一种土地利用变化模拟预测方法、装置、设备及介质

1.本技术涉及预测分析技术领域，更为具体来说，本公开涉及一种土地利用变化模拟预测方法、装置、设备及介质。


背景技术：

2.logistic回归又称logistic回归分析，是一种广义的线性回归分析模型。logistic 回归拟合的方程为:。式中，表示每个网格可能出现某一土地利用类型 i 的概率，β是自变量的回归系数，x表示所选驱动因子的数据。运用logistic逐步回归对每一个网格可能出现某一地类的概率进行诊断，可以筛选出对土地覆盖格局影响较为显著的因素，并确定它们间定量关系和作用的相对大小。元胞自动机(cellular automata，ca) 是基于转换规则模拟复合现象时空演化过程的一种网格统计动力模型。采用元胞自动机（ca）模拟复杂系统空间变化的能力，改变元胞的状态，对土地利用格局进行动态模拟和预测。
3.传统城市土地利用模拟的变量数据以静态数据为主，只能反映某一时刻，而且空间精度较差。比如人口变量数据多依赖于中科院的人口网格数据，依托传统的人口调查数据，以5年为一周期更新，而且由于网格化的成本较高，在空间上只做到了1km网格尺度，空间精度欠缺。
4.现有的技术并没有做到动态模拟，每一个网格的用地概率设为恒定，算法在逻辑上并不合理。使用2000年的土地利用数据和变量数据通过logistic 回归方程得出2000年各土地利用类型的空间分布概率适宜性图（某一地类出现在每个的网格单元的概率），然后在预测2015年的土地利用分布时，直接使用2000年的土地利用分布适宜性图集作为2015土地利用分布适宜性图集带入模型，但事实上每一个网格的变量数据都在不断变化，以人口变量来说，2000年的人口和2015年的人口变量相差巨大，这样的方法只是真实情况的简化，逻辑上并不合理。
5.传统土地利用模拟分类比较粗放，不适合用于城市土地利用模拟。传统土地利用模拟中采用lucc分类，土地被分为耕地、林地、草地、水域、城乡居民点及工矿和未利用地几大类，无法对城市内部的建设用地演变进行模拟。
6.传统土地利用模拟的变量体系和约束条件难以满足城市土地模拟的需要。在理论上，传统土地利用模拟较少考虑城市内部的变量，比如由于职住失衡，就业人口对城市土地利用的影响与常住人口同等重要，还有tod理论的兴起，地铁站点对土地利用变化有着重大的影响，因此需要补充新的变量。而且每一类城市用地受到了坡度、规划控制线、工程条件等约束，这些在传统的土地利用模型中罕有涉及。


技术实现要素：

7.为解决现有技术的当前城市土地利用变化模拟技术存在的实时动态性差、算法逻
辑不合理、变量体系陈旧、空间精度低等关键技术瓶颈的及技术问题，本公开提供了一种应用便捷、精度高、满足城市精细化管理需求，基于多源时空大数据模拟预测城市土地利用变化的方法技术。
8.为实现上述技术目的，本公开提供了一种模拟预测方法，包括：采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；提取土地模拟变量模型中的基期年数据作为驱动因子；将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果；将所述土地模拟预测结果以图形显示或以消息的形式推送给用户。
9.进一步，所述土地利用数据具体包括：居住用地、商业服务业设施用地、公共管理与公共服务用地、公用设施用地、绿地与广场用地、道路与交通设施用地、工业用地和/或非建设用地。
10.进一步，所述并进行计算得到土地模拟预测结果之前，所述方法还包括：利用土地模拟约束条件对土地模拟预测结果进行修正。
11.进一步，所述土地模拟约束条件为：当坡度临界值时，可开发为对应地类的概率为0，否则为1；；式中，为不同用地的坡度临界值。
12.进一步，所述提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果具体包括：将研究区划分成250m网格单元，对每一个网格单元中每一类用地的地理信息兴趣点数据的频数密度和类别比例进行统计计算，选择类别比例最大的用地类型作为城市用地的主导类型；计算公式为：；其中，频数密度是网格单元内第i类地理信息兴趣点数据占该类地理信息兴趣点数据总量的比例；ni为网格单元内第i类地理信息兴趣点点的数量，是研究区第i类地理信息兴趣点的总数；类别比例是网格单元内第i类地理信息兴趣点数据的频数密度占该单元内所有类别地理信息兴趣点数据频数密度的比例；同时采用遥感卫星数据识别非建设用地，将卫星识别的非建设用地占比达到80%
以上的网格识别为非建设用地，叠加在poi识别的用地上，形成最后的城市土地利用图；对于某一网格性质转变为某一地类的总体概率值为：；为局部转换概率，即在t时刻城市用地单元i转化为其他性质用地的概率，计算公式为：；式中，，其中，γ0，γ1，
……
，γn为权重系数，，，
……
，为土地利用转换的各项驱动因子；为邻域作用，计算公式为：；是条件函数，若中心元胞以外的邻域元胞状态为v，则赋值为1，否则为0，之后求和表示所有邻域元胞中状态为v的数量；为用地转换系数，表示某一种土地类型向其他土地利用类型转换的固有难度；为惯性系数，表示当前元胞的土地利用类型为k时，在第t次迭代时仍为k的继承性，与分别表示第t-1次和第t-2次迭代中土地利用类型k的宏观需求与实际分配数量的差值，初始惯性系数均设为1，计算公式为：。
