(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011630620.5
(22)申请日 2020.12.31
(71)申请人 武汉市土地利用和城市空间规划研
究中心
地址 430014 湖北省武汉市江岸区三阳路
55号
(72)发明人 郑振华 汪云 付雄武 沈平
雷媛 宋野
(74)专利代理机构 武汉科皓知识产权代理事务
所(特殊普通合伙) 42222
代理人 鲁力
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 10/06(2012.01)
G06Q 10/10(2012.01)
G06Q 50/16(2012.01)G06Q 50/26(2012.01)
(54)发明名称一种基于土地储备实施监测模型的智能选址系统(57)摘要本发明涉及一种基于土地储备实施监测模型的智能选址系统，包括土地储备供应项目库：提供设定区域内建设用地数据，并依据法定规划调整实时更新；土地储备实施监测模块：以可建设用地为基本单元，实时集成规划、现状、审批数据，判读用地储备实施阶段，识别潜力用地；项目选址模块：调用潜力用地数据，基于遗传选址算法和GIS选址算法自动生成两种用地方案，利用集对分析法综合比选，求解最优选址方案。本发明通过动态跟踪土地审批状态，智能识别具有开发潜力的候选地块，改变了传统选址模式的主观性、落地难问题，运用智能算法进行全局优化搜索，寻选址目标约束下的最适宜用地布局，可 确保项目选址综合效益最大化。权利要求书5页 说明书15页 附图5页CN 112700045 A 2021.04.23
C N 112700045
A
1.一种基于土地储备实施监测模型的智能选址系统，其特征在于，包括：
土地储备供应项目库：提供设定区域内的城市规划用地性质为建设用地的土地，并根据规划变化，实时更新可建设用地数据；
土地储备实施监测模块：以可建设用地为基本单元，实时采集设定区域内的审批信息数据，判读设定区
域内可建设用地的储备实施阶段，并结合储备实施和规划、现状、权属等信息，筛选出潜力用地，存储至土地储备供应项目库，并监测审批数据变化同步更新潜力用地；
项目选址模块：调用土地储备供应项目库中的潜力用地数据，并根据用户的需求维度建立项目选址指标体系，同时基于遗传选址算法和GIS选址算法获取符合用户的需求维度用地数据结果一和用地数据结果二，利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。
2.根据权利要求1所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，所述土地储备实施监测模块具体包括：
土地储备实施进度监测单元：采集设定区域内的规划审批数据，判读设定区域内可建设用地的储备实施阶段，当审批数据更新时，对设定区域内可建设用地的储备实施状态进行更新；
潜力用地识别单元：根据可建设用地审批阶段，结合规划情况、现状建设情况、土地权属等信息，建立智能判断规则库，从可建设用地中识别潜力用地，并监测审批数据和现状建设情况的变化，实时更新潜力用地数据。
3.根据权利要求1所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，项目选址模块具体包括：
指标体系构建单元：根据用户的需求维度确定影响因子，并根据层次分析法建立影响因素权重体系；
遗传选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果一；
GIS选址算法单元：基于建立的影响因素权重体系，采用遗传算法获取用地数据结果二；
判定单元：利用集对分析法对用地数据结果一和用地数据结果二进行综合评价，比选出最接近用户的需求维度的最优地块组合解。
4.根据权利要求2所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，土地储备实施进度监测单元的具体步骤包括：
