基于预测网络的村落房屋布局方法、存储介质及终端设备与流程

1.本发明涉及室外场景布局领域，特别涉及基于预测网络的村落房屋布局方法、存储介质及终端设备。


背景技术：

2.布局主要的研究对象是空间位置关系，大方向上具体可分为：室内及室外场景布局。其中，室外场景布局包括村落布局，室内场景布局包括两种类型的布局设计：一种是空间划分，如户型图，每个房间有特定功能，并且房间之间可能有关联；另一种是家具布局，按照一定规则安排房间中家具的摆放。
3.目前，对村落布局的研究为数不多，且大多基于传统方法，主要是按照特定的布局规则和功能性要求等自定义输入约束来生成对象空间位置。在构建较大场景的民居群时，随着需要布局的房屋个数的增多，布局优化算法时间复杂度会上升，生成速度和质量会显著下降，难以满足实时性要求。就布局领域来说，有学者将深度学习应用在家居布局上，提出了一种基于卷积神经网络的室内场景综合方法，能够加快布局生成速度。但由于领域特点存在较大差异，如村落面积较大、房屋形状不规则、村落内道路复杂等，无法将深度学习应用在家居布局的流程迁移到村落布局上，进而无法实现村落的快速布局。
4.因此，现有技术还有待于改进。


技术实现要素：

5.鉴于上述现有技术的不足，本发明的目的在于提供一种基于预测网络的村落布局方法，旨在解决现有村落布局生成速度慢、质量低的问题。
6.本发明的技术方案如下：
7.一种基于预测网络的村落布局方法，其中，包括步骤：
8.对传统村落建筑地形进行图像采集，根据采集的图像绘制传统村落地形图并在所述地形图上标注房屋信息，得到原始数据源；
9.根据村落中的道路走向将所述原始数据源中的村落划分为区块，将每个区块的轮廓点坐标，每个区块包括的房屋信息以及房屋轮廓点坐标存入表格中，得到地形图表格数据；
10.对所述地形图表格数据进行扩展、转换处理，得到模型输入数据；
11.根据所述模型输入数据构建村落布局决策网络，所述村落布局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块；
12.将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。
13.所述基于预测网络的村落布局方法，其中，对所述地形图表格数据进行扩展、转换处理的步骤包括：
14.从所述地形图表格数据中依次提取每张表格中的房屋信息、房屋轮廓点坐标及区
块轮廓点坐标，用纯文本形式存储表数据，得到一个csv文件，以_block_cnts.csv为后缀；
15.计算每个区块包含的所有房屋的扩展信息，并以block_info.csv为后缀。
16.所述基于预测网络的村落布局方法，其中，所述房屋的扩展信息包括房屋面积、门的朝向角度、房屋最小矩形包围盒的旋转基准点坐标、房屋轮廓点坐标、房屋是否为凸多边形、房屋是否分割、房屋最小矩形包围盒的中心点坐标、房屋材质标签、楼层标签、房屋形状标签、区块面积分类标签、经比例换算后的房屋的最小矩形包围盒中心到区块最近的距离值、经比例换算后的房子的最小矩形包围盒中心到区块中心的距离值和房屋评分中的一种或多种。
17.所述基于预测网络的村落布局方法，其中，对所述地形图表格数据进行扩展、转换处理的步骤包括：
18.对所述地形图表格数据中的每个区块进行正交自顶向下渲染，将每个区块区域映射到256*256图像上；
19.将语义特征编码到通道上，所述通道的第一层是区块通道，在区块内取1；所述通道的第二层是所有房屋的通道，有房屋处像素值为1；所述通道的第三、四层是房屋朝向通道，两个通道分别编码sinθ和cosθ；所述通道的第五层是5层的材质类别通道、5层的楼层类别通道、6层的形状类别通道以及5层的房屋面积类别通道。
20.所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
21.预先在所述村落布局决策网络中添加房屋继续放置判断模块；
22.将当前区块场景映射到256*256的区块多通道视图上，作为房屋继续放置判断模块的输入数据；
23.用两组特征来封装当前区块场景的状态，existingcountss表示当前block场景中已经存在的每个房屋类别的计数向量，resnetvs是用resnet18来提取vs的高级特征，输出当前区块场景中是否能够继续放置房屋的概率：pcontinue(t|s)＝(mlpexistingcountss，resnetvs)，其中，mlp表示若干个线性层。
24.所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
25.预先在所述村落布局决策网络中添加房屋类别模块；
26.将经过房屋继续放置判断模块确认需要继续放置房屋的区块场景映射到256*256的区块多通道视图上，作为房屋类别模块的输入数据；
27.通过公式pcat(pi|cati,s)＝(linearmlpcati，resnetvs)获取添加进区块场景的房屋的四个类别概率分布，其中i∈1,2,3,4，所述四个类别分别为材质标签，楼层标签，形状标签，面积标签。