13.进一步，所述手机信令大数据具体包括：年龄标签、性别标签、驻留信息、居住地网格编号、网格居住人口数量等信息识别分类型常住人口、人口居住地分布和/或人口迁移情况数据。
14.为实现上述技术目的，本公开还能够提供一种模拟预测在装置，包括：数据采集模块，用于采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；数据提取模块，用于提取土地模拟变量模型中的基期年数据作为驱动因子；标定模块，用于将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；计算模块，用于提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果。
15.进一步，还包括：
修正模块，用于利用土地模拟约束条件对土地模拟预测结果进行修正。
16.为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的模拟预测方法的步骤。
17.为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的模拟预测方法的步骤。
18.本公开的有益效果为：基于多源动态大数据的城市土地利用模拟预测技术预测土地模拟的效果较好，以2020年北京市土地利用分布为例，通过加入动态大数据的更新以及用地转化系数，能够更好的模拟预测土地利用变化的模拟。根据于真实数据的对比，土地模拟的总体精度为88.16%，预测效果较好。
19.本公开优点：模型的精度高，相对于现有的基于logistic-ca的土地利用模拟技术在土地类型分类上实现更加细化，因而类型精度更高。相比于传统算法，新技术实现了动态模拟，采用时空大数据和动态模拟技术（动态迭算、动态调整参数），因而时间尺度上精度更高。
20.经济实用，时空大数据的范围广、时间窗口和空间精度高、实时性强。所用其它数据都是普遍数据，成本低，容易采集。特别是采用poi数据和手机信令大数据反演城市用地，一方面克服了传统遥感卫星数据分类过粗的缺陷；另一方面，政府的土地调查数据成本高、更新时间长、保密程度高。这一技术降低了城市土地数据的使用门槛，使得更多研究人员能享受到高精度的城市土地利用数据。
21.模型可推广度高。数据容易获得，参数估算方法便捷；模型操作简单，自动化程度高、容易推广。
附图说明
22.图1示出了本公开的实施例一的方法的流程示意图；图2示出了2020年北京市土地利用预测分区精度示意图；图3示出了本公开的实施例二的装置的结构示意图；图4示出了本公开的实施例四的结构示意图。
具体实施方式
23.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
24.在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
25.实施例一：
如图1所示：本公开提供了一种模拟预测方法，包括：采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；提取土地模拟变量模型中的基期年数据作为驱动因子；将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果；将所述土地模拟预测结果以图形显示或以消息的形式推送给用户。
26.进一步，所述土地利用数据具体包括：居住用地、商业服务业设施用地、公共管理与公共服务用地、公用设施用地、绿地与广场用地、道路与交通设施用地、工业用地和/或非建设用地。
27.进一步，所述并进行计算得到土地模拟预测结果之前，所述方法还包括：利用土地模拟约束条件对土地模拟预测结果进行修正。
28.进一步，进一步，所述土地模拟约束条件为：当坡度临界值时，可开发为对应地类的概率为0，否则为1；；式中，为不同用地的坡度临界值。
29.进一步，所述提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果具体包括：将研究区划分成250m网格单元，对每一个网格单元中每一类用地的地理信息兴趣点数据的频数密度和类别比例进行统计计算，选择类别比例最大的用地类型作为城市用地的主导类型；计算公式为：；其中，频数密度是网格单元内第i类地理信息兴趣点数据占该类地理信息兴趣点数据总量的比例；ni为网格单元内第i类地理信息兴趣点点的数量，是研究区第i类地理信息兴趣点的总数；类别比例是网格单元内第i类地理信息兴趣点数据的频数密度占该单元内所有类别地理信息兴趣点数据频数密度的比例；同时采用遥感卫星数据识别非建设用地，将卫星识别的非建设用地占比达到80%以上的网格识别为非建设用地，叠加在poi识别的用地上，形成最后的城市土地利用图；对于某一网格性质转变为某一地类的总体概率值为：
数据识别出来的土地功能进行校正。
