1.本发明涉及计算机导航技术领域，特别涉及基于人工智能的需求差异性街道步行路径推荐方法。
背景技术：2.随着智能手机、物联网、云计算以及全球定位系统(global positioning system,简称gps)等定位技术的迅速发展和广泛普及，基于位置的信息技术服务得到了迅猛发展。
3.道路的路径导航作为gps技术领域中的一种典型应用，目前已经被广泛应用，且涌现了一批优秀的导航软件，如高德地图、百度地图等。这些导航软件通过精准的定位可以为人们提供点对点的详实导航信息，包括驾车、公交、步行、骑行等多种交通方式的路径导航，极大地方便了人们的出行。然而随着科学技术的不断发展，人们生活水平的不断提高，“千篇一律”的导航服务已经不能满足人们个性化的出行服务，而更希望能够获得个性化的量身定制路径导航服务。
4.特别地，街道步行使用者多依赖于体力支撑，出行速度不高，且都直接暴露在外部环境中，易受街道使用者的自身体力、外界气候条件、自身倾向性喜好等诸多因素影响，总体上呈现脆弱、对环境品质敏感的特征，所以街道步行者的路径导航与机动车路径导航考虑的要素或属性不尽相同。
5.以往的常规地图公司仅仅提供从a地到b地的步行交通方式的最短路径的查询功能。但是需要注意到不同类型的街道有着差异化的功能侧重，街道步行者对于不同类型的街道亦具有不同的品质诉求点。
6.比如，一个街道步行者计划去某地的时候，根据自己的需求，可能需要思考一些问题：如果一个步行者以通勤交通为目的，他可能更关注时间，他可能会想了解“哪条从a地去b地的路线时间最少？”；
7.如果一个人以领略风景为目的，他可能更关注步行通过路径的景观性，那么他可能想了解“哪条从a地去b地的路线步行的景观环境最优？”；
8.如果一个步行者以沿途解决生活服务需求为目的，他可能更想了解“哪条从a地去b地的路线沿途生活服务类的店铺或服务点？
9.因此，如何根据街道街景图片属性数据以及步行差异化需求进行个性化的街道步行路线推荐，提升用户的定制化出行导航体验成为本领域技术人员需要解决的技术问题。
技术实现要素：10.有鉴于现有技术的上述缺陷，本发明提供基于人工智能的需求差异性街道步行路径推荐方法，实现的目的是能够根据街道街景图片属性数据以及步行差异化需求进行个性化的街道步行路线推荐，提升用户的定制化出行导航体验。
11.为实现上述目的，本发明公开了基于人工智能的需求差异性街道步行路径推荐方法；包括如下步骤:
12.步骤1、构建基于面向用户感知体验的城市街道设计品质评价方法；
13.步骤2、运用基于面向用户感知体验的城市街道设计品质评价方法，基于百度地图web服务api开放系统，运用visual studio2019编写程序代码，基于面向dotnet环境的对象的nhibernate数据库映射工具，构建街道漫游者路径导航软件；
14.所述街道漫游者路径导航软件包括表现层、应用逻辑层和数据持久层；
15.步骤3、基于街道漫游者路径导航软件，展示导入模块、路径查询模块和路径输出模块。
16.优选的，步骤1包括如下步骤：
17.步骤1.1、确定并量化影响城市街道空间品质的关键影响要素，具体如下：
18.对影响城市街道空间品质的关键影响要素的量化，即确定各所述关键影响要素的数值，包括城市街道“点”要素的数值、城市街道“线”要素的数值和城市街道“面”要素的数值；
19.其中，所述城市街道“点”要素包括绿化率、高层建筑值、行人数量和车辆数量；
20.所述城市街道“线”要素包括步行空间、车行空间、街道面宽和界面贴线；
21.所述城市街道“面”要素包括用地性质、用地面积、建筑面积、道路红；
22.步骤1.2、基于街道空间形态数据和街道街景图片数据，建立街道设计品质数据库；
23.步骤1.3、建立街道设计空间品质评价指标与影响要素之间的定量模型；
24.步骤1.4、通过智能识别选定区域内的所有街道街景图片，代入上述城市街道设计品质评价模型中，获得所有街道的品质得分、绘制散点图；
25.然后，通过数值变化趋势分类法，即找寻关键斜率变化拐点和数值自然间断分类法，即找寻数据值的差异较大点位这两类方法，获得城市街道设计品质评价的分档标准。
26.更优选的，步骤1.2包括如下步骤：
27.步骤1.2.1、获取街道空间形态数据，具体为通过云台相机拍摄城市街道的图片，并通过实地踏勘对城市街道的图片进行校正，构建街道空间形态数据库；
28.所述街道空间形态数据库的数据库要素包括用地性质、用地边界和用地面积；
29.步骤1.2.2、获取街道街景图片数据，具体为采用已有的全景地图作为街道街景图片的基本数据源，获取所需区域的全景地图及相对应携带的信息数据形成所述街道街景图片数据；
30.然后，基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对已经获取的所述街道街景图片数据中的车行道要素、人行道要素、机动车要素进行计算机智能识别，并对所述城市街道“点”要素、所述城市街道“线”要素和苏搜狐城市街道“面”要素所占的像素数据进行统计分析，得到每类要素的像素数量和占比；
