城市規(guī)劃誤差反向傳播網(wǎng)絡算法的可行性分析

　　摘要：城市規(guī)劃的影響因素，主要有經(jīng)濟、社會和生態(tài)三個方面，從城市規(guī)劃的影響因素出發(fā)，構建其相應的算法流程。同時由于城市系統(tǒng)的復雜和不確定性，影響因素擁有大量的柔性標準，分析把這些標準進行量化的可能性，以期得到一個切合實際、可用與預測系統(tǒng)權數(shù)。
　　關鍵詞：神經(jīng)網(wǎng)絡；城市規(guī)劃；BP算法
　　
　　一、基于BP算法的規(guī)劃方法構想
　　
　　誤差反向傳播網(wǎng)絡（Error Back Propagation）通常簡稱BP網(wǎng)絡，它是多層前向神經(jīng)網(wǎng)絡的一種典型模型。其指導思想是：對實例K的輸入，由神經(jīng)網(wǎng)絡根據(jù)當前的權值分布W計算網(wǎng)絡的輸出Y，與實例K的期望輸出T進行比較，根據(jù)兩者之間的差的某個函數(shù)值來調(diào)整網(wǎng)絡的權值分布，最終使差的函數(shù)值達到最小。
　　根據(jù)對神經(jīng)網(wǎng)絡功能和城市規(guī)劃的特點分析，本文設想將機器學習方法引入到城市規(guī)劃領域，其指導思想是：根據(jù)特定城市規(guī)劃的指標和期望結果構建相應的網(wǎng)絡模型，利用神經(jīng)網(wǎng)絡對自相似系統(tǒng)學習的特點，對模型進行分析。
　　
　　二、BP算法流程
　　
　　
　　圖1為BP網(wǎng)絡學習算法的框圖，圖中T用來統(tǒng)計訓練的次數(shù)，K用來控制對訓練模式集中的第幾個訓練模式進行訓練，P為模式集的基數(shù)。
　　
　　三、公共空間規(guī)劃方案評價的主體分析
　　
　　公共空間除涉及到不同主體的利益外，也與判斷評價與價值取向有關，為保證規(guī)劃評價的科學性，同樣必須吸收具有廣泛代表意義的人員參與。規(guī)劃方案評價的參與人員一般應包括：城市建設管理者、城市領導者、投資者、使用者、方案設計者、各領域的專家等。他們分別代表各階層、各方面的利益，只有權衡了各方的價值觀，評價才可能符合公平、合理的原則。此外，要綜合考慮各方面的因素，就要求所有與城市發(fā)展相關的學科專業(yè)共同工作，以多學科的視角分析問題。
　　
　　四、方案評價的不確定性討論
　　
　?。ㄒ唬┰u價對象的不確定性
　　方案的實施過程是一個多因素共同作用的過eee04f0242a83036fc80c4f150c99aef程，它們相互緊密地結合在一起，在過程中共同起作用。因此，在對方案進行評價時，就可能難以分離出哪些結果是由于規(guī)劃因素的作用而產(chǎn)生的。
　　
　　（二）評價標準的不確定性
　　評價規(guī)劃方案的標準難以確定，是我國方案評價中存在的主要問題。就規(guī)劃的硬性指標而言，現(xiàn)在的一些標準已不適應實際情況的變化，而變得不堪使用。也有一些標準與準則存在著片面考慮。比如國際規(guī)劃界有一個通用的認識：連續(xù)的街區(qū)界面會帶來非常好的活力，但卻與消防規(guī)范、日照規(guī)范等標準相抵觸。在形態(tài)方面，則隨機性更大。很多領導在決定方案時，往往注重方案的圖面效果，而沒有考慮方案的可實施性以及使用者的尺度感受。
　　
　?。ㄈ┰u價研究中價值觀的多樣性
　　任何的評價都需要建立在一定的價值觀基礎上進行適當?shù)脑u價。而城市規(guī)劃過程中的行為通常都涉及城市的整體，不同的機構、階層、團體和個體間都有各自具有不同的價值取向，而且價值觀也影響著規(guī)劃師對規(guī)劃實施問題的分析態(tài)度，也制約著公眾對規(guī)劃政策的接受及合作程度，這就會使方案評價面臨著在主觀的問題。
　　這些不確定性是方案評價框架建構中的難點，正是由于這些不確定性的存在，才有必要對規(guī)劃方案進行自相關分析。