33.（3）构建城市土地利用变化模型算法。融合城市演变理论、tod理论和阿隆索地租理论，构建城市土地利用变化模型算法，对人口、就业、房价、交通可达性、地铁站点等变量进行同步系统计算（具体算法见后）。
34.表1 城市土地利用模拟变量（4）动态更新城市各个网格中每一种用地的发展概率。在使用基期年（2015年）的土地利用数据和变量数据通过logistic 回归方程得出各项变量的系数，然后在预测目标年（2020年）的土地利用分布时，动态更新目标年相对应的变量数据，求出目标年（2020年）的土地利用分布概率，而不是像传统方法那样直接使用基期年（2015年）的土地利用分布概率作为预测年（2020年）土地利用分布适宜性图集带入模型。最后，求得8种用地出现在每一个网格里的概率。
35.（5）加入地形、用地自身性质和城市空间管制政策等约束因素进行土地利用的模拟预测。首先根据现有规范，地形坡度对土地的开发存在限制，居住用地坡度小于25%；工业用地坡度小于10%，道路用地坡度小于5%，如果网格里的坡度超过这一范围，将对应地类的转换概率设为0；其次，由于土地自身性质差异，一种用地向另一种用地转换的概率不一样，8种用地一共有8
×
8个土地转换系数，用土地转换系数修正用地转换概率；然后，城市土地利用变化受耕地红线和生态保护红线的约束和影响，因此还需调整模拟的土地利用结果。最后，通过元胞自动机根据输入的用地需求不断迭代，直至每一种用地的数量满足需求，确定每一个网格最终的用地类型。
36.本公开的方法技术流程方案如图1所示。
37.（1）数据准备：
①
手机信令大数据：手机信令是手机与通讯基站之间的通信记录数据。当手机连接到移动通讯网络时，会产生一系列的控制指令，这些指令的数据字段包括时间、位置、编号等多种信息。本公开中，手机信令数据主要用于获取城市分类别常住人口分布数据和城市分类别常住人口居住迁移数据，具体包括年龄标签（未成年人口、劳动力人口、老年人口）、性别标签（男性、女性）、驻留信息、居住地网格编号、网格居住人口数量等信息识别分类型常住人口、人口居住地分布和人口迁移情况。
38.②
基础地理信息数据：
基础地理信息主要是指通用性最强，共享需求最大，几乎为所有与地理信息有关的行业采用作为统一的空间定位和进行空间分析的基础地理单元，主要由自然地理信息中的地貌、水系、植被以及社会地理信息中的居民地、交通、境界、特殊地物、地名等要素构成。本公开中，主要采用了北京市的行政区划数据作为空间地理信息底图，采用地铁、交通路网和公交站点等数据制作土地模拟的变量数据。
39.③
poi数据：poi是“point of interest”的缩写，中文可以翻译为“兴趣点”。在地理信息系统中，一个poi可以是一栋房子、一个商铺、一个邮筒、一个公交站等，且每个poi包含四方面信息，名称、类别、坐标、分类。本公开中，poi数据主要用于模拟城市用地分布。
40.（2）计算方法：基于poi数据反演城市土地利用；基于 poi 数据的公众认知、空间分布、个体特征三方面特性进行poi 显著度的权重赋值的方法，对每类 poi 设施进行权重赋值，具体权重值如下：表2 城市土地类型与poi类别对应表将研究区划分成250m网格单元，对每一个网格单元中每一类用地的poi频数密度和类别比例进行统计计算，选择类别比例最大的用地类型作为城市用地的主导类型。计算公式为：
；其中，频数密度是网格单元内第i类地理信息兴趣点数据占该类地理信息兴趣点数据总量的比例；ni为网格单元内第i类地理信息兴趣点点的数量，是研究区第i类地理信息兴趣点的总数；类别比例是网格单元内第i类地理信息兴趣点数据的频数密度占该单元内所有类别地理信息兴趣点数据频数密度的比例；由于poi点位在郊野地区分布比较少，识别非建设用地存在一定的误差。因此采用遥感卫星的数据区分城市建设用地与非建设用地，将卫星识别的非建设用地占比达到80%以上的网格识别为非建设用地，叠加在poi识别的用地上，形成最后的城市土地利用图。
41.然后采用手机信令大数据进行土地功能识别精度的校正。应用人工智能机器学习构建居民出行活动与用地功能之间的数量关系。依据这个数量关系，采用手机信令大数据高精度识别居民出行活动，并对poi数据识别出来的土地功能进行校正。
42.计算每一个网格中每一种用地的转换概率对于某一网格性质转变为某一地类的总体概率值为：；为局部转换概率，即在t时刻城市用地单元i转化为其他性质用地的概率，计算公式为：；式中，，其中，γ0，γ1，
……
，γn为权重系数，，，
……
，为土地利用转换的各项驱动因子；为邻域作用，计算公式为：；是条件函数，若中心元胞以外的邻域元胞状态为v，则赋值为1，否则为0，之后求和表示所有邻域元胞中状态为v的数量；为用地转换系数，表示某一种土地类型向其他土地利用类型转换的固有难度；为惯性系数，表示当前元胞的土地利用类型为k时，在第t次迭代时仍为k的继承性，与分别表示第t-1次和第t-2次迭代中土地利用类型k的宏观需求与实际分配数量的差值，初始惯性系数均设为1，计算公式为：
。
43.确定模型的约束条件：当坡度临界值时，可开发为对应地类的概率为0，否则为1；；式中，为不同用地的坡度临界值。
