一种基于神经网络算法的管廊规划方法与流程

本发明属于管廊建设规划领域，更具体的说，是涉及一种基于神经网络算法的管廊规划方法。
背景技术：
国内管廊建设最早要追溯到1958年在北京建设第一条；2013年至2016年国家发布了系列综合管廊建设的政策，从规划、建设、管理等方面提出了具体措施，按“先规划、后建设”的原则，要求各县(市)2017年完成城市地下综合管廊建设规划编制工作，尤其是在当前京津冀一体化加速推进的条件下，城市基础设施建设及管理水平需要进一步提高，目前整体上处于兴起阶段，地下综合管廊政策密集出台并从技术、建设、融资等方面不断规范和完善，政策不断加码、细化，有望试点城市建设完成后，后续复制拓展有望快速开启。国内综合管廊建设快速推进的原因主要受大环境和投资拉动经济发展等多重因素的影响，其建设区域选择往往长官意志比较强，从而造成很多管廊中没有明确适建性建设的原因，缺乏足够的科学依据。在学术研究方面，更多的是ppp模式和政策研究，以及综合管廊技术规范或规程等“硬科学”的研究；在管廊区域规划、建设研究、行业创新发展研究等“软科学”的研究比较缺乏，因此，管廊规划适建性分析上有很大的提升空间。技术实现要素：本发明的目的是为了克服现有技术中的不足，提供一种基于神经网络算法的管廊规划方法，引入神经网络算法进行管廊适建性分析工作，神经网络算法通过模拟人脑中神经元的传递过程实现求解数据之间高度非线性关系的工作，通过本发明可以减少决策中的主观性，且可以大大加快管廊规划的速度与合理性。本发明的目的是通过以下技术方案实现的。本发明的基于神经网络算法的管廊规划方法，包括以下步骤：步骤一，制定综合管廊适建性评价因子分级评分一览表根据专家决策法设定与管廊规划有关的六项评价因子，包括城市功能分区及用地强度、市政管线及主干管线走廊情况、道路建设情况、地下空间利用情况、道路交通流量情况、主要景观道路；将六项评价因子与六项可量化的考量因素挂钩，二者一一对应，包括道路两侧用地容积率、管线数量及主干管线走廊(非现状)情况、道路建成情况、地下空间开发强度、道路饱和度、是否作为景观道路；根据考量因素的量化结果，对每项评价因子进行等级划分，根据不同的等级设定相应的评分；步骤二，选择某一管廊规划良好地区，根据步骤一制定的综合管廊适建性评价因子分级评分一览表，对该地区内每条道路的六项评价因子进行打分，且通过专家决策法对该地区内每条道路的管廊适建性总分进行打分；步骤三，建立一个神经网络结构，将步骤二获得的每条道路的六项评价因子的评分作为输入量，每条道路的管廊适建性总分作为输出量，将这些输入、输出量作为训练数据输入该神经网络结构中进行训练，通过神经网络算法得到每条道路的管廊适建性总分与六项评价因子的关系，训练好的神经网络结构即为管廊适建性评价体系；步骤四，选定某一待管廊规划的新地区，根据步骤一制定的综合管廊适建性评价因子分级评分一览表，获得该新地区内每条道路的六项评价因子的评分，将这些评价因子的评分输入到管廊适建性评价体系中，得到该新地区内每条道路的管廊适建性总分，根据每条道路的管廊适建性总分分值划分其管廊适建性等级，以此作为管廊规划的依据。步骤四中所述管廊适建性等级包括不宜建设、可建设、较适宜建设、适宜建设，根据每条道路的管廊适建性总分的分值评价每条道路的管廊适建性等级。与现有技术相比，本发明的技术方案所带来的有益效果是：本发明针对目前管廊规划过程中主观性所占成分大，与管廊适建性相关的各项因素不能很直观地供决策者综合分析的缺点，提出了通过多因素分析法得到管廊适建性总分的方法，以神经网络算法作为内核完成管廊规划预测工作，既解决了管廊规划中的主观性问题，增加了管廊规划决策的客观性，又提高了管廊规划的效率和准确率。附图说明图1是本发明基于神经网络算法的管廊规划方法的流程图。图2是实施例中建立的神经网络模型结构。具体实施方式下面结合附图对本发明作进一步的描述。如图1所示，本发明的基于神经网络算法的管廊规划方法，包括以下步骤：步骤一，制定综合管廊适建性评价因子分级评分一览表：根据专家决策法设定与管廊规划有关的六项评价因子，包括城市功能分区及用地强度、市政管线及主干管线走廊情况、道路建设情况、地下空间利用情况、道路交通流量情况、主要景观道路。将六项评价因子与六项可量化的考量因素挂钩，二者一一对应，考量因素依次包括道路两侧用地容积率、管线数量及主干管线走廊(非现状)情况、道路建成情况、地下空间开发强度、道路饱和度、是否作为景观道路。根据考量因素的量化结果，对每项评价因子进行等级划分，根据不同的等级设定相应的评分。