28.所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
29.预先在所述村落布局决策网络中添加房屋位置模块；
30.将经过房屋类别模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋位置模块的输入数据；
31.通过公式ploc(pl|s)＝mlpupconvresnetvs，获取房屋在可能位置出现的每个像
素的概率。
32.所述基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
33.预先在所述村落布局决策网络中添加房屋朝向模块；
34.将经过房屋位置模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋朝向模块的输入数据；
35.通过公式μ,σ2＝split(mlpvs)、sdown＝linear(downconvvs)、cosθ＝mlp([z,sdown])获取房屋的旋转角度，其中，使用mlp多个线性层对输入场景编码，将其分割成两个维度相同的特征均值μ和方差σ2，根据前述的均值和方差构建一个正态分布，从该正态分布p～n(0,1)中采样一个随机向量z。
[0036]
本发明还提供了一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明提供的基于预测网络的村落布局方法的步骤。
[0037]
本发明还提供了一种终端设备，其中，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如本发明提供的基于预测网络的村落布局方法的步骤。
[0038]
有益效果：本发明提供的一种基于预测网络的村落布局方法，将深度学习方法应用在村落布局领域。本发明通过采集大量真实的传统村落布局数据，以村落内道路走向划分成区块，对数据进行扩展、转换，得到能够切实反应房屋的形状特征的输入数据，通过构建村落布局决策网络预测房屋的类别、位置和朝向，得到布局结果，使得生成房屋质量和效率均得到提高，克服了现有技术中随着房屋个数的增多，布局优化算法时间复杂度上升，生成速度和质量显著下降的问题。
附图说明
[0039]
图1为本发明提供的基于预测网络的村落布局方法的步骤流程图；
[0040]
图2为本发明提供的终端设备的结构框图。
具体实施方式
[0041]
本发明提供一种基于预测网络的村落房屋布局方法、存储介质及终端设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0042]
请参阅图1，图1为本发明提供的一种基于预测网络的村落布局方法较佳实施例的流程图，如图所示，其包括步骤：
[0043]
s100、对传统村落建筑地形进行图像采集，根据采集的图像绘制传统村落地形图并在所述地形图上标注房屋信息，得到原始数据源；
[0044]
s200、根据村落中的道路走向将所述原始数据源中的村落划分为区块，将每个区块的轮廓点坐标，每个区块包括的房屋信息以及房屋轮廓点坐标存入表格中，得到地形图表格数据；
[0045]
s300、对所述地形图表格数据进行扩展、转换处理，得到模型输入数据；
[0046]
s400、根据所述模型输入数据构建村落布局决策网络，所述村落布局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块；
[0047]
s500、将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。
[0048]
本实施例通过采集大量真实的传统村落布局数据，以村落内道路走向划分成区块，对数据进行扩展、转换，得到能够切实反应房屋的形状特征的输入数据，通过构建村落布局决策网络预测房屋的类别、位置和朝向，得到布局结果，使得生成房屋质量和效率均得到提高，克服了现有技术中随着房屋个数的增多，布局优化算法时间复杂度上升，生成速度和质量显著下降的问题。
[0049]
在一些实施方式中，以获取50个村落的地形图表格数据为例，首先查阅调研传统村落档案并记录分布地，利用无人机对传统村落进行图像采集，然后根据采集的传统村路图像采用autocad软件绘制传统村落地形图，其中包括房屋、道路轮廓以及山川河流等自然景观，并在每个房屋上标注其建筑材质和楼层信息，得到原始数据源。本实施例中，在获得原始数据源之后，根据传统村落中的道路走向将整个村落划分区块(block)，由于传统村落建筑紧凑，在图像采集时，部分道路不能拍摄清晰完全。因此，在将村落划分为区块前还包括：通过实地采访时记录的注意点在所述地形图上手动补充未拍摄完全的路线，使其构成一个建筑群的包围圈，然后标注区块(block)次序号；从autocad中手动提取房屋和block的轮廓点坐标以及其上标注的材质和楼层的信息，然后按照首行标签信息，依次是对应的房屋轮廓点坐标，最后block轮廓点坐标存入excel表中，每个表存储村落中一个block所有数据，最后每个村落会得到几十个甚至几百个的block表。
[0050]