44.由于城市土地利用变化受耕地红线和生态保护红线的约束和影响，因此还需调整最终模拟的土地利用结果，限制红线内非建设用地被占用，其他地区的土地利用按照轮盘赌的结果进行分配。具体计算公式如下：；式中，指经过政策约束调整后的土地利用分配结果。
45.下面是本公开的方法的一个具体实例：基于多源动态大数据的城市土地利用模拟预测2020年北京市土地利用分布状况，具体内容如下：数据获取：2020年北京市土地分布预测的具体数据来源如表1所示，主要包括手机信令数据，基础地理信息数据，统计普查数据、poi数据和房价数据。
46.表3 所用数据来源和简要信息（2）建立模型首先根据poi数据反演城市土地利用分布，其次根据基期年（2015年）的土地利用
数据和人口、就业、房价、交通等变量通过logistic模型回归标定变量参数，然后基于预测年份（2020年）的变量数据，得到预测年份（2020年）每一个网格的局部转换概率，同时依据坡度约束、每一种土地转换系数和红线约束条件，修正总体概率，通过元胞自动机模拟每一个元胞的土地利用变换过程，得到预测年份（2020年）的土地利用分布图，再利用手机信令大数据对土地功能进行校正。
47.（3）预测结果从预测精度来看，2020年北京土地利用的预测结果与实际结果较为贴合，总体精度为88.16%。
48.居住用地分布在城市六环以内和外围区县（昌平、延庆等）的中心区，与住宅小区的分布相吻合。商业服务设施用地分布较为集中，与北京的主要商圈（西单、王府井、望京等）相吻合，且围绕在居住用地的周围。公共管理和公共服务用地、公用设施用地与商业服务用地的分布类似。绿地广场用地主要分布在城市核心区的天安门一带，五环附近植物园、香山、奥林匹克森林公园。工业用地主要位于五环外的产业园，比如北京经济技术开发区等。
49.根据北京市的市区、近郊区、远郊区，分区对土地利用预测的精度进行统计计算，其中市区包括东城区、西城区、朝阳区、海淀区、丰台区、石景山区，六个近郊区包括大兴区、通州区、顺义区、昌平区、门头沟区、房山区，四个远郊区包括怀柔区、平谷区、密云区、延庆区。根据分区精度计算结果，中心城区总体精度为60.23%，近郊区总体精度为85.40%，远郊区总体精度为94.92%，各个区域的均有较高的精度。
50.实施例二：如图3所示：本公开还提供了一种模拟预测在装置，包括：数据采集模块201，用于采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；数据提取模块202，用于提取土地模拟变量模型中的基期年数据作为驱动因子；标定模块203，用于将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；计算模块204，用于提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果；推送模块205，用于将所述土地模拟预测结果以图形显示或以消息的形式推送给用户。
51.本公开所述的数据采集模块201依次与所述数据提取模块202、所述标定模块203、所述计算模块204以及所述推送模块205相连接。
52.进一步，还包括：修正模块，用于利用土地模拟约束条件对土地模拟预测结果进行修正。
53.实施例三：本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的模拟预测方法的步骤。
54.本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁
盘存储器实现。
55.半导体存储器，主要用于计算机的半导体存储元件主要有mos和双极型两种。mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。nmos和cmos问世后，使mos存储器在半导体存储器中开始占主要地位。nmos速度快，如英特尔公司的1k位静态随机存储器的存取时间为 45ns。而 cmos耗电省，4k位的cmos 静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(ram),即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器 (rom)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。rom 又分为不可改写的熔断丝式只读存储器
──
prom和可改写的只读存储器eprom两种。
56.磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为 4ms～8mb，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
57.磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。
58.磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
