一种通勤视角都市圈空间半径测算方法与流程

本发明涉及都市圈空间范围定量分析测算技术领域，特别是涉及到一种通勤视角都市圈空间半径测算方法。

背景技术：

近期都市圈研究与发展的热潮日益高涨。但都市圈空间发展的同时可能存在城市无序蔓延、都市圈范围不合理等风险，基于此，近年来国内学界在借鉴国外发展经验的基础上关于都市圈合理空间范围的讨论不断深入。学界普遍认为都市圈空间范围应遵循以人为本的发展理念，从人们日常通勤通学的幸福感出发，将都市圈空间半径控制在30～50km内，也存在“明确都市圈的空间区域应为通勤范围”的观点。因此，建立一种合理、有效的通勤视角都市圈空间半径测算方法模型十分必要。目前现有的都市圈空间界定方法提出时间较早，缺乏对于新形势新技术的适应性，且多采用经济地理学模型，存在要素单一的问题，且由于我国普查数据中缺乏对于通勤数据的统计，现有方法对于通勤这一关键要素的考虑较为欠缺。总的来说，目前传统的都市圈空间界定方法存在较多改进空间，不适用于面向未来的都市圈空间界定与分析。

技术实现要素：

为了解决上述存在问题。本发明提供一种通勤视角都市圈空间半径测算方法。基于现有传统都市圈传统空间界定方法存在要素单一、忽视通勤要素、定量普适性较差等技术不足，提供一种通勤视角都市圈空间半径测算方法，能运用bp神经网络模型，在兼顾多阶段多要素的基础上，对我国通勤视角都市圈空间半径进行定量测算。为达此目的：

本发明提供一种通勤视角都市圈空间半径测算方法，包括下述步骤：

(1)选定数据指标易得的都市圈作为样本都市圈，并按照一定比例将样本都市圈区分为近期年份的训练和验证两种样本，选定需进行通勤视角都市圈空间半径预测的都市圈作为目标年份预测实例；

(2)获取各样本都市圈现状年份和目标都市圈目标年份的影响通勤视角都市圈空间半径的空间、时间、流量、设施、引力五大类数据指标，并获取各都市圈现状年份通勤视角都市圈空间半径值，确定训练、验证输入、输出指标以及预测输入指标；

(3)将步骤(2)中收集的各组数据录入matlab，建立都市圈空间半径界定数据库，并将各都市圈对应的各组数据区分为训练组、验证组与预测组；

(4)赋予步骤(3)中所述训练输入、训练输出、验证输入指标初始化权重和阈值；

(5)归一化处理步骤(4)中所述训练指标并输入训练样本，利用matlab的premnlnx函数实现训练样本输入指标向量的归一化；

(6)根据训练组样本数据确定bp神经网络传递函数、训练函数、隐含层神经元个数，设置神经网络模型的最大容许误差和最大学习次数，建立bp神经网络测算模型，对模型进行训练；

(7)使用tramnmx函数将验证组样本的输入指标数据归一化，代入bp神经网络测算模型进行运算并运用postmnmx函数将模型输出结果反归一化，将反归一化后的验证组输出结果与验证组输出指标实际值进行对照，若满足误差条件则该bp神经网络测算模型训练完成；

(8)使用训练完成的bp神经网络测算模型对预测组进行测算，最终得到通勤视角都市圈空间半径的值或一定范围。

作为本发明进一步改进，所述步骤(1)中，按一定比例区分训练和验证都市圈样本时，按照80％训练样本，20％验证样本的比例区分样本，且区分时应具有随机性。

作为本发明进一步改进，所述步骤(2)中，各都市圈训练、验证、预测输入指标具体如下：各都市圈的全部通勤人群平均直线通勤距离、中心城市建成区面积、中心城市一日交流圈内人口规模500万以上，即特大城市及以上的城市个数、中心城市一日交流圈内人口规模300万以上，即大城市及以上的城市个数、全部通勤人群平均通勤时间、都市圈极限通勤人群平均通勤时间、各都市圈中心城市常住人口密度、中心城市g/d/c次列车日班次数、中心城市机动车保有量、中心城市快递业务量、各都市圈中心城市高速铁路线路数、中心城市高速公路总里程、中心城市轨道交通线路总里程、中心城市公共汽电车运营线路总里程、各都市圈的中心城市人均gdp、中心城市创新创业活力指数、中心城市人口城镇化率、中心城市市政公用设施建设固定资产投资、中心城市落户门槛指数共19项，各都市圈训练输出指标为各都市圈极限通勤人群平均通勤距离，输入指标数据可通过各城市、都市圈的统计年鉴与相关统计、报告获取，输出指标数据可通过各城市、都市圈规划愿景报告、调研报告或运用三次指数平滑法、弹性系数法、一元线性回归法等方法计算获取。