在一些实施例中，所述步骤s300包括：
[0051]
s310、从所述地形图表格数据中依次提取每张表格中的房屋信息、房屋轮廓点坐标及区块轮廓点坐标，用纯文本形式存储表数据，得到一个csv文件，以_block_cnts.csv为后缀；
[0052]
s320、计算每个区块包含的所有房屋的扩展信息，并以block_info.csv为后缀。
[0053]
具体来讲，考虑到传统村落布局复杂，区块形状和面积不同，区块内的房屋数量和大小也不一样。因此，在一些实施例中，所述步骤s320还包括：根据区块面积将区块分类，得到cnts_block_categories.csv和info_block_categories.csv文件。在网络模型设计时，先对其中某一类别进行训练，获得良好的预训练模型后再应用到其他类别上，可缩短生成布局结果的时间。进一步地，所述分类的方法可选为kmeans聚类。
[0054]
进一步地，所述步骤s300还包括：
[0055]
s330、对所述地形图表格数据中的每个区块进行正交自顶向下渲染，将每个区块区域映射到256*256图像上；
[0056]
s340、将语义特征编码到通道上，所述通道的第一层是区块通道，在区块内取1；所述通道的第二层是所有房屋的通道，有房屋处像素值为1；所述通道的第三、四层是房屋朝向通道，两个通道分别编码sinθ和cosθ；所述通道的第五层是5层的材质类别通道、5层的楼层类别通道、6层的形状类别通道以及5层的房屋面积类别通道。
[0057]
以获取50个村落中的一个村落的为例：依次提取每个block的地形图表格数据的房屋标签信息、轮廓点坐标及区块轮廓点坐标，用纯文本形式存储表数据，得到一个csv文
件，这里每行数据就是一个区块包含所有信息，以_block_cnts.csv为后缀；对于村落每个区块，根据地形图表格数据，计算其中所有房屋的扩展信息，以_block_info.csv为后缀。
[0058]
具体地，所述扩展信息以每个房屋的存储内容为例，依次为：房屋面积(area)、门的朝向角度(angle)、房屋最小矩形包围盒的旋转基准点坐标(base_ver)、房屋轮廓点坐标(vercoordinate)、房屋是否为凸多边形(convex)、房屋是否分割(segmentation)、房屋最小矩形包围盒的中心点坐标(center)、房屋材质标签(label_material)、楼层标签(label_floors)、房屋形状标签(label_shape)、区块面积分类标签(label_area)、经比例换算后的房屋的最小矩形包围盒中心到区块最近的距离值(dist_house_block)、经比例换算后的房子的最小矩形包围盒中心到区块中心的距离值(dist_block_center_houses)和房屋评分(houses_score)中的一种或多种。
[0059]
其中，对房屋形状进行编码，若房屋形状为凸多边形则用convex＝1表示，并用segmentation＝0表示无需分割；若房屋形状为凹多边形则用convex＝0表示，并用segmentation＝1表示凸多边坐标点列表。
[0060]
其中，对房屋形状标签进行编码，利用hu不变矩的性质来对一个村落中所有的房屋形状进行相似度计算与区分，并利用混合高斯模型聚类算法来进行聚类，分为5个类别，因凸多边形居大多数，所以如果convex＝1，则用label_shape＝5表示，其他凹多边形标签号根据聚类结果确定。
[0061]
其中，材质标签用1，2，3，4，5表示，其中1，2，3，4，5依次表示为砖，木，混，简，破；楼层标签用1，2，3，4，5表示，其中1，2，3，4，5依次表示为一层、二层、三层、四层、五层。
[0062]
其中，房屋评分的计算方法为经比例换算后的房屋的最小矩形包围盒中心到区块最近的距离值、经比例换算后的房子的最小矩形包围盒中心到区块中心的距离值以及房屋面积乘上各自不同的权重值的总和。获取到房屋评分后，将分值作为房屋评分的标签。
[0063]
进一步地，使用kmeans聚类对所有区块的区块面积进行划分类别，定义为5个类别，然后汇总这所有的村落block数据，将各个类别的每条block对应到原处理好的房屋数据上，最后得到两个处理好的cnts_block_categories.csv和info_block_categories.csv文件。
[0064]
将每个block类别的房屋数据转为txt存储。在cnts和info文件夹下各是五个block类别文件夹，如0_blocks，
…
，4_blocks。以0_blocks文件夹为例，下面是0_cnts_0.txt文件等，内容是cnts_block_categories.csv里面的一行数据；那对应的在0_info文件夹下是0_info_0.txt文件等，内容是info_block_categories.csv里面的一行数据。“.txt”前面的0表示block类别号，也对应其上一层文件目录的编号，“_”前面的0表示在所有村子的block总数统计中的排号。
[0065]
