基于改进ANN耦合异步元胞自动机的城市动态扩张模拟方法

本发明属于地理信息技术领域，涉及一种基于改进ann耦合异步元胞自动机的城市动态扩张模拟方法。

背景技术：

元胞自动机(cellularautomata,ca)是一种时间、空间、状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。ca的核心问题是获取有效的转换规则。如今有许多城市扩张模拟方法和模型，例如逻辑回归、人工神经网络和随机森林算法等与ca模型耦合。逻辑回归能解释驱动因子对城市扩张模拟的重要性，但处理非线性、复杂的扩张模拟变化时模拟精度较低。所以采用使用粒子群结合ca优化后的人工神经网络ann提取转换规则来进行城市扩张模拟，另外由于每一个城市栅格由于经济，地理位置的差异，存在空间异质性的情况，并且由于一些元胞在演化的过程中由于演化速率的不同，也同时存在时间差异性，传统的元胞自动机与现实模拟有较大的的差异，导致模拟精度较低。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于改进ann与分区异步元胞自动机模型的城市动态扩张模拟方法。

为达到上述目的，本发明提供如下技术方案：

一种基于改进ann耦合异步元胞自动机的城市动态扩张模拟方法，包括以下步骤：

s1：通过k-means方法对研究区域进行分区；

s2：通过基于ann-hpso-ca模型得到每个分区的转换规则；

s3：将ann-hpso-ca模型与异步元胞自动机模型耦合。

进一步，在所述步骤s1中，将基期年与末期年两年的研究区域的数据进行叠加，得到土地利用变化数据，对所述土地利用变化数据与其他影响土地利用变化的驱动因子数据进行k-means空间聚类分析，聚类结果中的每一个类(簇)对应元胞空间的一个分区。

进一步，所述步骤s2具体包括以下步骤：

s21：基于人行为粒子群优化和元胞自动机的改进人工神经网络ann-hpso-ca，在原粒子群优化算法pso中引入全局最坏粒子，即在每次迭代中，整个种群中适应性最差的粒子，表示为gworst：

gworst(t)＝argmax{f(pbest1),f(pbest2),…,f(pbestn)}

f(·)代表对应粒子的适应度值；

引入服从标准正态分布的学习系数r3，即r3∈(0,1)，若r3>0，则认为是一个有推力的学习系数，有助于提高粒子的飞行速度；若r3<0，则认为是惩罚的学习系数，降低粒子的飞行速度；若r3＝0，表示这些坏习惯或行为对粒子没有影响；将两个加速度系数r1和r2分别替换为随机学习系数r1和r2：

r1和r2是两个值在[0,1]之间的随机数，r1+r2＝1；对于一个粒子，在每一个d＝1,2,…,d中，r1、r2、r3的值是相同的，不同粒子的r1、r2、r3的值是不同的；如果溢出边界，就将当前的值设置为边界值；

s22：将s1得到的聚类的结果输入到ann-hpso-ca中进行处理，得到每一个分区的转换规则。

进一步，所述ann-hpso-ca为：在hpso中引入ca，通过ca提高搜索能力来挖掘更多潜在搜索空间，使得粒子有更多的天赋来摆脱原来的轨迹；

在hpso的第一层循环中，所有搜索空间中的粒子被放在一个给定的二维网格中，对于每一个粒子，ca计算找出当前粒子邻域区域内的局部最好粒子和局部最坏粒子并设定为对应的初始值，然后计算当前粒子的适应度值，如果当前粒子的适应度值比局部最好粒子的适应度值更高，就根据ca转换规则对当前粒子进行更新；

hpso的第二层循环将ann的权重和偏差参数初始化，赋值给粒子，在hpso-ca中找出最优粒子；在计算粒子的适应度值时，将神经网络中的代价函数应用于hpso中的适应度函数，最后，全局最优粒子即为神经网络中的最优权值和偏差。