59.硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大,但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6 250位,道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换,具有很大的脱体容量,而且容量大,速度高,可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。
60.实施例四：本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的模拟预测方法的步骤。
61.图4为一个实施例中电子设备的内部结构示意图。如图4所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种模拟预测方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种模拟预测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图4中示出的结
构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
62.该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
63.所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块（例如执行远端数据读写程序等），以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
64.所述总线可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
65.图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
66.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
67.进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
68.可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
69.进一步地，所述计算机可用存储介质可主要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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
70.在本公开所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
71.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
72.另外，在本公开各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
73.本公开具有以下重要意义：技术创新：公开将时空大数据创造性地应用在了城市土地利用模拟中。基于手机信令数据刻画人口流动特征的方法已逐渐受到关注，但鲜有研究将手机信令数据纳入城市土地利用模拟的变量体系之中。城市的人口分布和就业岗位分布对于城市土地的布局有着重要的影响，之前由于数据可获得性的问题，很难应用于城市土地利用模拟中。时空大数据的使用可以将人口和就业纳入了变量体系，使得城市用地演变过程的刻画更为细致、更加符合真实情况。时空大数据本身的动态性和精细的时空颗粒性（网格精确到250m），也为实现土地利用的动态高精度模拟提供了可能。
74.公开构建了“基于时空大数据的城市土地利用动态模拟模型”（dsmul, dynamic simulation model of urban land use with spatio-temporal big data）。本技术使用手机信令和poi等大数据，在算法设计上实现了动态模拟，建立驱动因子与土地利用变化实时的联系。同时创造性地将人口、就业岗位、房价、地铁站点、交通出行行为纳入变量体系，进一步契合城市发展的理论与规律，强化了城市土地利用模拟的理论支撑。同时考虑到到城市复杂环境对城市用地演变的影响，将坡度约束、空间管制约束、建设用地内部的转化难度系数纳入模型中，进一步丰富了模型的逻辑框架，充分估计用地演化过程的复杂性，有利于更加全面且深入地掌握城市用地演化规律，提高模型的模拟精度。
75.细分出适配于城市用地模拟的土地类型。以往城市用地演变的模拟研究中，大都将城市土地视为同一用地类型（建设用地），与非建设用地相区分。而事实上，城市土地的用地类型包含居住用地、工业用地、商服用地、公共设施用地等，且不同类型用地扩张的驱动因素以及相关的利益主体是不同的，因此需要特别对待每一类用地类型及其之间的相互转换。将城市用地类型细化，是进一步挖掘城市复杂用地转换规律的基础。
76.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。