进一步地，将每个block区域映射到256*256图像上，再将语义特征编码到其他通道上得到模型输入数据，第一层是block通道，在block内取1；第二层是所有房屋的通道，有房子处像素值为1；第三、四层是房屋朝向通道，用在所有房屋上一致的局部坐标系表示angle，然后用两个通道分别编码sinθ和cosθ；后面接着的是5层的材质类别通道，5层的楼层类别通道，6层的形状类别通道以及5层的房屋面积类别通道。以材质类别通道为例，对每个材质类别，添加了一个存储该类别的房屋数量的通道。
[0066]
对于所述步骤s400，根据所述模型输入数据构建村落布局决策网络，所述村落布
局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块。其中，通过判断模块预测是否继续放置房屋的步骤包括：
[0067]
s411、预先在所述村落布局决策网络中添加房屋继续放置判断模块；
[0068]
s412、将当前区块场景映射到256*256的区块多通道视图上，作为房屋继续放置判断模块的输入数据；
[0069]
s413、用两组特征来封装当前区块场景的状态，existingcountss表示当前block场景中已经存在的每个房屋类别的计数向量，resnetvs是用resnet18来提取vs的高级特征，输出当前区块场景中是否能够继续放置房屋的概率：pcontinue(t|s)＝(mlpexistingcountss，resnetvs)，其中，mlp表示若干个线性层。
[0070]
具体来说，该模块以当前block和房屋为信息，做二分类，获取是否继续放置房屋的概率，其作用为在若干个房子填充的block情况下，判断是否能够继续加入新的房屋。
[0071]
训练集是将该block类别的txt文件打乱，以train_percentage＝0.8来获取训练集数据。损失函数loss是使用标准二进制交叉熵损失。在构建数据集标签过程中，我们设定了一个场景完整概率complete_prob为0.3，从数据集获取数据时，随机生成一个表示是否移除的概率值，如果随机移除概率小于complete_prob时，表示场景完整，当前block不需要再增加新的房屋，标签置为0，直接显示当前房屋视图；如果大于该值，则进行房屋的随机移除，标签置为1，表示当前block可以继续填充新房屋。
[0072]
其中，通过房屋类别模块预测房屋类别标签的步骤包括：
[0073]
s421、预先在所述村落布局决策网络中添加房屋类别模块；
[0074]
s422、将经过房屋继续放置判断模块确认需要继续放置房屋的区块场景映射到256*256的区块多通道视图上，作为房屋类别模块的输入数据；
[0075]
s423、通过公式pcat(pi|cati,s)＝(linearmlpcati，resnetvs)获取添加进区块场景的房屋的四个类别概率分布，其中i∈1,2,3,4，所述四个类别分别为材质标签，楼层标签，形状标签，面积标签。
[0076]
具体来说，该模块作用为预测经过房屋继续放置判断模块确认需要继续放置的房屋的材质标签，楼层标签，形状标签，面积标签。其中，所述步骤s423包括，通过将多通道视图vs输入resnet网络模型，提取特征i1，将训练数据中的类别特征cati输入若干个线性层mlp中得到ci，然后将ci与特征i1拼接，经过一层线性层linear，直接生成类别特征pi。最终汇总得到该房屋对应的四个类别分布概率。
[0077]
进一步地，由于本次训练的数据集是传统村落的房屋信息，在训练过程中需要考虑实际情况，根据调研得知，在传统村落房屋建设中一般会先建设靠近路的房子，而后往区域中心延伸。在一些实施例中，考量此特点定义了根据房屋的分数有顺序的参与训练，最终效果根据分数从高到低地生成当前所需房屋，及其对应的类别信息。数据集的处理过程为我们根据训练的轮次设置不同的分数阈值，如果训练集中的房子对应的分数低于阈值，则暂时不参与训练过程，被作为移除房屋，模型首先拟合分数高的房屋信息。
[0078]
其中，通过房屋位置模块预测房屋放置位置的步骤包括：
[0079]
s431、预先在所述村落布局决策网络中添加房屋位置模块；
[0080]
s432、将经过房屋类别模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋位置模块的输入数据；
[0081]
s433、通过公式ploc(pl|s)＝mlpupconvresnetvs，获取房屋在可能位置出现的每个像素的概率。
[0082]
具体来说，该模块作用是预测经过房屋类别模块确认的房屋在当前block场景中放置的位置坐标点。其中，所述步骤s433包括，将多通道视图vs输入resnet34编码器，后跟上卷积解码器upconv，提取特征，然后输出维度为4*64*64*c的heatmap，所述c为每个类别的标签数，所述heatmap为预测的所有类别下可能放置的位置；然后结合经过房屋类别模块已选择的类别，对相应层的heatmap进行处理，找出对应的位置。
[0083]
其中，通过房屋朝向模块预测房屋放置的朝向角度的步骤包括：
[0084]
s441、预先在所述村落布局决策网络中添加房屋朝向模块；