31.步骤1.2.3、将所述街道街景图片数据与已经构建的所述街道空间形态数据库进行匹配，根据所述街道街景图片数据所携带的地理坐标信息，将每一所述街道街景图片映射到相对应的所述街道空间形态数据库中；
32.将所述街道街景图片数据与所述街道空间形态数据库关联后，建立所需区域的街道设计品质数据库。
33.更优选的，步骤1.3包括如下步骤：
34.步骤1.3.1、确定街道设计空间品质评价指标，从客观评价维度、主观评价维度分别进行筛选；
35.其中，所述客观评价维度包括行可行性、路网通达性和设施便利性；
36.所述行可行性通过步行通行指数sfi进行评价，即所有所述街道街景图片中步行道与车行道的所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：
[0037][0038]
其中，wn为编号n的街景图片中总步行空间所占像素量；rn为街景图片中总车行空间所占像素量；
[0039]
所述路网通达性通过路网密度指数rdi进行评价，即所有所述街道街景图片中车行道与整张图片所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：
[0040][0041]
其中，rn为街景图片中总车行空间所占像素量,an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0042]
所述设施便利性通过服务设施满足指数psi进行评价，即所有所述街道街景图片中服务设施与整张图片所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：
[0043][0044]
其中，pn为编号n的街景图片中服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0045]
所述主观评价维度包括步行安全性、空间舒适性和空间友好性；
[0046]
所述步行安全性通过机动车干扰指数vii和交通标识指数iti进行评价，均与所述街道设计空间品质评价指标为负相关；
[0047]
所述机动车干扰指数vii为所有所述街道街景图片中机动车斑块的像素与整张图片中机动车道的像素总量，具体公式如下：
[0048][0049]
其中，cn表示街景图片中识别出的机动车斑块的像素，rn为整张图片中机动车道的像素总量；车辆干扰指数越高，表示街道空间中机动车占比越大，给人的安全感越低；
[0050]
所述交通标识指数iti为所有所述街道街景图片中交通信号灯和指示牌面域和整张图片所占像素量占比，具体公式如下：
[0051][0052]
其中，tn为编号n的街景图片中交通信号灯及交通指示牌的像素面域量，即该张图片中i个门和窗面域像素之和；rn为图片中街道空间的像素总量，即该张图片中i个车行和步行道面域像素之和；iti值越大，表示交通设施越多，该区域交通状况越复杂，步行安全性越低；反之，iti值越小，步行安全性越高；
[0053]
所述空间舒适性通过平面视觉指数pvi和纵向视觉指数dvi进行评价，均与所述街道设计空间品质评价指标为正相关；
[0054]
所述平面视觉指数pvi为所有所述街道街景图片中树木植被所占像素量与整张图片的面域像素占比，具体公式如下：
[0055][0056]
其中，pn为编号n的街景图片中的树木植被所占像素量，即该张图片中i个植被面域的像素之和；an为街景图片中所有的面域像素之和；平面视觉指数与舒适感呈正相关，即平面视觉指数越高，舒适感越高；
[0057]
所述纵向视觉指数dvi为所有所述街道街景图片中人眼视觉范围内天空可视的面域像素和整张图片的面域像素占比，具体公式如下：
[0058][0059]
其中，dvi为每一街景图片的纵向天空视觉程度，vi为该张图片中第i个天空面域的像素量；ai为街景图片中第i个的面域像素之和；
[0060]
所述空间友好性通过通过人群吸引指数cci和商业设施满足指数csi进行评价，均与所述街道设计空间品质评价指标为正相关；
[0061]
所述人群吸引指数cci为所有所述街道街景图片中人群斑块的像素之和和整张图片中所有要素的像素之和占比，具体公式如下：
[0062][0063]
其中，pn为图片中n中所有人群板块的像素之和，rn为图片n中所有要素的像素总和；
[0064]
所述商业设施满足指数csi为所有所述街道街景图片中商业服务设施像素之和与整张图片所占像素量占比，具体公式如下：
[0065][0066]
其中，cn为编号n的街景图片中商业服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0067]
步骤1.3.2、采用如下步骤建模街道设计空间品质评价；
[0068]
采用现有全景地图作为街道设计品质评价的基本数据源，基于现有api端口的python爬虫脚本，获取选定区域的全景地图及相对应携带的信息数据；
[0069]
