TOPSIS引导城市居住小区宜居度神经网络评价方法

topsis引导城市居住小区宜居度神经网络评价方法
技术领域
1.本发明涉及国土空间规划、生态环境保护等领域，尤其涉及topsis引导城市居住小区宜居度神经网络评价方法。


背景技术：

2.越来越多的人口聚居于城市，城市已然成为人类生产、生活的主要场所，城市所提供的服务水平以及城市环境水平逐渐成为衡量一个国家或地区人民生活质量的重要指标。随着生活水平的不断提高，人们对居住条件和生活环境提出了更高的要求，“宜居”成为城市发展建设的热门词汇。城市居住小区作为城市居民最直接的生息地，其宜居度的评价不仅有利于政府了解各小区现状、指导后期规划建设，还可作小区选择的参考，具有重要意义。
3.宜居小区在学术界还没形成统一的定义，但在共识中宜居小区应该涵盖居住环境良好、人文和社会环境浓厚、生态与自然环境舒适、生活与服务环境便捷几个方面。关于城市居住小区宜居度评价研究已有一些成果，分为主观评价和客观评价两种类型，其中主观评价方法以调查问卷、层次分析为主，客观评价以主成分分析、多目标决策、聚类方法居多。2020年，liang等在“scienceofthetotalenvironment”上发表“assessmentoftheimpactofclimatechangeoncitieslivabilityinchina”，使用层次分析法评估了2006-2016年288个城市的宜居度，并量化了气候变化对城市宜居度的影响。2019年，zhang等在“internationaljournalofappliedearthobservationandgeoinformation”上发表“communityscalelivabilityevaluationintegratingremotesensing,surfaceobservationandgeospatialbigdata”，采用topsis和蒙特卡洛检验的方式评价了若干城市居住小区宜居度，从敏感性和不确定性两方面分析评价结果。2018年，paul等在“cities”上发表“livabilityassessmentwithinametropolisbasedontheimpactofintegratedurbangeographicfactors(iugfs)onclusteringurbancentersofkolkata”，在进行城市宜居度评估时运用聚类方法将城市群聚为五类，不同类别代表不同的宜居程度。
4.然而现有的宜居度评价方法都存在一定不足：层次分析、问卷调查等主观评价方法主观色彩过重，结果不易令人信服；主成分分析、多目标决策等客观评价方法中因子的权重确定仍然需要人为干预、存在一定的主观性。如何克服现有宜居度评价方法因子权重确定较为主观的问题，值得进一步研究。