[0085]
s442、将经过房屋位置模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋朝向模块的输入数据；
[0086]
s443、通过公式μ,σ2＝split(mlpvs)、sdown＝linear(downconvvs)、
[0087]
cosθ＝mlp([z,sdown])获取房屋的旋转角度，其中，使用mlp多个线性层对输入场景编码，将其分割成两个维度相同的特征均值μ和方差σ2，根据前述的均值和方差构建一个正态分布，从该正态分布p～n(0,1)中采样一个随机向量z。
[0088]
具体来说，该模块作用是预测经过房屋位置模块确认的房屋在当前block场景中放置的朝向角度。在本实施例中，经过房屋位置模块确认的区块场景映射到256*256的区块多通道视图后，得到平移后的场景多通道视图s，将所述平移后的场景多通道视图s输入到房屋朝向模块后，可得到房屋的旋转角度。假设每个形状类别的房屋都有一个规范的正向，并且在数据预处理时已经得出了房屋的朝向角度angle，范围是0
°‑
180
°
，所以只需要用cosθ表示即可。本实施例首先使用mlp多个线性层对输入场景编码，将其分割成两个维度相同的特征均值μ和方差σ2，根据前述的均值和方差构建一个正态分布，从该正态分布p～n(0,1)中采样一个随机向量z。使用多个下卷积网络对输入场景vs提取特征sdown，再将结果与随机向量z拼接馈送到全连接的解码器，产生cosθ。
[0089]
对于所述步骤s500，将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。
[0090]
s510、将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，得到类别标签、位置、方向信息；
[0091]
s520、在已知信息库中查找符合所述信息的房屋；
[0092]
s530、对所述房屋进行平移、放缩、旋转，放置在当前场景中，输出村落布局结果。
[0093]
举例说明，将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络，得到待添加至当前block场景的房屋的类别标签catlabel、位置(x,y)、朝向角度θ信息，在已知的所有房屋信息库中查找，通过规则加分计算，根据分数高低找出符合的房屋轮廓坐标候选集room。再对其进行平移，根据其所在block和当前block的大小比例进行放缩，根据基准点旋转朝向角度θ。最终，将该房屋添加到当前block中，绘制出地形图，并标注房屋信息当前已有房屋信息，以便于下一次预测。进一步地，在放置房屋的过程中，如果出现房屋重合的情况，则抛弃当前选择房屋，从候选集room中继续选择并判断。
[0094]
在一些实施方式中，还提供一种存储介质，其中，所述存储介质存储有一个或者多
个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明基于预测网络的村落布局方法中的步骤。
[0095]
在一些实施方式中，还提供一种终端设备，如图2所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communications interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
[0096]
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0097]
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
[0098]
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0099]
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
[0100]
包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本发明所述基于预测网络的村落布局方法中的步骤。
[0101]
其中，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本发明所述基于预测网络的村落布局方法中的步骤。
[0102]
综上所述，本发明提供的一种基于预测网络的村落布局方法，将深度学习方法应用在村落布局领域。本发明通过采集大量真实的传统村落布局数据，以村落内道路走向划分成区块，对数据进行扩展、转换，得到能够切实反应房屋的形状特征的输入数据，通过构建村落布局决策网络预测房屋的类别、位置和朝向，最终得到布局结果，使得生成房屋质量和效率均得到提高，克服了现有技术中随着房屋个数的增多，布局优化算法时间复杂度上升，生成速度和质量显著下降的问题。
[0103]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。