吳保寬

(華僑大學 建筑學院， 福建 廈門 361021)

應用ANN與CA構建GIS模型的城市非正規(guī)商業(yè)行為分析

吳保寬

(華僑大學 建筑學院， 福建 廈門 361021)

基于神經網(wǎng)絡算法(ANN)和元細胞自動機(CA)，建構臺灣逢甲夜市商圈的地理信息系統(tǒng)(GIS)模型，并對非正規(guī)攤販商業(yè)行為進行數(shù)值模擬與實證分析.研究結果表明：非正規(guī)攤販分布模擬結果為平均正確率84.1%，而目標模式的平均正確率可達94.2%；在環(huán)境因子影響性分析方面，街道位置類型是發(fā)生非正規(guī)攤販最具影響性的環(huán)境因子，而背景建物寬度則是最不具影響性的環(huán)境因子；在環(huán)境因子相關性分析方面，街道位置類型因子是所有假設環(huán)境因子中最能吸引非正規(guī)攤販聚集的正相關因子. 關鍵詞： 城市非正規(guī)商業(yè)行為； 神經網(wǎng)絡算法； 元細胞自動機； 地理信息系統(tǒng)； 環(huán)境因子

數(shù)值模擬分析技術是城鄉(xiāng)規(guī)劃相關研究的重要發(fā)展領域.通過數(shù)值模型與研究對象的現(xiàn)實狀態(tài)進行比對實驗，能幫助研究者解析研究對象的深層知識[1-2].近年來，由于地理信息系統(tǒng)(GIS)的發(fā)展，大幅提升數(shù)值模型技術的圖像與數(shù)值信息的同步整合能力[3].因此，各類數(shù)值模擬分析技術與GIS的合并應用成為近年城鄉(xiāng)規(guī)劃相關研究的重要趨勢[4-5]，尤其是與各種人工智能算法結合的應用研究[6-8].神經網(wǎng)絡算法(ANN)[9-10]能依據(jù)研究者所觀測環(huán)境因子與目標模式數(shù)據(jù)，通過訓練程序建構研究對象的專家知識數(shù)值模型[11].基于元細胞自動機(CA)原理建構的GIS模型，能以CA單元細胞格式與增生規(guī)則，體現(xiàn)城市非正規(guī)商業(yè)行為的碎形不規(guī)則發(fā)展特性，也能藉GIS技術記錄各項環(huán)境觀測數(shù)據(jù)，以圖像同步展現(xiàn)各階段研究成果[12].城市非正規(guī)商業(yè)行為是城市街道具有自發(fā)性的復雜行為，結合ANN與CA技術的GIS模型，不僅能模擬分析與描述城市非正規(guī)商業(yè)行為，也能預測其未來的發(fā)展趨勢.本文應用ANN和CA建構臺灣逢甲夜市商圈的GIS模型，進行非正規(guī)商業(yè)行為的數(shù)值模擬，以及進行環(huán)境因子的分析實驗,解析非正規(guī)攤販在夜市街道上的分布狀態(tài)，揭示各環(huán)境因子對此非正規(guī)商業(yè)行為的影響性與相關性.

1 研究應用技術

1.1 神經網(wǎng)絡算法ANN

ANN算法具有許多特性，如目標優(yōu)化能力、輸入信息的誤差容忍能力、因子分析能力、目標模式的預測能力等[10-11].ANN基于模式辨識與分類功能，在城鄉(xiāng)規(guī)劃相關研究領域有許多成果[6-8].多層ANN基于非線性技術難以解析目標模式數(shù)據(jù)與輸入因子數(shù)據(jù)的關聯(lián)性[13]，而單層ANN不僅能執(zhí)行目標模式辨識與分類任務，也能通過ANN因子權重值分析與統(tǒng)計圖表分析方法，理解各因子對目標模式的影響性及相關性.文中采用的就是單層ANN技術，ANN算法通過訓練程序可降低輸出數(shù)值與現(xiàn)實目標模式值的誤差，以達成最佳目標模式分類結果.完成訓練程序的ANN，最終模式輸出值為

(1)

式(1)中:Yj為ANN模式值輸出結果;Xi為第i項輸入因子;Wi,j為ANN因子權重值;δ為轉換函數(shù);β為偏壓值.

