基于PCR和RBF神经网络的城市智能增长水平评价模型

doi:10.3969/j.issn.1006-2475.2020.05.003

计算机与现代化

基于PCR和RBF神经网络的城市智能增长水平评价模型

(1.武汉大学土木建筑工程学院,湖北武汉430072;2.武汉大学GNSS研究中心,湖北武汉430072)

收稿日期:2019-09-24 出版日期:2020-05-20 发布日期:2020-05-21
作者简介:朱红章(1968-),男,湖北武汉人,副教授,硕士生导师,博士,研究方向:项目管理,E-mail: 2231737959@qq.com; 李连艳(1995-),女,山东临沂人,硕士研究生,研究方向:项目管理,E-mail: 675932697@qq.com。

A Novel Evaluation Model for Urban Smart Growth Based on Principal #br# Component Regression and Radial Basis Function Neural Network

(1. School of Civil Engineering, Wuhan University, Wuhan 430072, China;
2. GNSS Research Center, Wuhan University, Wuhan 430072, China)

Received:2019-09-24 Online:2020-05-20 Published:2020-05-21

摘要/Abstract

摘要： 城市智能增长已经成为城市规划者和决策者广泛采用的一种建设城市的环保方式，这对衡量城市智能增长水平具有实际意义。在本文中，定义理性度（RD）来描述城市智能增长的水平，通过主成分回归（PCR）和径向基函数（RBF）神经网络建立RD评价模型。以玉门和Otago为例进行研究，二者的RD值分别为0.04482和0.04591，这表明这2个城市智慧增长计划都取得了一定的成功，Otago的城市发展水平优于玉门，同时研究发现玉门应优先考虑城市绿化与环境保护，而Otago则要优先考虑经济发展。本文模型为追求科学智能增长的城市提供了有力的参考。

关键词: 智能增长, 理性度, RBF神经网络, 主成分回归

Abstract: Urban smart growth has become an environmental protection method widely used by urban planners and decision makers to build cities, which has practical significance to measure the level of urban smart growth. In this paper, rational degree (RD) is defined to describe the level of urban smart growth, then RD model is established through principal component regression (PCR) and radial basis function (RBF) neural network. Taking Yumen and Otago as examples, their RD values are 0.04482 and 0.04591 respectively, which indicates that both cities’ smart growth development mode has achieved certain success. The urban development level of Otago is better than that of Yumen. At the same time, this study finds that Yumen should give priority to urban greening and environmental protection, while Otago should give priority to economic development. The proposed model provides a powerful reference for the cities to pursue scientific and smart growth.

Key words: smart growth, rational degree, RBF neural network, principal component regression

中图分类号:

TU984.11+1

朱红章1,李连艳1,任晓斌2,隋晓亮1. 基于PCR和RBF神经网络的城市智能增长水平评价模型[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2020.05.003.

ZHU Hong-zhang1, LI Lian-yan1, REN Xiao-bin2, SUI Xiao-liang1. A Novel Evaluation Model for Urban Smart Growth Based on Principal #br# Component Regression and Radial Basis Function Neural Network[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2020.05.003.

