[发明专利]一种智能城市信息基础设施规划系统

说明书

本发明涉及一种智能城市信息基础设施规划系统，包括地理信息识别模块，获取待规划区域的图像，通过卷积神经网络识别其中的多种建设用地和基础设施；参数计算模块，获取目标基础设施的候选规划点坐标，根据候选规划点坐标和预设的基础设施评价参数，计算目标基础设施的规划分数；规划点位置优化模块，获取待规划区域内所有目标基础设施的候选规划点坐标，计算所有目标基础设施的规划分数，根据优化算法进行多次优化，计算每次优化后的规划分数之和，并将规划分数之和最高时所有目标基础设施对应的候选规划点坐标作为最终基础设施规划坐标。与现有技术相比，本发明具有提高城市规划中目标基础设施选点的效率，降低城市规划中的人力成本等优点。

技术领域

本发明涉及城市规划技术领域，尤其是涉及一种智能城市信息基础设施规划系统。

背景技术

目前，5G通信需求不断增长，与交通、工业、医疗等各个行业的融合服务也逐渐发展，城市各项设施如通信基站、管道、机房等站点的建设需求随之增大。但是此类规划依旧需要大量的人力操作，并且各项规划相对而言彼此独立，比较费时费力。

机器学习是一种通过数据训练，利用各种算法挖掘输入数据的规律并提炼出模型用于预测的方法。卷积神经网络是一种特别适合挖掘图像数据中隐含的信息的新型机器学习方法，目前在各个领域都得到了广泛的应用。

优化算法分为局部优化算法和全局优化算法，常见的全局优化算法有遗传算法，模拟退火法，粒子群算法等。现有技术中公开了基于免疫遗传算法的5G基站选址规划方法，结合遗传算法的搜索特性和免疫算法的自适应特性，采用免疫遗传算法对于5G基站选址问题进行数学建模和求解，但是在目标种群较大时容易陷入局部最优解，且收敛速度也受到限制。现有技术中也公开了基于改进粒子群算法的通信基站选址算法，引入惯性权重、外部扩散法、内部碰撞法和指定坐标法，虽然搜索速度较快，但是容易过早地陷入局部最优。

模拟退火算法，包含两个部分即Metropolis算法和退火过程，模拟退火算法具有渐近收敛性，但是得到性能较高的解需要付出收敛速度慢的代价；反之很可能得不到全局最优解。

在上述全局算法之外，还有一系列的基于梯度和导数的搜索法，收敛速度较快，如牛顿法。牛顿法的优点是二阶收敛，收敛速度快，而且能高度逼近最优值；但是每一步都需要求解目标函数的Hessian矩阵的逆矩阵，计算比较复杂；同时，牛顿法是局部收敛的，当初始点选择不当时，往往导致结果无法收敛。

梯度下降法，是一种基于凸函数的优化算法，通过迭代调整参数，将给定函数最小化到它的局部最小值。当目标函数是凸函数时，梯度下降法的解是全局解。但一般情况下，其解不保证是全局最优解，速度也未必是最快的；靠近极小值时收敛速度会减慢，需要多次迭代，甚至可能会“之字形”地下降。

Levenberg-Marquardt法，也称作阻尼最小二乘法，则结合了上述二者的特点(牛顿法具有收敛快速但对初始点位置敏感的特点，梯度下降法则相反)，LM算法收敛速度较快但其需要对每一个待估参数求偏导，当拟合函数f过于复杂，或者待估参数过多，将不太适用此算法求解。

综上所述，全局优化算法如遗传算法、粒子群算法、模拟退火算法，虽然能够得到符合要求的全局最优解，但是与之对应的是较慢的收敛速度，若初始值和参数设置不当可能获得局部最优解；牛顿法、梯度下降法、Levenberg-Marquardt法等算法虽然收敛速度快，但是未必获得全局最优解。

发明内容

本发明的目的就是为了克服上述现有技术存在的城市规划中算法的收敛速度与全局最优解不能同时满足的缺陷而提供一种智能城市信息基础设施规划系统。

本发明的目的可以通过以下技术方案来实现：

一种智能城市信息基础设施规划系统，包括地理信息识别模块、参数计算模块和规划点位置优化模块，其中：