作为本发明进一步改进，所述步骤(5)中由于各样本指标值的量纲不同，在使用matlab软件在对bp神经网络进行训练前，应该对样本数据进行标准化处理，premnmx函数可实现向量的标准化，将各数据归一到[-1,1]范围之内，其调用格式是：

[pn,minp,maxp,tn,mint,maxt]＝premnmx(p,t)

其中，p为网络输入向量，t为目标输出向量，pn为量化后的输入向量，minp为输入向量的最小值；maxp为输入向量的最大值；tn为量化后的目标向量，mint为目标向量的最小值；maxt为目标向量的最大值。

作为本发明进一步改进，步骤(6)中，传递函数、训练函数和隐含层单元数的确定按如下要求实施：

(61)对于传递函数，非线性问题中，输入层和隐含层多采用非线性传递函数，如logsig函数或tansig函数，输出层采用线性函数，如purelin函数；

(62)对于训练函数，常见的训练函数有trainglm、traingd、traingdm、traingda和traingdx五种，需分别应用上述函数对bp网络进行实验，通过比较训练结果来确定最优选；

(63)隐含层神经元数的确定主要计算公式为：n1＝(n+m)^0.5+a，其中n1为隐含层神经元数，m为输出神经元数，n为输入神经元数，a为1～10的常数，需采用试凑法将隐含神经元数各值代入bp神经网络中，通过比对训练结果来确定最优值。

作为本发明进一步改进，步骤(7)中在训练网络时若所用的为经过归一化的样本数据，则以后使用网络时所用的新数据也应同样本数据接受相同的预处理，需运用tramnmx函数，其调用格式为[pn]＝tramnmx(p,minp,maxp)，网络输出结果需要使用postmnmx函数进行反归一化还原成原始的数据，调用格式是：[pn]＝postmnmx(p,minp,maxp)。

作为本发明进一步改进，步骤(8)中预测输出即为目标年份目标都市圈通勤视角都市圈空间半径的值或一定范围。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

(1)本发明从人的日常通勤通学幸福感出发，充分考虑通勤视角都市圈空间合理半径，对于现阶段我国都市圈空间尺度发展关键期具有重要的参考价值；

(2)本发明综合空间、时间、流量、设施、引力五大类要素指标以及19个二级指标综合建立影响通勤视角都市圈空间半径的指标体系，在保证指标体系数据易获取的同时大大提高了预测值的可靠性、科学性；

(3)本发明应用bp神经网络模型这一智能算法对指标体系对应数据进行训练和预测，测算用时短、精度高，且整套方法普适性、稳定性高，为我国即将迎来的都市圈发展热潮提供了理论基础与技术支撑。

附图说明

图1为本发明方法的流程图；

图2为本发明方法中输入指标的指标体系结构图；

图3为本发明案例中南京都市圈通勤视角都市圈空间半径现状、预测示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种通勤视角都市圈空间半径测算方法。基于现有传统都市圈传统空间界定方法存在要素单一、忽视通勤要素、定量普适性较差等技术不足，提供一种通勤视角都市圈空间半径测算方法，能运用bp神经网络模型，在兼顾多阶段多要素的基础上，对我国通勤视角都市圈空间半径进行定量测算；

如图1所示，本发明所述的一种通勤视角都市圈空间半径测算方法包括下述步骤：

(1)选定包括南京都市圈在内的，数据指标易得的共十个我国都市圈作为样本都市圈，并按适当比例将该十个都市圈数据样本(2017年现状数据)分为训练样本和验证样本，同时选定南京都市圈作为通勤视角都市圈空间半径测算都市圈(预测其2035年目标数据)如图3所示。

(11)选定南京都市圈为样本都市圈之一且为目标预测都市圈；

(12)选定北京都市圈、上海都市圈、广州都市圈、深圳都市圈、杭州都市圈、武汉都市圈、成都都市圈、合肥都市圈、郑州都市圈为余下九个样本都市圈，并将数据来源年份统一定为2017年；

(13)将样本都市圈中的南京都市圈、北京都市圈、郑州都市圈划分为训练样本，余下七个样本都市圈划分为训练样本。

(2)获取2017年十个样本都市圈和2035年南京都市圈影响通勤视角都市圈空间半径的空间、时间、流量、设施、引力五大类数据指标(如图2所示)，并获取2017年十个样本都市圈通勤视角都市圈空间半径值，确定训练、验证输入、输出数据以及预测输入数据。