参考文献［23］

［1］	POLLEX J, LENSCHOW A. Surrendering to growth? The European Union’s goals for research and technology in the Horizon 2020 framework［J］. Journal of Cleaner Production, 2018,197:1863-1871.
［2］	United Nations Department of Economic and Social Affairs/Population Division. World Urbanization Prospects: The 2014 Revision, Highlights (ST/ESA/SER.A/352)［R］. New York: United Nations Department of Economic and Social Affairs/Population Division, 2014.
［3］	SETO K C, GUNERALP B, HUTYRA L R. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools［J］. Proceedings of the National Academy of Sciences of the United States of America, 2012,109(40):16083-16088.
［4］	GREN A, COLDING J, BERGHAUSER-PONT M, et al. How smart is smart growth? Examining the environmental validation behind city compaction［J］. Ambio, 2019,48(6):580-589.
［5］	沈金箴. 以智慧城市促精明增长［J］. 前线, 2017(2):56-59.
［6］	刘保陆. 智慧城市建设对经济增长的影响分析［D］. 天津:河北工业大学, 2015.
［7］	PICON A. Urban infrastructure, imagination and politics: From the networked metropolis to the smart city［J］. International Journal of Urban and Regional Research, 2018,42(2):263-275.
［8］	SUSANTI R, SOETOMO S, BUCHORI I, et al. Smart growth, smart city and density: In search of the appropriate indicator for residential density in Indonesia［J］. Procedia: Social and Behavioral Sciences, 2016,227:194-201.
［9］	ZHANG R, WANG Y, WANG K B, et al. An evaluating model for smart growth plan based on BP neural network and set pair analysis［J］. Journal of Cleaner Production, 2019,226:928-939.
［10］	叶亚芝. 智能城市建设及评价体系［D］. 北京:北京交通大学, 2007.
［11］	李雨霏. 智慧城市评价指标体系的选取［J］. 中外企业家, 2019(5):107.
［12］	何琴. 基于AHP的智慧城市建设水平评价模型及实证［J］. 统计与决策, 2019,35(19):64-67.
［13］	吴维香. 基于因子分析法的绿色智慧城市建设水平评价研究［J］. 广西质量监督导报, 2019(6):133.
［14］	孙优宁. 公众视角下智慧城市建设水平评价研究［D］. 北京:北京建筑大学, 2019.
［15］	岳斯玮. 主成分分析在生态城市建设能力评价中的应用研究［D］. 成都:成都理工大学, 2011.
［16］	杨佳欣. 城市设施建设的影响因素及对策研究［D］. 天津:天津大学, 2008.
［17］	ZHANG Y M. An accurate and stable RBF method for solving partial differential equations［J］. Applied Mathematics Letters, 2019,97:93-98.
［18］	牛志娟. 基于人工神经网络预测与分类的应用研究［D］. 太原:中北大学, 2016.
［19］	马云龙. 基于主成分分析的RBF神经网络预测算法及其应用［D］. 长春:吉林大学, 2015.
［20］	李建刚. 玉门市新型城镇化发展问题研究［D］. 秦皇岛:燕山大学, 2018.
［21］	COLDING J, BARTHEL S. An urban ecology critique on the “Smart City” model［J］. Journal of Cleaner Production, 2017,164:95-101.
［22］	BEHAN K, MAOH H F, KANAROGLOU P. Smart growth strategies, transportation and urban sprawl: Simulated futures for Hamilton, Ontario［J］. The Canadian Geographer/Le Geographe Canadien, 2008,52(3):291-308.
［23］	施荣,牛桐. 资源枯竭型城市发展路径研究——以甘肃玉门市为例［J］. 企业改革与管理, 2016(3):52-53.

[1]	宋涛涛, 李艳萍, 李洪港, 韩春雪. 基于改进变结构趋近律的机械臂滑模控制系统[J]. 计算机与现代化, 2023, 0(12): 14-18.
[2]	曹莹，刘惠义，钱苏斌. 基于BSSRDF模型回归人脸皮肤实时渲染[J]. 计算机与现代化, 2019, 0(09): 96-.
[3]	余丽玲，金浩宇 . 基于K-均值聚类的RBF神经网络血糖浓度预测[J]. 计算机与现代化, 2019, 0(03): 9-.
[4]	张延年. 基于RBF神经网络的无线信道退避算法优化设计[J]. 计算机与现代化, 2016, 0(12): 16-21.
[5]	胡帅,顾艳,姜华. 基于PCA-RBF网络的学生写作成绩预测模型[J]. 计算机与现代化, 2016, 0(1): 69-72,126.
[6]	韩朝;徐廷学;杨继坤;孟蕾;郑重. RBF神经网络在导弹武器系统的可用度预测中的研究[J]. 计算机与现代化, 2012, 1(10): 27-29.
[7]	龙华. 基于免疫遗传算法和梯度下降的RBF网组合训练方法[J]. 计算机与现代化, 2011, 1(3): 28-32.

基于PCR和RBF神经网络的城市智能增长水平评价模型

A Novel Evaluation Model for Urban Smart Growth Based on Principal #br# Component Regression and Radial Basis Function Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献［23］

相关文章 7

编辑推荐

Metrics

本文评价

基于PCR和RBF神经网络的城市智能增长水平评价模型

A Novel Evaluation Model for Urban Smart Growth Based on Principal #br# Component Regression and Radial Basis Function Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［23］

相关文章 7

编辑推荐

Metrics

本文评价

参考文献［23］