-
题名基于机器学习的城市地下空间需求量预测研究
被引量：1
- 1
-
-
作者
汤志立
王雪
徐千军
-
机构
北京信息基础设施建设股份有限公司
北京市基础设施投资有限公司
北京市政路桥科技发展有限公司
清华大学水沙科学与水利水电工程国家重点实验室
-
出处
《市政技术》
2024年第4期38-44,共7页
-
基金
国家自然科学基金项目(52090084)。
-
文摘
科学开展城市地下空间需求量预测是城市地下空间规划的重要工作内容。针对当前研究中存在的考虑因素少、定性分析为主、主观性强、预测精度低等不足,基于文献搜集的43组城市地下空间开发量有关数据,首次建立了基于9种机器学习算法的考虑多种因素的城市地下空间需求量预测模型。模型训练时,对特征数据进行了归一化处理,消除了特征量纲对模型性能的影响,并开展了特征提取与选择以确定最优特征组合,同时采用网格搜索技术对模型超参数进行优化,最后采用均方根误差和决定系数2个指标对模型性能进行了综合评价。计算结果表明,城市地下空间需求量最重要的3个影响因素分别为常住人口密度、地均汽车保有量、地均GDP,其在采用不同算法模型时的特征重要性均值分别为0.342、0.187、0.172;特征组合F-1(即使用全部8个特征)为最优特征组合,此时XGB算法模型性能最好,其决定系数为0.970,均方根误差为460.2;采用所构建的BAG算法模型对北京市2020年地下设施开发强度进行了预测,预测误差为9.23%,进一步反映了所构建模型具有较高的准确性。
-
关键词
机器学习
城市地下空间
需求量
预测
-
Keywords
machine learning
urban underground space
demand
prediction
-
分类号
TU984
[建筑科学—城市规划与设计]
-
-
题名综合管廊中基于区块链驱动的数据存储机制研究
- 2
-
-
作者
欧阳康淼
康晓乐
张建海
汤志立
赵峰
-
机构
北京京投城市管廊投资有限公司
-
出处
《中国高新科技》
2020年第16期110-112,共3页
-
基金
北京市综合管廊运维监管体系及关键技术研究(项目编号:20190406)。
-
文摘
传统数据库存储的单一性和集中性导致数据的安全性、完整性和可追溯性无法得到保证。虽然现有研究提出基于云存储等数据安全存储的方案,但是其需要依赖一个完全可信的第三方来保证交互的可靠性。以综合管廊数据存储为应用场景,文章提出了去中心化的区块链信息管理方案来实现管廊数据的安全存储。采用了改进PBFT共识算法和优化Hash加密算法,将管廊数据安全、有效地存储在分布式数据库中,保证管廊数据的完整性和可追溯性。同时,提出并设计了全新的数据交互系统,阻止第三方与数据库的直接交互,防止不可信的第三方恶意破坏管廊数据,保证了数据的安全性;最后,通过访问控制和Lucene检索机制保证用户的隐私和实现管廊数据的快速检索。
-
关键词
区块链
存储机制
综合管廊
大数据
-
Keywords
blockchain
storage mechanism
integrated management corridor
big data
-
分类号
TP333
[自动化与计算机技术—计算机系统结构]
-
-
题名基于机器学习算法的综合管廊土建工程费预测研究
- 3
-
-
作者
王雪
汤志立
徐千军
-
机构
北京市政路桥科技发展有限公司
-
出处
《工程造价管理》
2025年第1期32-37,共6页
-
基金
国家自然科学基金项目(52090084)超大城市深层地下空间韧性基础理论,2020年。
-
文摘
开展综合管廊工程投资预测对支撑综合管廊可行性论证具有重要意义。文章以在综合管廊投资中占比较大的土建工程费为研究对象,构建了包含98组综合管廊投资的数据集,建立了21个综合管廊土建工程费预测模型,获得了最优的预测模型。研究结果表明,构建的预测模型的确定系数在0.547~0.927之间,表现最好的预测模型为TPOP算法模型,其确定系数为0.927。研究成果发展并完善了综合管廊工程投资预测方法。
-
关键词
综合管廊
投资预测
机器学习
特征重要性
-
Keywords
Utility tunnels
Investment prediction
Machine learning
Feature importance
-
分类号
F426
[经济管理]
TU-9
[经济管理—产业经济]
-