步骤1、收集整理研究区域内的规划建设用地以及审批数据，梳理建设项目审批业务逻辑，建立土地储备实施监测模型，设定土地储备实施周期包含n个阶段P，且阶段之间存在时
间先后顺序，记为P
1，P
2
，
P
3
，...，P
n
其，其中，n>＝2且n∈Z+，Z+为正整数，每个阶段包含多个
审批过程，每个过程产生一个图层L，审批过程存在时间先后顺序，记为土地储备实施监测模型：
(1)P
1
包含a个图层：a>＝1且a∈Z+
(2)P
2
包含b个图层：b>＝1且b∈Z+
(3)...(4)P n 包含m个图层：
m>＝1且m∈Z+所有建设用地与P 1中的所有图层的并集进行空间叠置，相交的地块记为P 1阶段，剩余地块与P 2阶段所有图层的并集进行空间叠置，提取相交的地块记为P 2阶段，依此类推，直到P n ‑1阶段，将不属于前述P 1至P n ‑1阶段的所有地块记为P n ，通过土地储备实施监测模型自动判读
研究范围内所有可建设用地的土地储备实施的阶段；
所述可建设用地数据是指规划用地性质为建设用地且不属于交通水利设施用地、军事设施用地、市政用地、生态底线区的土地；
步骤2、当检测到审批数据存在更新时，自动调用土地储备实施监测模型重新开展空间计算，对可建设用地的储备实施状态进行更新。
5.根据权利要求2所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，潜力用地识别单元进行用地划分的具体步骤包括：
步骤1、建立潜力用地识别规则库，以可建设用地为空间单元，将潜力用地识别依据的现状地类、土地审批阶段、规划用地性质、现状用地性质、现状建设情况等属性描述为规则，
设定规则库t项规则，记为R 1，R 2，R 3，...，R t ，t>＝1且t∈Z+，
使用产生式表示法表示规则，利用统一的数据结构在计算机中存储，便于规则的修改、扩充、删减；
步骤2、潜力地复核筛选，建立潜力用地判别模型，为不同用地类型制定不同判断公式，判断过程采用合取式，所有前提条件符合时，则判定结论成立，该地块判别为潜力用地；合取前提条件中存在一个不符合，则整个推理结束，判定结论不成立，该地块判别为非潜力用地。设定A为用地类型，具有a 1、a 2两种取值，a 1代表存量建设用地，a 2表示新增建设用地，以步骤1中建立的规则库为前提条件，当前提条件全部成立时，判断结论成立，该地块判别为潜力用地，潜力用地判断公式定义为：
输入设定区域内建设用地，利用空间运算提取各项规则关联的属性信息，通过潜力用地判断公式筛选出潜力用地，追加至土地储备供应项目库中。
6.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，指标体系构建单元具体包括：
步骤1、根据建设项目选址实操经验，确定建设项目用地评价考虑因素，记为B 1，B 2，B 3，...，B i ，i＞＝1且i∈Z+；
步骤2、采用层次分析法建立四层阶梯层次结构，分别为总体评价层、因素层、指标层和备选方案层；最高层为总体评价层A，是备选方案的综合评价结果；因素层B为影响选址的若干类因素，即为上述步骤1中所描述B 1，B 2，B 3，...，B i ，i＞＝1且i∈Z+；指标层C为影响每个因素的若干个指标因子C ij ，i，j＞＝1且i，j∈Z+，即C ij 为第i个评价因素(B i )的第j个评价指标；最低层为备选方案层D；
步骤3、设因素层共有k个因素，指标层共有l个指标；针对因素层B中每两两因素B i ，B j (i ≠j)之间相对重要性b ij ，获取专家打分，汇总建立因素层总体评价的判断矩阵B＝(b ij )k ×k (k＞＝1且k∈Z+)；同理根据指标层两两指标之间的相对重要性评分c ij 建立判断矩阵C＝(c ij )l ×l (l＞＝1且l∈Z+)；
步骤4、求得矩阵B最大特征值λb ，并通过CI＝(λb ‑k)/(k ‑1)计算得出一致性指标CI；引入随机一致性指标RI计算得到一致性比率CR＝CI/RI，当比率CR小于0.1时，判断矩阵满足一致性条件，否则需重新构造比对矩阵；同理利用矩阵C的最大特征值λc 对矩阵C进行一致性判断；