例如下表1所示示例，其中满分为10分。表1综合管廊适建性评价因子分级评分一览表步骤二，选择某一管廊规划良好地区，根据步骤一制定的综合管廊适建性评价因子分级评分一览表，对该地区内每条道路的六项评价因子进行打分，且通过专家决策法对该地区内每条道路的管廊适建性总分进行打分。步骤三，建立一个神经网络结构，将步骤二获得的每条道路的六项评价因子的评分作为输入量，每条道路的管廊适建性总分作为输出量，将这些输入、输出量作为训练数据输入该神经网络结构中进行训练，通过神经网络算法得到每条道路的管廊适建性总分与六项评价因子的关系，训练好的神经网络结构即为管廊适建性评价体系。步骤四，选定某一待管廊规划的新地区，根据步骤一制定的综合管廊适建性评价因子分级评分一览表，获得该新地区内每条道路的六项评价因子的评分，将这些评价因子的评分输入到管廊适建性评价体系中，得到该新地区内每条道路的管廊适建性总分s，根据每条道路的管廊适建性总分分值分别划分其管廊适建性等级，以此作为管廊规划的依据。其中，管廊适建性等级包括不宜建设、可建设、较适宜建设、适宜建设，根据每条道路的管廊适建性总分的分值评价每条道路的管廊适建性等级。如下表2所示，当0＜s≤2时，管廊适建性等级为“不宜建设”；当2＜s≤4时，管廊适建性等级为“可建设”；当4＜s≤7时，管廊适建性等级为“较适宜建设”；当7＜s≤10时，管廊适建性等级为“适宜建设”。表2管廊适建性等级划分依据表管廊适建性总分管廊适建性等级0＜s≤2不宜建设2＜s≤4可建设4＜s≤7较适宜建设7＜s≤10适宜建设实施例现有a市某区域200条道路作为样本完成神经网络模型的训练，并以训练好的神经网络模型完成b市某区域290段道路的管廊规划工作，具体操作过程为：首先，采用matlab等程序建立神经网络模型结构，如图2所示。然后，获得a市某区域200条道路的六项评价因子得分及管廊适建性总分作为原始数据(如表3)对神经网络模型进行训练。表3训练用原始数据其次，根据表1，对b市某区域290条道路的六项评价因子进行打分，打分结果见表4。表4b市某区域290条道路六项评价因子打分表注：其中部分道路由于长度较长，涉及区域较多，故将这些道路分为若干段，分别编号。然后，引入已训练好的神经网络模型，将表4中的评价因子得分导入神经网络模型，得到每条道路的管廊建设性总分s，见表5。表5b市某区域290条道路的管廊建设性总分得分表道路名称编号管廊建设性总分s绿城路37.3绿城路17.1绿城路27.1高阳大道186.85高阳大道196.85高阳大道206.85濮上北路16.8濮上北路26.8濮上北路36.8绿城路46.8开州路46.7京开大道56.7京开大道66.7高阳大道76.65卫都大道26.6卫都大道36.6京开大道26.4高阳大道26.35高阳大道36.35高阳大道46.35高阳大道56.35高阳大道66.35高阳大道226.35：：：爱民街13.1爱民街53.1爱民街63.1爱民街73.1翔源路22.95龙门路32.75龙门路42.75翔源路12.75翔源路32.75玄武路142.7最后，按照表2划分每条道路的管廊适建性等级，结果见表6。表6管廊适建性等级划分道路名称编号管廊建设性总分s管廊适建性等级绿城路37.3适宜建设绿城路17.1适宜建设绿城路27.1适宜建设高阳大道186.85较适宜建设高阳大道196.85较适宜建设高阳大道206.85较适宜建设濮上北路16.8较适宜建设濮上北路26.8较适宜建设濮上北路36.8较适宜建设绿城路46.8较适宜建设开州路46.7较适宜建设京开大道56.7较适宜建设京开大道66.7较适宜建设高阳大道76.65较适宜建设卫都大道26.6较适宜建设卫都大道36.6较适宜建设京开大道26.4较适宜建设高阳大道26.35较适宜建设高阳大道36.35较适宜建设高阳大道46.35较适宜建设高阳大道56.35较适宜建设高阳大道66.35较适宜建设高阳大道226.35较适宜建设：：：：爱民街13.1可建设爱民街53.1可建设爱民街63.1可建设爱民街73.1可建设翔源路22.95可建设龙门路32.75可建设龙门路42.75可建设翔源路12.75可建设翔源路32.75可建设玄武路142.7可建设尽管上面结合附图对本发明进行了描述，但本发明并不局限于上述，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，还可做出很多形式，这些均属于本发明的保护之内。当前第1页12