

4、步骤s2:数据预处理;

5、步骤s3:景观特征信息工程处理;

6、步骤s4:聚类处理;

7、步骤s5:景观优化。

8、进一步地,在步骤s1中,所述数据采集是采集参考特色公园区域的景观数据和待优化特色公园区域的景观数据;参考特色公园区域的景观数据和待优化特色公园区域的景观数据都包括特色主题、地形地貌数据、气候数据、环境生态数据、土壤地质数据、文化历史数据、人流数据和景观布局数据;参考特色公园区域的景观数据还包括游客满意度;将游客满意度作为参考数据标签,参考数据标签在聚类时不予考虑,仅作为选取簇标签时使用。

9、进一步地,在步骤s2中,所述数据预处理是对采集的数据进行数据清洗、数据转换、数据归一化和构建数据集处理;数据清洗包括处理缺失数据、异常数据和重复数据;数据转换是将数据转换为向量形式;数据归一化是基于最大最小归一化方法统一数据范围;构建数据集是基于数据清洗、数据转换和数据归一化处理后的数据构建景观数据集。

10、进一步地,在步骤s3中,所述景观特征信息工程处理具体包括以下步骤:

11、步骤s31:景观特征提取,从景观数据集中提取景观特征数据,构建景观特征数据集;

12、步骤s32:初始化个体位置,预先设定个体数量q和个体维度d,个体维度等于景观特征数据集中的景观特征数据数量,每个个体位置代表一个景观特征子集方案,当个体位置在每个维度的值大于0.5时,则个体对应的景观特征子集方案包含该维度对应的景观特征数据;否则个体对应的景观特征子集方案不包含该维度对应的景观特征数据;随机生成第1个个体位置w1∈(0,1),初始化第2-q个个体位置所用公式如下:

13、;

14、式中,wi,j和wi+1,j分别是第i个个体和第i+1个个体在第j维度的初始位置,β是收缩因子,σi是基于混沌映射生成的第i个个体对应值,i是个体索引,j是个体位置维度索引,ubj和lbj分别是个体搜索空间在第j维度的上限和下限;

15、步骤s33:自适应位置更新,将每个景观特征子集方案的信息增益作为对应个体位置的适应度值,对所有个体的适应度值按照从小到大的顺序进行排序,得到最小适应度值rmin和平均适应度值rave,基于rmin和rave计算得到个体的适应度值排名ei,基于ei计算个体的自适应调整因子tzi,基于tzi完成个体的自适应位置更新,自适应位置更新所用公式如下:

16、;

17、;

18、;

19、式中,ri(z)、ei(z)和tzi(z)分别是第z次迭代时第i个个体的适应度值、适应度值排名和自适应调整因子,rmin(z)和rave(z)分别是第z次迭代时的最小适应度值和平均适应度值,wi,j(z)和分别是第z次迭代时第i个个体在第j维度的原始位置和自适应位置更新后的位置,z是迭代次数索引,rand(0,1)是随机生成一个0到1之间的随机值;

20、步骤s34:位置替换,更新个体的适应度值,选择适应度值最大的三个个体位置分别作为最优个体位置wopt、第一次优个体位置wsub1和第二次优个体位置wsub2,基于wopt、wsub1和wsub2计算得到最优位置偏移量pyopt,基于pyopt生成新的最优个体位置wnew,基于wopt和wnew的适应度值确定当前迭代的最终最优个体位置,所用公式如下:

21、;

22、;

23、;

24、式中,pyopt(z)是第z次迭代时的最优位置偏移量,wopt(z)、wsub1(z)和wsub2(z)分别是第z次迭代时的最优个体位置、第一次优个体位置和第二次优个体位置,rand(1,d)是生成一个d维的随机向量,norm(rand(1,d))是计算rand(1,d)的模,r是0到1之间的随机数,wnew(z)是第z次迭代时生成的新的最优个体位置,是第z次迭代时位置替换后的最优个体位置,rnew(z)和ropt(z)分别是wnew(z)和wopt(z)的适应度值;