1.2 以CA原理建構的GIS模型

應用GIS進行城鄉(xiāng)發(fā)展相關研究時，一般采用“宗地圖”作為基礎圖形單元.然而“宗地圖”屬于規(guī)范化基礎土地輪廓，無法充分表達城鄉(xiāng)發(fā)展過程的非正規(guī)行為模式.因此，相關學者采用碎形圖形(fractal graphics)作為應用GIS的基礎圖形單元，以表現(xiàn)城鄉(xiāng)發(fā)展過程有如生命自組織的演化狀態(tài).應用CA原理建構的GIS模型即屬此類技術[5,12].以CA原理建構GIS模型具有有機性、相似性、自組織發(fā)展性、由下至上的發(fā)展邏輯等特點，很適合應用于研究城市非正規(guī)商業(yè)行為的數(shù)據(jù)記錄、分析與成果展現(xiàn)等工作執(zhí)行.

傳統(tǒng)的CA程序有設定單元格式、設定單元模式狀態(tài)、設定鄰近關系、制定演化規(guī)則4項.隨著CA技術多元發(fā)展及與其他算法的結合應用，上述CA程序在操作上變得更加多元靈活[1-2,5].文中研究的CA應用操作主要在設定單元格式和設定單元模式狀態(tài)兩CA程序上，可藉GIS模型的建構過程進行設定；而設定鄰近關系與制定演化規(guī)則兩個CA程序，則能在ANN程序中以相關環(huán)境因子的方式進行設定，并由ANN最終判定各CA單元的模式狀態(tài).

2 研究對象及現(xiàn)場調研

文中研究實證材料為臺灣逢甲夜市商圈的非正規(guī)攤販群.逢甲夜市是典型沿街發(fā)展夜市[14]，時?？梢姺钦?guī)攤販占據(jù)街道兩邊的人行道及騎樓區(qū)域.這些非正規(guī)攤販群屬不合法商業(yè)行為，然而其聚集所產生的熱絡氛圍，是逢甲夜市成為知名夜市區(qū)的主要原因.實驗區(qū)域為逢甲夜市各街道區(qū)域.為記錄非正規(guī)攤販的分布現(xiàn)況，將實驗區(qū)域以CA網(wǎng)格單元形式建構GIS模型.CA網(wǎng)格化過程，如圖1所示.圖1(c)中：深色標記表示被非正規(guī)攤販所占據(jù)的CA單元.

(a) 原始街道狀態(tài) (b) CA網(wǎng)格化街道區(qū)域 (c) 被非正規(guī)攤販所占據(jù)的CA單元圖1 以CA網(wǎng)格單元形式建構GIS模型的非正規(guī)攤販分布Fig.1 Distribution of informal vendors by GIS model with CA grid formation

實驗區(qū)域共有10 940個CA單元.經現(xiàn)場調研，其中被非正規(guī)攤販占據(jù)1 717個CA單元(圖2)為文中研究目標模式(稱T1模式并以數(shù)值1記錄)；另外的9 223個CA單元則是未被占據(jù)(稱T0模式并以數(shù)值0記錄).由相關文獻資料整理出7個環(huán)境因子，用于描述各CA單元所處位置與相關街道特征的屬性與距離關系，如表1所示.這些街道特征是有關學者歸納出具有吸引非正規(guī)攤販聚集的潛在效應[14-15]，而所有環(huán)境因子數(shù)值都是經過歸一化，設定在0～1之間.有關算法的各程序都是以MATLAB語言所編寫，GIS模型則是以ArcGIS軟件來操作執(zhí)行.

表1 描述CA單元的環(huán)境因子Tab.1 Environmental factors to describe CA units

圖2 目標模式分布的現(xiàn)況調研結果Fig.2 In-situ investigation of distribution of target pattern

3 數(shù)值模擬與現(xiàn)場調研比對

首先，進行ANN判定CA單元發(fā)生目標模式的GIS模擬結果.有關訓練ANN設定方面，是將所有CA單元分為1/2訓練集和1/2測試集進行ANN訓練程序.ANN轉換函數(shù)為Logistic Sigmoid 函數(shù)，使ANN模式輸出值限制在0～1之間.完成ANN訓練后，各CA單元可由式(1)產生最終ANN模式輸出值，并依此來判定CA單元是否發(fā)生目標模式.

實驗共執(zhí)行20次ANN程序以測試ANN結果的穩(wěn)定性，如表2所示.由表2可知：實驗模擬結果為平均正確率84.1%，而T1目標模式的平均正確率可達94.2%.

