CIM论文 │ “多测合一”背景下城市信息模型应用于空间规划研究

随着人口的不断增长以及城镇化速度的加快，城市急需采用智能且高效的发展模式，缓解人口压力和资源紧张等问题[1]。城市信息模型（City Information Modeling，CIM）融合了建筑信息、地理信息和物联网等技术，整合城市各方面的感知数据和多维信息，建立三维数字空间的城市信息综合体。“多测合一”是指在行政审批过程中，把同一个建设工程中不同分支项目的多项测绘合并为一个综合性测绘项目，以此提高审批的效率，加速工程建设速度[2]。城市空间作为城市的基本载体，是居民赖以生存的基本物质保障，其资源的有效利用、空间的合理规划影响着国家经济的发展。当前已经有很多智能算法应用于空间优化，但大部分局限于农村用地布局优化或城市用地扩张，将城市信息模型与城市空间规划相结合的研究还比较少。此次研究在“多测合一”背景之下，将城市信息模型与多目标优化算法相结合，以此实现对城市空间规划的优化研究。

城市的建设与发展影响着一个国家的经济发展，城市各处的大小空间更是居民进行日常活动的主要场所。随着互联网的进步与发展，我国建立了融合建筑技术、地理信息、物联网和大数据等的城市信息模型，对城市各地各物进行数字化描述和表达，最终构建基于三维数字空间的城市信息综合体。将建筑目标和建筑场景进行数字化表达，不仅有利于信息的分析整合，还能够将信息化技术以具体数字的形式应用到日常生活中。

城市信息模型主要是以城市地理信息为基础，建立建筑物、建筑设施等相关城市建筑的三维数字模型，以此实现对城市规划优化的目标。“多测合一”是指在行政审批过程中，把同一个建设工程中不同分支项目的多项测绘内容，合并为一个综合性测绘项目，即工程建设项目审批联合测绘。CIM中的数据由多种基础数据组合而成，主要用来描述城市各个对象的特征，而“多测合一”技术正好能够将CIM中的各种基础数据进行联合测绘，以此减轻模型的复杂程度，简化数据统计流程。城市信息模型的基本组成如图1所示。

图1 城市信息模型的基本组成

 

由图1可知：该模型的基本组成分为五个部分，分别为传感层、设施层、数据层、功能层和应用层。除此之外，还需要建立质量标准规范体系和信息安全体系，并遵守体系内的相关要求。传感层主要是利用物联网、大数据等相关技术对数据进行收集，这是模型构建的第一步；设施层主要为数据的分析处理提供相应的计算设施设备；数据层则是筛选各类数据，对模型构建有利的数据会被传输到功能层进行加工；功能层主要是对数据层收集到的各类基础数据、特殊数据做进一步分析处理，挑选出最终数据；应用层主要是为了给用户提供相关的服务，将数据应用到日常生活当中。

在整个城市信息模型的构建过程中，数据信息的挑选和利用最为关键[4]。由于整个信息模型的组成因素较多，如何挑选最具利用价值的数据信息对城市的规划和发展至关重要。将“多测合一”的思想应用到模型构建之中，提高数据筛选的效率，使得数据获得最大利用价值。其中，城市信息模型所需的常见数据可分为五大类如图2所示。

图2 CIM模型中的数据来源

 

由图2可知：CIM模型中的数据主要来源于5个方面，分别为：各类人群的基本信息、城市土地的各类数据、各个建筑物信息、不同单元网络的数据信息以及各类社会事件中的数据。由于后文主要对城市空间规划进行优化，因此将利用“多测合一”方式下的城市土地数据信息，对原有的空间规划进行优化设计。

目前对于城市空间的优化主要集中在土地利用数量优化和空间布局优化两种优化类型上，而把两种优化类型进行耦合的相关研究还比较少。本文利用“多测合一”和城市信息模型中的相关地理数据，结合多目标优化模型求解城市空间规划问题。通过以往研究发现，对于多目标土地空间优化问题，通常以获得最大经济效益和空间成片布局为优化目标。基于此，研究共用三种空间模型作为目标函数，如式（1）所示：

（1）

式（1）中，M为城市空间利用价值的目标值；δk为权重系数；fk为当城市土地空间类型为k时，进行归一化计算后的土地空间价值。城市空间利用效率目标函数，如式（2）所示：

（2）

为了便于计算利用效率，将城市空间等分为无数个相同大小的单元，利用效率值越高说明管理成本越低，创造的经济效益越好。式（2）中，M1为城市空间利用效率值；Onmk为城市空间单元领域的利用效率变量；Xnmk为二元变量，当空间单元（n，m）与土地空间类型k相同时，Xnmk=1，否则为0。城市空间调度目标函数，如式（3）所示：