步骤5、求得矩阵B和C最大特征值所对应的特征向量w b ＝[w b1，w b2，...，w bk ]和w c ＝[w c1，w c2，...，w cl ]，其中，w bi 表示因素B i 对目标层的权重，w ci 表示指标C i 对因素层的权重，w b 、w c 即为因素层和指标层对总目标的相对权重；
步骤6、根据各因素对项目选址的影响范围和影响程度，设定指标的作用半径和初始作用分，根据因素影响规律，并结合地理加权回归结果予以验证、调整，由此建立量化模型，用于计算每个指标计量值，并采用极差变换法对指标计量值进行标准化，指标量化模型包括线性衰减、指数衰减、幂衰减、无衰减，其中，无衰减代表当评价单元位于因素影响半径内时，取最高分，否则，取0分，各类指标量化模型计算公式如下：
式中，f表示评价单元的单因子作用分值，M表示指标的初始作用分，即最高分，r表示因子的作用半径，dist表示评价单元到因子对象的空间距离。
7.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，遗传选址算法单元获取用地数据结果一具体包括：
步骤1、设S i 为第i个地块的综合分值，则
q i 、w i 分别对应于权利要求6中
所述的指标及其权重；建立总体适应度指标量化函数模型：
式中，x i 为第i个地块的遗传编码，为0或1；k为选中即遗传编码为1的地块个数；
步骤2、根据备选项目地块总数，设置遗传算法的初始种大小N；对所有地块赋予唯一的ID编号，从备选地块中随机生成多种候选用地方案，并以二进制编码形式对已选地块和未选地块进行编码，形成N条染体；
步骤3、定义用户至少有2个选址限制条件，要求用地面积至少为S min ，投资金额最多为P max ，则形成如下约束条件，即：
式中，c i 为第i个地块的面积，p i 为第i个地块的土地单价，x i 为第i个地块的遗传编码0
或1；
使用上述约束条件对染体组中的染体逐条筛查；若不满足约束条件，则视为无效染体，对染体进行修复操作；若满足约束条件，则直接进入步骤4；
步骤4、各指标维度分值越高则表示地块质量越优，当选择多个地块时，拟采用多个地块的平均分值作为最终的方案得分；采用步骤1所建立的公式作为适应度函数来计算每个染体组的适应度值；
步骤5、对染体进行遗传操作，通过选择、交叉、变异操作，得到一组新的染体；交叉
概率为P
C ，变异概率为P
m
；
步骤6、设置结束条件函数阈值ε，循环执行步骤4至步骤6，直至最优地块的适应度值和
种的平均适应度值经过多次迭代运算，保持稳定，不再增加时结束运算，并输出适应度值最高的染体项；
使用的结束条件函数如下：
式中，F
max
表示最优地块的适应度值，Fi表示第i个地块的适应度值，N代表种内的地
块个数；最终所输出的适应度最高的染体项即为用地数据结果一，记为A
1
，包含N个地块。
8.根据权利要求3所述的一种基于土地储备实施监测模型的智能选址系统，其特征在于，GIS选址算法单元获取用地数据结果二具体包括：
步骤1、评价单元确定：以土地储备供应项目库中潜力用地为范围，均匀划分为正方形网格作为基本评价单元；
步骤2、标量化：沿用权力要求6所述的指标体系及指标量化模型，选择合适的衰减模型计算每个因子作用分值，形成各项指标的作用分值图层；
步骤3、适宜度评价：按照权力要求6所述的指标体系，获取因子权重，运用GIS加权空间叠置功能，以网格为单元，对单因子影响分值图层进行叠加汇总，获得适宜度分值，计算公式如下：
式中，Fi表示第i个单元格的适宜度分值，w
j
表示指标体系中第j个影响因子的权重，表示第i个单元格在第j个影响因子上的分值；
步骤4、计算地块所在网格的平均适宜度作为地块适宜度分值，将所有候选地块根据适宜度分值满足要求的地块，作为候选地块；
步骤5、确定选址方案，针对候选地块，建立0‑1整数规划模型，选出项目最优位置，选址模型设定有r个候选地块，r＞＝1且r∈Z+，目标为投资利润Z最大化，第j个地块表示为变量
x j ，预期收益为c
j
，则目标函数为：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议