进一步，所述s3具体包括以下步骤：

s31：首先通过基期年的土地利用数据与末期年的土地利用数据得到土地利用变化数据，然后通过标准格网划分的方法将研究区域划分为很多标准格网，得到一个速率格网；

s32：通过结合土地利用变化数据按照以下公式得到元胞转换速率：

其中vi为速率格网i中的元胞演化速率，ci为速度格网i中发生变化的栅格(元胞)数目，si为速率格网i中非空栅格(元胞)的数目；

s33：通过下列公式计算元胞的演化间隔：

其中intervali即为速率格网vi中的元胞演化间隔；

s34：定义最大元胞演化间隔maxi，然后把所有元胞的演化间隔都控制在[1,maxi]区间中，用下列的公式展示：

即，如果元胞的演化间隔大于maxi，则该元胞的演化间隔就为maxi，否则就为intervali；

s35：异步元胞自动机ca模型中每个元胞的总体转换概率由五个部分组成：城市发展适宜性ps、邻域效应ω、约束条件rc、随机因子ra以及通过元胞演化间隔得到的所述城市发展适宜性通过ann-hpso-ca模型计算得到；所述邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用；具体表现为中心元胞n×n邻域范围内城市元胞的密度；元胞i在时刻t的邻域效应表示为：

其中表示元胞i在时刻t的状态，con()是条件函数，当元胞状态为城市时值为1，否则值为0；

限制因素约束了特殊土地利用类型向城市的转换；限制因素表示为：

其中当元胞i在时刻t满足扩张约束条件时，con()取值为1，否则取值为0；ra为0-1之间的随机数；

如果元胞自动机的运行次数是该元胞的演化间隔intervali整数倍，则为1，否则为0；

元胞i在时刻t的总体转换概率表示为：

在每次迭代中计算每个元胞的总体转换概率，并根据概率值选择最大的前n个非城市元胞进行转换；根据基期年和末期年的土地利用变化数据得到城市扩张量m，模型迭代次数则为即达到实际城市扩张量时模型停止模拟，输出模拟结果。

本发明的有益效果在于：本发明将一种与改进ann与异步元胞自动机ca模型相结合，通过使用粒子群结合ca优化之后的ann提取转换规则，并且考虑了因地理位置和经济差异所导致的空间异质性与时间异质性，更加符合真实的城市扩张模拟，能够提升城市扩张模拟精度高，为相关领域决策者提供了数据支撑和参考。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为基于改进ann耦合异步元胞自动机的诚实动态扩张模拟系统结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1，为基于改进ann与分区异步元胞自动机模型的城市动态扩张模拟方法，该方法包括以下步骤：

s1：通过k-means方法对研究区域进行分区；

s2：通过基于ann-hpso-ca模型的到每个分区的转换规则；

s3：将ann-hpso-ca模型与异步元胞自动机模型耦合。

可选的，所述s1具体为：

将基期年与末期年两年的研究区域的数据进行叠加，得到土地利用变化数据，对土地利用变化数据与其他影响土地利用变化的驱动因子数据进行k-means空间聚类分析，聚类结果中的每一个类(簇)就对应元胞空间的一个分区；

可选的，所述s2具体为：

s21：基于人行为粒子群与元胞自动机模型原理：基于人行为粒子群优化和元胞自动机的改进人工神经网络是一种全新的改进人工神经网络，通过在传统粒子群优化算法的速度方程中引入了全局最坏粒子，并且赋予其随机权重，使其服从标准正态分布，该优化方案有助于平衡pso的勘测开发能力。

考虑到我们现实生活中存在着一些有坏习惯或者行为的人，同时，我们都只到这些坏习惯或行为会给周围的人带来一些影响。如果我们都知道这些坏习惯或行为会给周围的人带来一些影响。如果我们从这些坏习惯或行为中得到警告，这对我们是有益的。相反，如果我们从这些坏习惯或行为中学习，它对我们是有害的。因此，我们必须对这些坏习惯或行为给出一个客观和理性的看法。所以作者在原pso中引入了全局最坏粒子，在每次迭代中，它是整个种群中适应性最差的粒子，表示为gworst：