表2 ANN目標模式模擬結果Tab.2 ANN simulation results of target pattern

續(xù)表2 Continue table

圖3 以GIS展現(xiàn)ANN模擬結果Fig.3 ANN simulation result demonstrated by GIS

ANN判定CA單元發(fā)生目標模式的GIS模擬結果，如圖3所示.圖3中：深色CA單元式是ANN所判定的目標模式.將圖3與圖2進行比對，觀察ANN模擬結果與調研現(xiàn)況的相似性.平均模擬正確率代表環(huán)境因子設定(表1)對目標模式的掌握與描述能力，下一實驗階段將以此模擬表現(xiàn)為基礎，進行環(huán)境因子的分析工作.

4 環(huán)境因子分析結果

ANN模式分類邏輯源于數(shù)學回歸技術，單層ANN的訓練過程是一種線性函數(shù)的最優(yōu)求解過程.完成訓練的ANN函式其因子權重值(式(1)的Wi，j)，表示ANN在多維空間進行模式分類時，對各輸入因子的依賴程度[11,16].因此，對單層ANN因子權重值進行分析，能觀察出哪個環(huán)境因子對目標模式具有較高影響性.表3為已訓練ANN的因子權重值，其數(shù)值絕對值越高者，代表其所對應的環(huán)境因子對目標模式的影響性越高.各環(huán)境因子其ANN因子權重絕對值高低排列如下：SL，C2，C3，C1，SW，IntF，BBW.由此可知:SL是所有假設環(huán)境因子中，對非正規(guī)攤販的發(fā)生最具影響性；而BBW則是最不具影響性的環(huán)境因子.

表3 以ANN因子權重值分析環(huán)境因子的影響性Tab.3 Impact analysis of environmental factors by ANN weight values

(a) SL

(b) IntF (c) SW

(d) BBW (e) C1

(f) C2 (g) C3圖4 應用散點圖來進行各環(huán)境因子的相關性分析Fig.4 Correlation analysis of each environmental factor by scatter diagram

環(huán)境因子的相關性分析工作，則須搭配統(tǒng)計圖表分析方法的散點圖和皮爾森相關系數(shù)來進行.所有CA單元的ANN模式輸出值與各環(huán)境因子變數(shù)值的散點圖分析結果，如圖4所示.圖4中：AnnV為ANN模式輸出值；NFV為經過歸一化的環(huán)境因子變數(shù)值.各環(huán)境因子變數(shù)值與ANN模式輸出值的皮爾森相關系數(shù)分析結果，如表4所示.

由表4及圖4可得，正相關環(huán)境因子為：SL，IntF，BBW和C24個環(huán)境因子，其余則為負相關因子.由以上ANN因子權重值分析與散點圖、皮爾森相關系數(shù)分析后可得：街道位置類型因子是所有假設環(huán)境因子當中最能吸引非正規(guī)攤販聚集的正相關因子.

比較表3，4可知：SW(街道寬度)與BBW(背景建物寬度)在表3屬對目標模式影響性偏低群，但在表4屬相關系數(shù)偏高群.進一步由圖4發(fā)現(xiàn)，這是因為此兩數(shù)據(jù)在散點圖上的分布極不均勻造成的. 因此， 高相關系數(shù)并不一定表示該環(huán)境因子對目標模式具有較高影響性，具有數(shù)學回歸理論支持的ANN因子權重值分析，才能客觀判斷環(huán)境因子對目標模式的影響性.然而，上述環(huán)境因子分析方法的共同使用與比對分析，才能全面挖掘環(huán)境因子信息.

表4 各環(huán)境因子變數(shù)值與ANN模式輸出值的皮爾森相關系數(shù)分析Tab.4 Correlation analysis of Pearson correlation coefficient between different kinds of environmental factor values and ANN outputs of target pattern

另外，由ANN因子權重值分析輔以散點圖、皮爾森相關系數(shù)的分析結果，可作為下一步修正環(huán)境因子實驗假設的依據(jù).如BBW是對目標模式最不具效益的環(huán)境因子，因此,在未來的環(huán)境因子實驗假設可考慮以其他因子替換.

5 主要結論

應用ANN與CA技術的GIS模型進行以下兩階段實驗操作：1) 以ANN模式辨識與CA細胞增生形態(tài)來模擬逢甲夜市非正規(guī)攤販的分布；2) 通過ANN因子權重值分析與散點圖、皮爾森相關系數(shù)等分析方法，解析各環(huán)境因子對于發(fā)生非正規(guī)攤販的影響性與相關性.通過實驗，非正規(guī)攤販分布模擬結果為平均正確率84.1%，而目標模式的平均正確率可達94.2%.

