[发明专利]一种城市公园使用活跃度预测方法、存储介质和终端

权利要求书

1.一种城市公园使用活跃度预测方法，其特征在于，包括：

以待测公园的环境因子数据和使用活跃度时空特征数据为样本数据；将样本数据按比例划分为第一训练集和第一测试集；将第一测试集通过Bootstrap方法重采样生成第二训练集；

基于第二训练集生成对应的决策树，其中决策树在对每个非叶节点上选择属性前，从全部属性中随机抽取m个作为当前节点的分裂属性集，并从中选择出一个分割属性作为节点进行分裂；

选取样本公园并计算样本公园相对于待测公园的空间权重，基于空间权重和目标损失函数训练决策树；

通过训练后的决策树对测试集进行训练，训练结果的平均值为待测公园的使用活跃度预测值。

2.根据权利要求1所述的城市公园使用活跃度预测方法，其特征在于，所述分割属性基于随机噪声进行选择，具体步骤如下：

其中，表示属性i的重要性；表示袋外数据误差，表示随机对袋外数据所有样本的属性i加入噪声干扰。

3.根据权利要求1所述的城市公园使用活跃度预测方法，其特征在于，所述选取样本公园并计算样本公园相对于待测公园的空间权重，基于空间权重和目标损失函数训练决策树包括以下步骤：

计算待测公园与样本公园之间的欧式距离h_p，j，其中p代表待测公园，j代表各样本公园；

将欧式距离h_p，j代入建立基于k值近邻权重的邻接矩阵，对于k值最邻近空间矩阵，W_pj为待测公园p和样本公园j之间的交互权重，计算公式为：

采用加权的均方根误差函数作为目标损失函数，训练决策树：

λ代表构建决策树的切分属性或因子，v代表构建决策树相应属性的切分点，ρ_left和ρ_right分别代表左子节点和右子节点所包含的样本公园取值集合，ρ_a和ρ_b分别代表左右子节点集合中的样本值，N_left和N_right分别代表左子节点和右子节点中样本公园的数目。

4.根据权利要求1所述的城市公园使用活跃度预测方法，其特征在于，基于最小方差原则计算训练结果的平均值，具体包括以下步骤：

对任意划分特征F，对应的任意划分点S两边划分成的数据集D₁，D₂，求出使D₁，D₂各自集合均方差之和最小，同时D₁，D₂的均方差之和最小所对应的特征和特征值划分点，表达式为：

其中，C₁为D₁数据集的样本输出均值，C₂为D₂数据集的样本输出均值。

5.根据权利要求1所述的城市公园使用活跃度预测方法，其特征在于，选择决定系数R²和均方误差MSE为模型评价的指标，具体包括：

其中，y_i为实际值，为模型预估值，为样本平均数，n为样本数。

6.根据权利要求1所述的城市公园使用活跃度预测方法，其特征在于，环境因子数据包括公园基本信息数据、公园可达性数据与公园设施数据。

7.根据权利要求5所述的城市公园使用活跃度预测方法，其特征在于，公园基本信息数据包括公园面积、公园与市中心距离；

公园可达性数据包括公园入口到最近地铁站的距离、15min步行可达面积、30min步行可达面积、30min驾车可达面积；

公园设施数据包括公园内餐饮设施数量、公园内商业设施数量和公园内运动休闲设施数量。