（3）

式（3）中，Qnm为两个相邻城市空间单元之间的协调度。采用加权统一的方法将对上述三类多目标函数转换为单目标数学规划问题，从而简化运算。最终的总目标函数，如式（4）所示：

（4）

式（4）中，S为总目标函数的适应度值，值越大说明该目标函数的优化效果越好；；M，M1，M2 分别为上述三个目标函数的归一化值；φ，φ1，φ2分别为归一化目标函数对应的权值。

为了避免优化过程无限制进行下去，得到更为科学合理的优化结果范围，设定一系列的约束条件来限制优化过程。首先，确保优化前后城市土地空间总面积不发生变化；其次，各城市空间指标不得低于最低限度；最后，每个空间单元只能匹配一种空间类型，以此确保优化方案的唯一。遗传算法（Genetic Algorithm，GA）作为一种智能寻优算法，因其良好的学习性能和稳定性能，被广泛应用于土地空间布局寻优中。将GA与多目标模型相结合生成多目标优化算法，对城市土地空间的布局进行优化。融合GA和多目标模型的优化算法流程图如图3所示。

图3 优化算法流程图

 

由图3可知：融合GA和多目标模型的优化算法，主要分为三个部分：GA算法部分、多目标优化部分以及混合优化算法部分。为了保证GA算法能够直接处理多目标函数中的各个问题，需要对其进行实数编码，以此区分不同的城市土地空间类型。不同的编码代表不同的土地类型，若干单元的土地构成完整的空间矩阵，即为遗传算法中的个体，再由全部的个体构成种群。初始种群利用Random函数产生，查阅参考文献，确定其种群规模在20~200之间取值[5]，如表1所示。将A市土地空间布局图作为种群，以当前A市某片区的空间现状为基础，约束条件为限制，将多目标优化后的总目标函数作为GA的适应度函数，进行种群寻优。

表1 GA算法中各个参数的取值范围

 

图4 不同算法在适应度函数下的迭代情况

 

传统遗传算法和优化遗传算法在城市空间优化模型中的训练时间如图5所示。从整体训练时长来看，优化遗传算法的训练时间远低于传统遗传算法。当种群数为20时，优化遗传算法的训练时间为58s，而传统遗传算法的训练时间为73s；当种群数量大于20小于55时，优化遗传算法能够达到训练稳定，对模型的训练时间在1min左右即可完成；相反，传统的遗传算法在种群数为35时才达到训练稳定，当种群数量大于35小于55时，传统遗传算法达到训练稳定状态，此时模型的训练时间在80s左右。由此说明，优化遗传算法的训练时间相较于传统遗传算法来说更短，训练状态也更容易达到稳定。

图5 不同算法下模型的训练时间

 

传统遗传算法和优化遗传算法在四个不同评价指标下的优化结果对比，如表2所示。

表2 两种算法下不同评价指标的优化结果对比

 

由表2可知：在对A市某区进行土地空间优化前，该地的空间利用效率为28.2%、空间调度情况为18.2%、空间利用价值为32.5%、总适应度值为0.725，经过多目标改进遗传算法对城市空间进行优化后，其空间利用效率增加到56.2%、空间调度情况增加到48.1%、空间利用价值增加到65.5%、总适应度值增加到1.164，各项评价指标值均有一定程度的增加；相较于优化遗传算法，传统遗传算法下的空间优化效果并不好，其四项评价指标值分别为30.2%、21.3%、35.7%和0.972。

城市空间作为城市的基本载体，不仅提供了基本物质保障，而且其资源的有效利用、空间的合理规划也决定着城市经济的发展方向。此次研究首先对“多测合一”技术下的城市信息模型进行了构建，随后再将信息模型中的有效数据和相关技术与多目标规划模型、遗传算法相结合，提出了基于“多测合一”和城市信息的多目标城市空间优化模型。实验结果表明，在适应度函数作为目标函数的情况下，此次研究提出的多目标改进遗传算法相较于传统遗传算法，能够更快收敛到最优解，迭代次数也更少；同时，该算法对模型的训练时间远远小于传统算法，训练稳定程度也更高。对比两种算法在四个不同空间评价指标下的优化情况，结果显示，优化遗传算法下的空间利用效率增加到56.2%、空间调度情况增加到48.1%、空间利用价值增加到65.5%、总适应度值增加到1.164。各项性能指标相较于传统遗传算法有一定提升。

综上所述，将城市信息模型中的部分技术与数据应用到空间规划当中，结合多目标模型和遗传算法，能够完成多目标城市空间规划的目标。