在環(huán)境因子影響性分析方面，SL是發(fā)生非正規(guī)攤販最具影響性的環(huán)境因子，BBW是最不具影響性的環(huán)境因子.在環(huán)境因子相關性分析方面，與發(fā)生非正規(guī)攤販現(xiàn)象呈正相關因子為：SL，IntF，BBW與C2，其余為負相關因子.因此，街道位置類型因子是所有假設環(huán)境因子中最能吸引非正規(guī)攤販聚集的正相關因子.上述環(huán)境因子的分析結果，可進一步作為未來修改環(huán)境因子實驗假設的依據(jù).

[1] THAPA R B，MURAYAMA Y.Urban growth modeling of Kathmandu metropolitan region， Nepal[J].Computers Environment and Urban Systems，2011，35(1):25-34.

[2] SANT I，GARC A A M，MIRANDA D，etal.Cellular automata models for the simulation of real-world urban processes: A review and analysis[J].Landscape and Urban Planning，2010，96(2):108-122.

[3] BOLSTAD P.GIS Fundamentals: A first text on geographic information systems[M].3rd ed.White Bear Lake，Minn: Eider Press,2008:15-36.

[4] 胡永進.地理信息系統(tǒng)在城市規(guī)劃中的應用[J].江蘇城市規(guī)劃，2010(5):32-37.

[5] BATTU M.Modelling urban development with geographical information systems and cellular automata[M].Boca Raton:CRC Press，2009:11-27.

[6] PIJANOWSKI B C，TAYYEBI A，DOUCETTE J，etal.A big data urban growth simulation at a national scale: Configuring the GIS and neural network based land transformation model to run in a high performance computing (HPC) environment[J].Environmental Modelling and Software，2014，51:250-268.

[7] GREKOUSIS G，MANETOS P，PHOTIS Y N.Modeling urban evolution using neural networks， fuzzy logic and GIS: The case of the Athens metropolitan area[J].Cities，2013，30(1):193-203.

[8] BASSE R M，OMRANI H，CHARIF O，etal.Land use changes modelling using advanced methods: Cellular automata and artificial neural networks. The spatial and explicit representation of land cover dynamics at the cross-border region scale[J].Applied Geography，2014，53:160-171.

[9] HAUPT S E，LAKSHMANAN V， MARZBAN C，etal.Environmental science models and artificial intelligence[C]∥Artificial Intelligence Methods in the Environmental Sciences.Netherlands:Springer，2009:3-13.

[10] DUDA R O，HART P E，STORK D G.Pattern classification[M].2nd ed.New York:Wiley，2001:25-61.

[11] BISHOP C M.Neural networks for pattern recognition[M].New York:Oxford University，1995:76-93.

[13] ZHANG G P.An investigation of neural networks for linear time-series forecasting[J].Computers and Operations Research，2001，28(12):1183-1202.

[14] HSIEH A T，CHANG J.Shopping and tourist night markets in Taiwan[J].Tourism Management，2006，27(1):138-145.

[15] YATMO Y A.Perception of street vendors as out of place urban elements at day time and night time[J].Journal of Environmental Psychology，2009，29(4):467-476.

[16] MARZBAN C.Basic statistics and basic AI: Neural networks[C]∥Artificial Itelligence Methods in the Environmental Sciences.Netherlands:Springer，2009:15-47.

(責任編輯： 陳志賢 英文審校： 方德平)

Analysis of Urban Informal Business Behavior Based on GIS Model Constructed by ANN and CA

WU Baokuan

(College of Architecture， Huaqiao University， Xiamen 361021， China)

Based on the artificial neural network (ANN) algorithm and the cellular automation (CA), the geographic information system (GIS) model of the Fengjia night market in Taiwan was constructed, the commercial behavior of the informal street vendors was simulated. The results show that: the average simulation accuracy of the informal street vendor distribution is 84.1%, but the average simulation accuracy of target pattern is 94.2% high. In the environmental factor impact analysis, the street location type is the most influential environmental factor of the informal vendors. The background building width is the least influential environmental factor. In the environmental factor correlation analysis, the street position type factor is the positive correlation factor that is the most attractive environmental factor for attracting informal vendors.

urban informal business behavior； artificial neural networks； cellular automation； geographic information system； environmental factors

10.11830/ISSN.1000-5013.201704010

2016-10-17

吳保寬(1976-)，男，講師，博士，主要從事人工智能技術應用于城鄉(xiāng)建筑設計與規(guī)劃的研究.E-mail:py1006@hqu.edu.cn.

國家自然科學基金資助項目(41401224)； 福建省自然科學基金資助項目(2016J01238)

TU 17

A

1000-5013(2017)04-0497-06