(21)2017年十个样本都市圈通勤视角都市圈空间半径指标体系中五个一级指标，19个二级指标具体数据如表1所示，表中涉及数据主要来自于2017年各城市、各都市圈统计年鉴及相关报告，表1中数据即为训练、验证输入数据；

表1通勤视角都市圈空间半径测算指标体系(训练、验证输入数据)

(22)2017年十个样本都市圈通勤视角都市圈空间半径具体数据如表2所示，表中涉及数据来自《中国都市圈极限通勤研究》(注：极限通勤人群为通勤距离最远的10％人群)，表2中数据即为训练、验证输出数据；

表22017年通勤视角都市圈空间半径(训练、验证输出数据)

(22)2035年南京都市圈通勤视角都市圈空间半径测算指标体系具体数据如表3所示，表中涉及数据主要通过南京市、南京都市圈规划愿景报告、调研报告获取，或运用三次指数平滑法、弹性系数法、一元线性回归法等方法计算获取，表3中数据即为预测输入数据；

表32035年南京都市圈通勤视角都市圈空间半径测算体系(预测输入数据)

(3)将步骤(2)中收集表(1)(2)(3)数据录入matlab，建立都市圈空间半径界定数据库，并将各组指标数据区分为训练组、验证组与预测组。

(4)赋予步骤(3)中所述训练输入、训练输出、验证输入指标初始化权重和阈值。

(5)归一化处理步骤(4)中所述训练指标并输入训练样本，利用matlab的premnlnx函数实现训练样本输入指标向量的归一化。

(51)对样本数据进行标准化处理，premnmx函数可实现向量的标准化，将各数据归一到[-1,1]范围之内。其调用格式是：

[pn,minp,maxp,tn,mint,maxt]＝premnmx(p,t)

其中，p为网络输入向量，t为目标输出向量，pn为量化后的输入向量，minp为输入向量的最小值；maxp为输入向量的最大值；tn为量化后的目标向量，mint为目标向量的最小值；maxt为目标向量的最大值。

(6)根据训练组样本数据确定bp神经网络传递函数、训练函数、隐含层神经元个数，设置神经网络模型的最大容许误差和最大学习次数，建立bp神经网络测算模型，对模型进行训练。

(61)对于传递函数，输入层和隐含层采用logsig函数，输出层采用purelin函数；

(62)对于训练函数，分别应用trainglm、traingdm、traingda和traingdx函数对bp网络进行实验，通过比较训练结果来确定最优选，最终traingdx函数作为训练函数时迭代次数少且训练误差最小，为1.88×e-11，因此采用traingdx函数为训练函数；

(63)隐含层神经元数n1＝(19+1)^0.5+a，其中a为1～10的常数，因此n1的取值在6～14之间，运用试凑法后比对训练结果发现，n1＝14时，迭代次数少且训练误差最小为7.57×e-11，因此隐含层神经元数确定为14个；

(62)训练参数通过函数net.trainparam来进行设定，设置最大允许误差为0，最大学习次数为10000次，具体代码如下：

net.trainparam.epoehs＝10000

net.trainparam.goal＝0.0000

(7)使用tramnmx函数将验证组样本的输入指标数据归一化，代入bp神经网络测算模型进行运算并运用postmnmx函数将模型输出结果反归一化，将反归一化后的验证组输出结果与验证组输出指标实际值进行对照，若满足误差条件则该bp神经网络测算模型训练完成。

(71)验证组最终输出结果与验证组输出指标实际值对照见表4所示，测算模型输出误差在可接受范围内，bp神经网络测算模型训练完成。

表4验证组都市圈输出测算结果与输出实际值对比

(8)使用训练完成的bp神经网络测算模型对预测组进行测算，最终得到通勤视角都市圈空间半径的值或一定范围。

(81)归一化预测组数据；

(82)依照上述验证组步骤设置预测组参数，设置输入层和隐含层传递函数为logsig函数，输出层传递函数为purelin函数；

(83)比选后选取traingdx函数作为训练函数对bp网络进行训练；

(84)隐含层神经元数确定为14；

(85)训练最大允许误差为0，最大学习次数为10000次；

(86)预测组最终输出结果见表5所示，输出范围在34km至38km之间，平均值为35.9514km，标准差为1.1807，南京都市圈2035年通勤视角都市圈空间半径范围预测完成。

表5南京都市圈预测结果输出

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。