技术实现要素：

5.针对相关技术中的问题：宜居度评价方法中因子权重确定具有一定主观性。使用指标体系进行宜居度评价时一般会考虑较多的影响因子，在评价时首先需要确定各个因子的权重进而评价宜居度，而因子权重的主观性会影响宜居度评价的结果。本发明提出topsis引导城市居住小区宜居度神经网络评价方法，以克服现有相关技术所存在的上述技
术问题。
6.为此，本发明采用的具体技术方案如下：该方法包括以下步骤：
7.s1、选取合适因素因子，构建城市居住小区宜居度评价指标体系，并进行评价指标量化；
8.s2、根据熵值法确定各要素权重，并使用topsis方法初步评价城市居住小区宜居度评分及排序；
9.s3、根据城市居住小区宜居度评分排序，选择排名前n％、后n％的首尾两部分小区，建立神经网络模型的训练样本集；
10.s4、以前n％小区的宜居度值域范围为高宜居度值域，以后n％小区的宜居度值域范围为低宜居度值域，根据样本评价结果是否落相应地高宜居度、低宜居度值域范围内建立损失函数；
11.s5、利用样本训练神经网络模型，基于上述损失函数优化模型参数，构建城市居住小区宜居度神经网络评价模型，得到模型评价结果。
12.进一步的，所述评价指标体系包括目标层、准则层及要素层；
13.其中，所述目标层为城市居住小区宜居程度；
14.所述准则层包括空间结构、小区环境、交通条件及服务设施；
15.所述要素层包括14个指标，分别为内部绿化率、周边绿化率、热舒适度、人口密度、容积率、路网密度、道路连接度、交通设施、教育设施、生活服务、休闲娱乐、运动健身、公园及购物设施。
16.进一步的，所述根据熵值法确定各要素权重，并使用topsis方法初步评价城市居住小区宜居度，得到城市居住小区宜居度排序及方法评价结果，包括以下步骤：
17.s21、统一指标单调性和量纲；
18.s22、利用熵值法权重计算公式计算得到14个指标的权重；
19.所述熵值法权重计算公式的表达式为：
[0020][0021]
式中，wj表示第j个指标的权重；
[0022]
n表示指标的数量；
[0023]ej
表示第j个指标的熵值。
[0024]
s23、采用topsis方法计算各个城市居住小区与宜居度最优、最劣小区的接近程度；
[0025]
s24、根据所述接近程度大小排序得出所有城市居住小区的宜居度排序和方法评价结果。
[0026]
进一步的，所述熵值法权重计算公式的表达式为：
[0027][0028]
式中，wj表示第j个指标的权重；
[0029]
n表示指标的数量；
[0030]ej
表示第j个指标的熵值。
[0031]
进一步的，所述采用topsis方法计算各个城市居住小区与宜居度最优、最劣小区的接近程度的运算表达式为：
[0032][0033]
式中，ei表示接近程度且取值为(0，1)，接近1则代表越优，接近0则代表越劣；
[0034]
表示第i个城市居住小区指标与最优值的距离；
[0035]
表示第i个城市居住小区指标与最劣值的距离。
[0036]
进一步的，根据城市居住小区宜居度评分排序，选择排名前n％、后n％的首尾两部分小区，建立神经网络模型的训练样本集，包括以下步骤：
[0037]
s31、统计所述方法评价结果的城市居住小区宜居度评分，得到对应的直方图和正态分布曲线；
[0038]
s32、选取正态曲线首尾n％小区作为神经网络备选训练样本集，调整n％得到不同的训练样本集。
[0039]
进一步的，所述损失函数的表达式为：
[0040][0041]
cs＝1if ei≤h
max and ei≥h
min
|ei≤l
max and ei≥l
min
[0042]
其中，n为样本总数；
[0043]
表示分类正确样本数，利用上式对样本预测结果ei逐个判断，满足条件的为分类正确样本；
[0044]hmax
表示最宜居样本最高值；
[0045]hmin
表示最宜居样本最低值；
[0046]
l
max
表示最不宜居样本最高值；
[0047]
l
min
表示最不宜居样本最低值。
[0048]
进一步的，利用样本训练神经网络模型，基于上述损失函数优化模型参数，构建城市居住小区宜居度神经网络评价模型，得到模型评价结果，包括以下步骤：
[0049]
s51、基于损失函数，采用sigmoid函数作为激活函数，构建一个三层神经网络模型对城市居住小区宜居度进行评价；
[0050]
所述sigmoid函数的表达式为：
[0051][0052]
式中，g(x)表示sigmoid函数；
[0053]
x为sigmoid函数的输入数据；
[0054]
e为自然常数；
[0055]
s52、筛选所述训练样本集，对比不同n％的训练样本集的分类错误率和拟合优度，并根据拟合优度最高的样本集作为训练集；
[0056]
s53、优化模型参数，所述模型参数包括网络层数、输入层节点数、隐含层节点数、
输出层节点数、激活函数及学习速率；
[0057]
s54、输出城市居住小区宜居度评价结果。
[0058]
本发明的有益效果为：本发明针对现有宜居度评价方法中因子权重确定具有主观性的问题，提出了一种topsis引导城市居住小区宜居度神经网络评价方法，利用topsis 得到宜居度高、宜居度低两种类别的城市居住小区样本，采用分类错误率作为神经网络的损失函数，一定程度上克服了现有评价方法因子权重确定较为主观的问题。
[0059]
本发明方法适应性强，经实践证明，使用本发明方法可以全面科学的评价城市居住小区宜居度，能够满足实际生产的需要，相比传统的城市居住小区宜居度评价方法具有更强实用性。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1是根据本发明实施例的topsis引导城市居住小区宜居度神经网络评价方法的流程图；
[0062]
图2是根据本发明实施例的topsis引导城市居住小区宜居度神经网络评价方法的 topsis引导的城市居住小区宜居度神经网络评价模型示意图；
[0063]
图3是根据本发明实施例的topsis引导城市居住小区宜居度神经网络评价方法中 topsis评价结果统计直方图；
[0064]
图4是根据本发明实施例的topsis引导城市居住小区宜居度神经网络评价方法中 bp神经网络拓扑结构图；
[0065]
图5是根据本发明实施例的topsis引导城市居住小区宜居度神经网络评价方法中神经网络与topsis交叉验证示意图。
具体实施方式
[0066]