　　
　　五、規(guī)劃評測的相關指標分析
　　
　　公共空間規(guī)劃方案的評價可概括為兩個方面的內(nèi)容：一是評價規(guī)劃，規(guī)劃方案對于公共空間各類需求的滿足程度；二是對規(guī)劃方案及其實施結果進行比較，并研究出現(xiàn)差異的原因。
　　
　?。ㄒ唬┙?jīng)濟效益評價的主要標準
　　1、規(guī)劃成本。城市公共空間是一種空間資源，由于與城市土地資源的依附關系，城市公共空間受城市土地資源稀缺性特點的影響。經(jīng)濟學原理表明，由于存在稀缺性，城市公共空間周邊土地和物業(yè)會有較高的市場價格，而且這個價格與公共空間的品質(zhì)有著較大的相關性。這是基于地租理論的城市空間結構研究的重要內(nèi)容和成果之一。因此，本文對于城市公共空間建設方案的經(jīng)濟性評價，主要考慮和地價相關的各類經(jīng)濟指標，建設成本估算。從以下幾個方面對公共空間規(guī)劃的成本進行衡量：靜態(tài)投資額、項目建設期、平均年投資額、資金利息、物價上漲幅度。
　　2、規(guī)劃收益。對于方案評價而言，城市公共空間方案的規(guī)劃收益計算方法，不同于城市公共開發(fā)項目的財務收益計算。對于城市公共綠地，城市廣場等純公益性的地塊，由于其創(chuàng)造的是社會效益，因此不計算其經(jīng)濟收益。對于盈利性地塊，比如商業(yè)或商住混合地塊，在方案層面，若無法確定建成后具體運營什么項目，則無法采用城市開發(fā)中所采用的財務效益評價。在這種情況下，則通過確定地塊的用地性質(zhì)和容積率，計算出每個地塊相應的出售收益。從下面幾個指標對規(guī)劃的期望收益進行評價：地塊性質(zhì)、地塊總面積、容積率、規(guī)劃建筑面積、預計售價。
　　另外，對于已知具體開發(fā)項目的地塊而言，則可以采用財務效益評價的方法來確定規(guī)劃地塊的收益。
　　
　?。ǘ┥鐣б嬖u價的主要標準
　　由于社會問題的主體多樣性，對于方案的社會文化效益評價，主要是站在使用者的角度對公共空間進行主觀性的評價。
　　城市公共空間社會效益評價的主要標準：1、文化性。公共空間，文化含量（包括：整體風格，文化小品，歷史文化，遺產(chǎn)保護，文化活動）；2、可達性。服務半徑，交通；3、舒適性。協(xié)調(diào)性，公共服務設施，安全性，場地安全。
　　
　　（三）生態(tài)效益評價的主要標準
　　同濟大學朱錫金教授于1997年提出“自然度”的概念，是為了反映居住園區(qū)自然化的程度，目的是為了保證居住園區(qū)具有必要的自然基礎和自然環(huán)境質(zhì)量。自然度的主要指標有空氣、水體潔凈度、綠化指標、空地或天空指標、日照指標。本文在選取評價因子時，借鑒了以上指標，同時增加對邊緣地帶的處理和生態(tài)廊道的評價。生態(tài)效益的指標有：水，植物（綠化率，植被多樣性，植被區(qū)域性），土壤與填挖方，日照指標，噪聲處理，交錯地帶的處理。
　　
　　六、神經(jīng)網(wǎng)絡的量化分析
　　
　　我們應當先考慮相應標準的量化輸入問題。在考慮樣本的構造方法時，需要根據(jù)所采用神經(jīng)網(wǎng)絡的特性來構造。所采用的構造方法必須能夠使樣本滿足普遍性和惟一性的要求，結合城市規(guī)劃的實際問題，將上述特征值作為訓練樣本。上圖所示：通過分析城市規(guī)劃的評價相關因素，可以得知，訓練樣本共24個，全部數(shù)量化后，對數(shù)據(jù)做規(guī)范化處理。數(shù)據(jù)的處理根據(jù)不同情況可以有不同的選擇，對于柔性的概念，比如：文化性，交通可達性，可以做字典式的排序，然后任意取值，在帶入網(wǎng)絡進行學習的時候，系統(tǒng)會自動調(diào)整其相關權重，調(diào)整的權數(shù)和開始任意設定的值就可以較好的描述這些因素對規(guī)劃的影響。