gworst(t)＝argmax{f(pbest1),f(pbest2),…,f(pbestn)}

f(·)代表对应粒子的适应度值。为了模拟人的行为并充分利用最坏情况，引入学习系数r3，它服从标准正态分布；即r3属于(0,1)，若r3>为0，则认为是一个有推力的学习系数，有助于提高粒子的飞行速度；因此，可以提高粒子的探测能力。反之，若r3<0，则认为是惩罚的学习系数，会降低粒子的飞行速度；因此，加大开发力度是有益的。如果r3＝0，表示这些坏习惯或行为对粒子没有影响。同时，为了降低所求解问题的参数敏感性，我们将两个加速度系数r1和r2分别替换为随机学习系数r1和r2。

r1和r2是两个值在[0,1]之间的随机数，r1+r2＝1。对于一个粒子，在每一个d＝1,2,…,d中，r1、r2、r3的值是相同的。但是不同粒子r1、r2、r3的值是不同的，因为每次迭代中都会重新生成。如果溢出边界，我们就将其设置为边界值。

ann-hpso-ca模型原理：因为粒子在搜索过程中往往会陷入局部最优，为了克服上述缺点，更好地平衡勘测开发，在hpso中引入了ca，通过ca提高搜索能力来挖掘更多潜在搜索空间，使得粒子有更多的天赋来摆脱原来的轨迹。在hpso的第一层循环中，所有搜索空间中的粒子被放在一个给定的二维网格中，对于每一个粒子，ca会计算找出当前粒子邻域区域内的局部最好粒子和局部最坏粒子并设定为对应的初始值，然后计算当前粒子的适应度值，如果当前粒子的适应度值比局部最好粒子的适应度值更高，那么就根据ca转换规则对当前粒子进行更新。

hpso的第二层循环将ann的权重和偏差参数初始化，赋值给粒子，在hpso-ca中找出最优粒子。在计算粒子的适应度值时，将神经网络中的代价函数应用于hpso中的适应度函数，最后，全局最优粒子也就是神经网络中的最优权值和偏差。

s22：将s1得到的聚类的结果输入到ann-hpso-ca中进行处理，得到每一个分区的转换规则。

可选的，所述s3具体为：

s31：首先通过基期年的土地利用数据与末期年的土地利用数据得到土地利用变化数据然后通过标准格网划分的方法将研究区域划分为很多标准格网，得到一个速率格网；

s32：通过结合土地利用变化数据按照以下公式得到元胞转换速率：

vi为速率格网i中的元胞演化速率，ci为速度格网i中发生变化的栅格(元胞)数目，si为速率格网i中非空栅格(元胞)的数目。

s33：通过下列公式计算元胞的演化间隔：

其中intervali即为速率格网vi中的元胞演化间隔。

s34：定义了最大元胞演化间隔maxi,然后把所有元胞的演化间隔都控制在[1,maxi]区间中。可用下列的公式展示：

即是如果元胞的演化间隔大于maxi,则该元胞的演化间隔就为maxi,否则就为intervali。

s35：异步元胞自动机ca模型中每个元胞的总体转换概率由五个部分组成：城市发展适宜性ps、邻域效应ω与约束条件pc和随机因子ra以及通过元胞演化间隔得到的城市发展适宜性通过ann-hpso-ca模型计算得到；邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用；具体表现为中心元胞n×n邻域范围内城市元胞的密度；元胞i在时刻t的邻域效应表示为：

其中表示元胞i在时刻t的状态，con()是条件函数，当元胞状态为城市时值为1，否则值为0；

限制因素约束了特殊土地利用类型向城市的转换；限制因素表示为：

其中当元胞i在时刻t满足扩张约束条件时，con()取值为1，否则取值为0；ra为0-1之间的随机数；

如果元胞自动机的运行次数是该元胞的演化间隔intervali整数倍，则为1，否则为0；

元胞i在时刻t的总体转换概率表示为：

在每次迭代中计算每个元胞的总体转换概率，并根据概率值选择最大的前n个非城市元胞进行转换。根据基期年和末期年的土地利用变化数据得到城市扩张量m，模型迭代次数则为即达到实际城市扩张量时模型停止模拟，输出模拟结果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。