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0067]
根据本发明的实施例，提供了topsis引导城市居住小区宜居度神经网络评价方法。
[0068]
现结合附图和具体实施方式对本发明进一步说明，如图1-5所示，根据本发明的一个实施例，提供了topsis引导城市居住小区宜居度神经网络评价方法，该方法包括以下步骤：
[0069]
s1、选取合适因素因子，构建城市居住小区宜居度评价指标体系，并进行评价指标量化；
[0070]
影响宜居度的指标众多，科学的宜居度评价指标体系是至关重要的步骤，在构建
评价体系时要遵循科学性、系统性、针对性、可操作性原则。
[0071]
所述评价指标体系包括目标层、准则层及要素层；
[0072]
其中，所述目标层为城市居住小区宜居程度；
[0073]
所述准则层包括空间结构、小区环境、交通条件及服务设施；
[0074]
所述要素层包括14个指标，分别为内部绿化率、周边绿化率、热舒适度、人口密度、容积率、路网密度、道路连接度、交通设施、教育设施、生活服务、休闲娱乐、运动健身、公园及购物设施。
[0075]
s2、根据熵值法确定各要素权重，并使用topsis方法初步评价城市居住小区宜居度评分及排序；
[0076]
为克服权重确定的主观性，使用熵值法定权；定权时若原始数据中含有负数，需要对数据进行非负数化处理，对于正向和负向的指标，需要统一指标单调性和量纲，进而确定权重得到topsis方法评价结果。
[0077]
步骤s2包括以下步骤：
[0078]
s21、统一指标单调性和量纲；
[0079]
s22、利用熵值法权重计算公式计算得到14个指标的权重；
[0080]
其中，所述熵值法权重计算公式的表达式为：
[0081][0082]
式中，wj表示第j个指标的权重；
[0083]
n表示指标的数量；
[0084]ej
表示第j个指标的熵值。
[0085]
s23、采用topsis方法计算各个城市居住小区与宜居度最优、最劣小区的接近程度，其运算表达式为：
[0086][0087]
式中，ei表示接近程度且取值为(0，1)，接近1则代表越优，接近0则代表越劣；
[0088]
表示第i个城市居住小区与最优值的距离；
[0089]
表示第i个城市居住小区与最劣值的距离。
[0090]
s24、根据所述接近程度大小排序得出所有城市居住小区的宜居度评分和排序。
[0091]
s3、根据城市居住小区宜居度评分排序，选择排名前n％、后n％的首尾两部分小区，建立神经网络模型的训练样本集，如图3所示，包括以下步骤：
[0092]
s31、统计所述方法评价结果的城市居住小区宜居度评分，得到对应的直方图和正态分布曲线；
[0093]
s32、选取正态曲线首尾n％小区作为神经网络备选训练样本集。调整n％(如将n％分别设置为20％、10％及5％)，得到不同的训练样本集。
[0094]
使用最宜居和最不宜居这两种类别的城市居住小区特征，可以减少模型对topsis 评价结果的依赖性，因此选取宜居度评分正态曲线的首尾数据作为训练集。不同数量的训练样本对模型的拟合结果有较大的影响，需要选取不同大小的训练集设置对比试验。
[0095]
s4、以前n％小区的宜居度值域范围为高宜居度值域，以后n％小区的宜居度值域范围为低宜居度值域，根据样本评价结果是否落相应地高宜居度、低宜居度值域范围内建立损失函数，所述损失函数的表达式为：
[0096][0097]
cs＝1if ei≤h
max and ei≥h
min
|ei≤l
max and ei≥l
min
[0098]
其中，n为样本总数；表示分类正确样本数，利用上式对样本预测结果ei逐个判断，满足条件的为分类正确样本，h
max
表示最宜居样本最高值；h
min
表示最宜居样本最低值；l
max
表示最不宜居样本最高值；l
min
表示最不宜居样本最低值。
[0099]
s5、利用样本训练神经网络模型，基于上述损失函数优化模型参数，构建城市居住小区宜居度神经网络评价模型，得到模型评价结果，如图2、图4所示，包括以下步骤：
[0100]
s51、基于损失函数，采用sigmoid函数作为激活函数，构建一个三层神经网络模型对城市居住小区宜居度进行评价。
[0101]
所述sigmoid函数的表达式为：
[0102][0103]
式中，g(x)表示sigmoid函数，x为sigmoid函数的输入数据，e为自然常数(约等于2.718281828459)。
[0104]
s52、筛选所述训练样本集，对比不同n％的训练样本集的分类错误率和拟合优度，并根据拟合优度最高的样本集作为训练集；
[0105]
s53、优化模型参数，所述模型参数包括网络层数、输入层节点数、隐含层节点数、输出层节点数、激活函数及学习速率；
[0106]
s54、输出城市居住小区宜居度评价结果。
[0107]
不同的参数会影响神经网络的评价结果，设置对比实验确定最优大小的训练集，根据经验公式、实验特征和对比实验等方式确定其他合适的参数，构建城市居住小区宜居度神经网络评价模型，得到评价结果，减少了评价过程中存在的主观性影响。
[0108]
此外，本发明中实验数据包括矢量数据：行政区划、土地规划、交通路网和第三次土地调查数据；影像数据：landsat、高分、modis和夜间灯光遥感数据；互联网数据：从百度地图、高德地图爬取的交通设施、教育、购物、公园、公共服务设施、娱乐等兴趣点和小区房价等数据；统计数据：乡镇级人口数据，均已经过预处理。
[0109]
综上所述，借助于本发明的上述技术方案，本发明针对现有宜居度评价方法中因子权重确定具有主观性的问题，提出了一种topsis引导城市居住小区宜居度神经网络评价方法，利用topsis得到宜居度高、宜居度低两种类别的城市居住小区样本，采用分类错误率作为神经网络的损失函数，一定程度上克服了现有评价方法因子权重确定较为主观的问题。本发明方法适应性强，经实践证明，使用本发明方法可以全面科学的评价城市居住小区宜居度，能够满足实际生产的需要，相比传统的城市居住小区宜居度评价方法具有更强实用性。
[0110]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存
在矛盾，都应当认为是本说明书记载的范围。
[0111]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。