25、步骤s35:最佳景观特征子集确定,预先设定适应度值阈值ψ和最大迭代次数z,更新的适应度值,若适应度值大于适应度值阈值ψ,则选择对应的景观特征子集方案作为最佳景观特征子集方案,按照最佳景观特征子集方案构建最佳景观特征子集;否则,若达到最大迭代次数z,则转至步骤s32;否则,将当前迭代次数加一并转至步骤s33继续迭代。

26、进一步地,在步骤s4中,所述聚类处理具体包括以下步骤:

27、步骤s41:初始聚类中心,首先计算最佳景观特征子集中每个数据的中心性值,选取中心性值最小的数据作为第一个初始聚类中心,将最佳景观特征子集中所有数据之间的平均距离作为距离阈值,根据距离阈值确定剩余初始聚类中心,包括以下步骤:

28、步骤s411:计算平均距离,基于每两个数据之间的欧式距离计算最佳景观特征子集t中所有数据之间的平均距离,所用公式如下:

29、;

30、式中,pj(t)是最佳景观特征子集t中所有数据之间的平均距离,ta和tb分别是最佳景观特征子集t中第a个数据和第b个数据,n是最佳景观特征子集t中的数据数量,d(ta,tb)是数据ta和数据tb之间的欧氏距离;

31、步骤s412:计算密度,所用公式如下:

32、;

33、式中,ma是数据ta的密度;c(·)是判断函数,当时,;否则,;

34、步骤s413:计算中心性值,所用公式如下:

35、;

36、;

37、式中,zxa是数据ta的中心性值,min(ta)和max(ta)分别是最佳景观特征子集t中其余数据与数据ta之间的最近欧式距离和最远欧式距离,la是数据ta的标准欧式距离;

38、步骤s414:确定初始聚类中心,包括以下步骤:

39、步骤s4141:选取中心性值最小的数据作为第一个初始聚类中心o1,将最佳景观特征子集t中所有数据之间的平均距离pj(t)作为划分阈值,计算最佳景观特征子集t中剩余数据到第一个初始聚类中心o1之间的欧式距离,并将欧式距离大于划分阈值的数据作为新的候选初始聚类中心;

40、步骤s4142:从新的候选初始聚类中心中随机选择一个数据作为第二个初始聚类中心o2;

41、步骤s4143:再次计算最佳景观特征子集t中剩余数据到第二个初始聚类中心o2之间的欧式距离,并将欧式距离大于划分阈值的数据作为新的候选初始聚类中心;

42、步骤s4144:重复步骤s4142和步骤s4143,选择新的初始聚类中心,直至满足预先设定的初始聚类中心个数h为止;

43、步骤s42:数据聚类,随机生成一个投影矩阵k,基于投影矩阵k将最佳景观特征子集t中的数据投影到低维空间得到稀疏表示向量,再对稀疏表示向量进行快速傅里叶变换得到频域表示向量,基于频域表示向量计算最佳景观特征子集t中剩余数据与初始聚类中心之间的相似度,将剩余数据划分到与之相似度最高的初始聚类中心所属的簇中,所用公式如下:

44、;

45、;

46、式中,f(tg)和f(oc)分别是最佳景观特征子集t中第g个剩余数据tg和第c个初始聚类中心oc的频域表示向量,||f(tg)||2和||f(oc)||2分别是f(tg)和f(oc)的l2范数,fft(·)是快速傅立叶变换函数,xs(tg,oc)是剩余数据tg与初始聚类中心oc之间的相似度;

47、步骤s43:更新聚类中心,预先设置收敛阈值和最大更新次数,基于簇平均值生成新的聚类中心,选择每个簇中数据的每个维度的中值来作为该簇新的聚类中心,转至步骤s42基于新的聚类中心再次进行数据聚类,并将更新次数加一,基于两次聚类结果计算簇的离散收敛度|u(v+1)-u(v)|,若离散收敛度小于收敛阈值且聚类中心不再随着更新次数的增加而改变时,跳出迭代并输出最终的聚类结果;否则,若达到最大更新次数,则转至步骤s41重新初始聚类中心;否则,重复步骤s43再次更新聚类中心;计算簇的离散度所用公式如下:

48、;

49、式中,u(v+1)和u(v)分别是第v+1次更新和第v次更新簇的离散度,yc(v)和oc(v)分别是第v次更新第v个簇的簇间平均距离和簇内平均距离。

50、进一步地,在步骤s5中,所述景观优化是将参考特色公园区域的景观数据和待优化特色公园区域的景观数据进行数据预处理和景观特征信息工程处理后共同进行聚类处理,基于聚类结果,选取具有最大数量的参考数据标签作为簇标签,得到待优化特色公园区域的景观数据的游客满意度,将待优化特色公园区域的景观数据具有最高游客满意度的数据对应的景观布局数据作为最终的景观布局方案。

51、本发明提供的一种用于特色公园的景观优化系统,包括数据采集模块、数据预处理模块、景观特征信息工程处理模块、聚类处理模块和景观优化模块;

52、所述数据采集模块采集参考特色公园区域的景观数据和待优化特色公园区域的景观数据,并将数据发送到数据预处理模块;

53、所述数据预处理模块对采集的数据进行数据清洗、数据转换、数据归一化和构建数据集处理,并将数据发送至景观特征信息工程处理模块;

54、所述景观特征信息工程处理模块用个体位置代表景观特征子集方案,引入收缩因子和混沌映射初始化个体位置,基于适应度值进行自适应位置更新,基于最优位置偏移量生成新的最优个体位置,进行位置替换,构建最佳景观特征子集,并将数据发送至聚类处理模块;

55、所述聚类处理模块基于平均距离和密度计算最佳景观特征子集中数据的中心性值,再结合欧氏距离和划分阈值确定初始聚类中心,引入投影矩阵和快速傅立叶变换计算数据和聚类中心的相似度,基于相似度进行数据聚类,基于簇平均值生成新的聚类中心,并结合离散收敛度进行更新迭代,得到最终的聚类结果,并将数据发送至景观优化模块;

56、所述景观优化模块基于聚类结果得到待优化特色公园区域的景观数据的游客满意度,选择具有最高游客满意度的数据对应的景观布局数据作为最终的景观布局方案。

57、采用上述方案本发明取得的有益效果如下:

58、(1)针对现有的景观优化方法存在特色公园的景观数据复杂,具有大量冗余景观特征,导致维度灾难和过拟合,加大计算的复杂度和降低聚类的准确性的问题,本方案用个体位置代表景观特征子集方案,引入收缩因子和混沌映射初始化个体位置,基于适应度值进行自适应位置更新,提高算法的收敛速度和全局搜索能力,基于最优位置偏移量生成新的最优个体位置,进行位置替换,有助于跳出局部最优,避免陷入局部搜索,进一步提高景观特征子集的质量,基于适应度值阈值和最大迭代次数构建最佳景观特征子集,能够有效控制算法的结束条件,及时停止迭代,避免过度拟合和浪费计算资源,制定更佳的特色公园景观方案。

59、(2)针对现有的景观优化方法存在特色公园的景观数据差异较大,对不同类型的景观数据适应性不佳,导致聚类不稳定、收敛速度变慢和聚类结果质量下降的问题,本方案基于平均距离和密度计算数据的中心性值,再结合欧氏距离和划分阈值确定初始聚类中心,可以有效地确定初始聚类中心,避免了随机选取的盲目性,引入了投影矩阵和快速傅立叶变换计算数据和聚类中心的相似度,基于相似度进行数据聚类,提高了算法的效率和准确性,基于簇平均值生成新的聚类中心,并结合离散收敛度进行更新迭代,得到最终的聚类结果,实现了更新过程中的自动调整,提高了聚类结果的稳定性和准确性,增强了对不同类型和差异程度特色公园景观数据的适应能力,确保优化过程更可靠。