　　然后進行BP算法流程，迭代計算由計算機完成，然后根據(jù)多次反饋的結果和真實結果比較，也就是BP網(wǎng)絡的學習，對于每個影響規(guī)劃效果的因素會得到一個比較合理的權數(shù)，這些權數(shù)對于我們以后的規(guī)劃評價有很重要的指導意義，他可以對我們將要進行的規(guī)劃進行預測。
　　
　　七、神經(jīng)網(wǎng)絡的建立
　　
　　建立城市規(guī)劃預測模型，所研究的神經(jīng)網(wǎng)絡ANN有3個輸出單元：①經(jīng)濟效益評價指標；②社會效益評價指標；③生態(tài)效益評價指標。其中每個輸入單元又有各自的指標分量?？偣灿?個輸入指標，他們分別是I1=規(guī)劃成本；I2=規(guī)劃收益；I3=文化；I4=舒適性；I5=可達性；I6=水；I7=植物；I8=其他。同時實驗和誤差決定了隱含層和每個隱含層單元的數(shù)目。這將根據(jù)優(yōu)化原理和實際的程序調(diào)試過程逐步改進。
　　
　　
　　八、模型的算法
　　
　　1、傳遞函數(shù)。隱層的神經(jīng)元采用正切、S型傳遞函數(shù)，該函數(shù)可以將神經(jīng)元的輸入范圍（-∞，+∞）映射到（-1，+1），考慮到當tansig函數(shù)的輸入值在（-1，+1）之間時其值的變化最為顯著，所以要將輸入值進行標準化處理。輸出層的神經(jīng)元采用純線性變換函數(shù)。
　　2、初始化函數(shù)。initff（p，s，f）可以得到S個神經(jīng)元的單層神經(jīng)網(wǎng)絡的權值和閾值，其中p為輸入矢量，f為神經(jīng)網(wǎng)絡間神經(jīng)元的傳遞函數(shù)。
　　3、訓練函數(shù)。trainlm（w1，b1，‘tansig’，w2，b2，‘purelin’，P，T，tp）函數(shù)。w1，b1分別為tansig層的權值和閾值；w2，b2分別為線性輸出層的權值和閾值；P為輸入矢量；T為相應的目標矢量；tp=[dis—freq max—epoch err—goal lr]其中disp—freq 表示學習過程中的顯示頻率；max—epoch 表示最大訓練步數(shù)；err—goal表示誤差指標；lr表示學習率。
　　函數(shù)trainlm為BP網(wǎng)絡的改進算法，因為傳統(tǒng)的BP網(wǎng)絡有其不足之處，主要表現(xiàn)在：收斂速度慢，容易陷入局部極值，難以取定隱層和節(jié)點的個數(shù)。在實際的應用中，BP算法很難勝任，因此出現(xiàn)了許多改進算法。其中trainlm使用了Levenberg-Marquardt優(yōu)化方法，該算法比trainbp和trainbpx函數(shù)使用的梯度下降法要快得多，從而使學習時間更短。
　　
　　九、總結
　　
　　總之，神經(jīng)網(wǎng)絡模型有著其他模型所沒有的獨特優(yōu)勢，包括能容忍噪音、數(shù)據(jù)不全、數(shù)據(jù)組成規(guī)則不明，通過改變網(wǎng)絡接點來進行自組織和自我學習，在經(jīng)歷中學習和根據(jù)環(huán)境變化進行調(diào)整，對特定情形進行總結，容忍隨機輸入，發(fā)現(xiàn)并建立輸入變量之間的復雜關系。對于一個特定環(huán)境里的持續(xù)變化，它有著較好的預測能力。這也是本文使用神經(jīng)網(wǎng)絡模型對城市規(guī)劃進行可行性分析的原因，建立起一個比較完善的神經(jīng)網(wǎng)絡系統(tǒng)，可以對我們的規(guī)劃起到預測和指導作用。對于像城市這樣的一個復雜系統(tǒng)，有眾多的未知和柔性的因素，用別的模型是無法達到神經(jīng)網(wǎng)絡的預測效果的。
　　
　　參考文獻：
　　1