[发明专利]基于机器学习的城市绿地情绪影响因子甄别与调控方法

说明书

本发明公开了基于机器学习的城市绿地情绪影响因子甄别与调控方法，属于城乡规划、风景园林、环境心理学及环境行为学技术领域，以在线评论数据为样本，样本量大、覆盖面广、具有精准的时空属性，采集方法更为快捷、经济、高效；运用机器学习方法分析在线评论数据，避免由于人工判别所带来的“感性误差”，减少主观、人为因素；运用LDA模型文本挖掘技术提取潜在城市绿地情绪影响因子，便于突破了传统理论框架约束，避免遗漏未知情绪影响因子；能够结合不同地域的时空环境特点，针对性探索和提取城市绿地情绪影响因子，制定调控策略。

技术领域

本发明属于城乡规划、风景园林、环境心理学及环境行为学技术领域，具体涉及基于机器学习的城市绿地情绪影响因子甄别与调控方法。

背景技术

传统研究城市绿地各要素对公众情绪的影响通常采用观察法和实验法，观察法主要通过可达性、生态敏感性和空间计量模型来衡量城市绿地的临近程度、绿地质量、绿地数量等整体属性对公众产生的影响；实验法通过使用问卷调查、访谈、图像及视频等手段，探索指定活动、场景、元素对公众情绪的影响；近年来，随着大数据技术应用范围拓展，由社交媒体用户自发生成的评论文档数据，也逐渐运用到城市规划领域，分析不同绿地特征下公众情绪的变化；包括运用语义网络分析技术生成绿地特征词条，情绪分析技术对评论情绪进行评价。

传统的观察类方法关注城市绿地整体属性对公众影响，难以揭示使用者情绪的复杂过程和影响机制；而传统的实验类方法则需要耗费大量的时间、精力以及资金，并且受制于数据的空间和时间范围；而现有运用大数据研究城市绿地要素对公众情绪影响的方案通常只将机器学习技术运用到绿地特征分析或情绪评价等部分研究阶段，未能充分发挥大数据优势；如在分析特征要素时，仅依托评论文档数据的时空分布特征，未涉及评论文本内容，或仅考虑评论文本词汇出现频率，未考虑词汇之间的深度联系；在情绪评价中仅能区别积极和消极两极评价指标，有较强的极性，但无法精确辨识情绪程度差异；为此，现在提出基于机器学习的城市绿地情绪影响因子甄别与调控方法。

发明内容

针对现有技术的不足，本发明的目的在于提供基于机器学习的城市绿地情绪影响因子甄别与调控方法，解决了现有技术中对于情绪差异程度的判断不够精确的技术问题。

本发明的目的可以通过以下技术方案实现：基于机器学习的城市绿地情绪影响因子甄别与调控方法，方法包括以下步骤：

对城市绿地空间在线评论文档数据进行预处理，并建立在线评论文档语料库；

使用LDA(Latent Dirichlet Allocation)潜在狄利克雷分布模型，对在线评论文档语料库进行分析以获得情绪影响因子；

通过构建情绪评分模型对预处理后的评论数据进行情绪分级；

根据情绪影响因子权重和构建情绪极性的二元逻辑回归模型，计算情绪影响因子效力，根据情绪影响因子在相应语料库的出现频率计算情绪影响因子影响广度；

依据得到的情绪影响因子作用方式及效力将情绪影响因子分为多个级别，依据得到的情绪影响因子影响广度将情绪影响因子分为多个级别，并根据每类因子影响效力和影响广度的程度制订区域内城市绿地的总体设计调控策略和具体单个城市绿地的优化改造策略。

进一步地，所述建立在线评论文档语料库的过程包括对城市绿地空间用户在线评论数据进行抓取采集，并对数据进行清洗，数据清洗后完成在线评论文档语料库建立。

进一步地，所述对在线评论文档语料库进行分析的过程包括：

LDA模型通过超参数集K，α，β进行构建，其中K代表LDA模型预选主题数量，α代表LDA模型中多项式文档-主题分布的先验参数，β代表LDA模型中多项式主题-词汇分布的先验参数，且K∈(1，Kmax),Kmax代表可数无穷个正整数主题数；参数α的取值范围∈(0，1]；参数β范围∈(0，1]。