基于全卷积复杂神经网络和深度学习方法，对街道街景图片中的车行道要素、人行道要素和机动车要素进行计算机智能识别，并对各所述要素所占像素数据进行统计分析，得到每一所述要素的像素数量和占比数据；
[0070]
使用机器学习算法segnet对所有所述街道街景图片中的所述步行通行指数sfi、所述路网密度指数rdi、所述服务设施满足指数psi、所述机动车干扰指数vii、所述交通标识指数iti、所述平面视觉指数pvi、所述纵向视觉指数dvi、所述人群吸引指数cci和所述商业设施满足指数csi进行提取，获得街道街景图片中各个空间要素的量化测度；
[0071]
根据已有的邀请专家及学生对于样本进行5000次/人*10人次以上两两比较，表达“好于”、“近似”或者“差于”三种满意度感受的历史结果资料，获得符合要求的街道街景图片；
[0072]
将所有街道街景图片导入jav编写的评价程序，得到所有的街道设计品质评价得分；
[0073]
基于街道设计品质评价的确定得分和街道街景图片的空间要素数据，通过统计回归方法，构建城市街道设计品质评价模型，具体如下：
[0074]
sls＝0.2852*sfi+0.1967*rdi+0.0924*psi+0.196*vii+0.0653*iti+0.0214*pvi+0.0643*dvi+0.0196*cci+0.0589*csi；
[0075]
其中，sls为街道品质。
[0076]
优选的，所述表现层包括漫游路径查询主界面以及输出方式两个功能菜单，通过winform组件和dotnet编程环境实现；
[0077]
使用者首先输入路段起点和终点，再根据出行需求选择对应的空间品质等级；
[0078]
所述表现层为使用者提供可视化的路径输出结果，包括“地图”和“路径”两种显示方式。
[0079]
优选的，所述应用逻辑层算法的输入是一个路网有向图g＝[n,a]；
[0080]
其中，n表示城市路网中站点集，记作n＝{1、2
…
n}，i为站点编号，n表示站点总数量；
[0081]
a表示城市路网中路段集，记作a＝{(i，j)i∈n，j∈n}；
[0082]
其中i是a中路段的起点；j是a中路段的终点，对于每一个路段(i，j)∈a，都有一个路段长度l
ij
与之对应；
[0083]
b为道路空间品质级别，其中m＝1表示级别为“优秀”；m＝2表示级别为“良好”；m＝3表示级别为“及格”；m＝4表示级别为“差”；
[0084]
当起始站点和目的站点的编号分别为s和d，集合r用来存放已经找到漫游路径的站点，集合v用来存放还未找到漫游路径的站点，站点集q用于存放漫游路径的候选站点，pi表示编号为i站点漫游路径前一个站点的编号，采用最短路径算法，查找体现需求差异性的街道漫游者路径，从起始点为中心向外层扩展，同时考虑漫游出行者的需求差异性约束条件，直至找到从起始站点s到目的站点d的最短路径为止。
[0085]
优选的，所述数据持久层是所述街道漫游者导航软件数据库选用nhibernate数据
库映射工具，对数据库的创建、设置、导入、编辑、查询等操作进行可视化管理；
[0086]
其中，nhibernate是一个面向dotnet环境的对象数据库映射工具；
[0087]
对象数据库映射，即object/relational mapping，缩写为orm为一种用来把对象模型表示的对象映射到关系模型数据结构中去的技术。
[0088]
优选的，所述参数导入模块用来导入路网站点上的路段数据；
[0089]
所述路段数据包括道路名称、道路等级、区属、段起止点、道路长度和街道空间品质级别。
[0090]
优选的，所述路径查询模块用于输入路段起点和终点，以及根据使用者自身的出行需求选择对应的空间品质等级，具体包括“优秀、“良好”、“中等”和“差”四个等级；
[0091]
所述路径查询模块的操作界面包括路段起止点、空间品质和搜索路径按钮。
[0092]
优选的，当在路径查询模块内，输入路段起点和终点，选择对应的空间品质等级并点击“搜索路径”按钮后，即转为路径输出模块；
[0093]
所述路径输出模块提供可视化的路径输出结果，具体包括“地图”和“路径”两种显示方式。
[0094]
本发明的有益效果：
[0095]
本发明能够根据街道街景图片属性数据以及步行差异化需求进行个性化的街道步行路线推荐，提升用户的定制化出行导航体验。
[0096]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0097]
图1示出本发明一实施例的执行流程图。
[0098]
图2示出本发明一实施例中表现层包括漫游路径查询主界面示意图。
[0099]
图3示出本发明一实施例中参数导入模块截面示意图。
[0100]
图4示出本发明一实施例中路径查询模块用于输入界面示意图。
[0101]
图5示出本发明一实施例中路径查询模块另一个用于输入界面示意图。
[0102]
图6示出本发明一实施例中路径输出模块以地图方式输出的示意图。
[0103]
图7示出本发明一实施例中路径输出模块以路径方式输出的示意图。
具体实施方式
[0104]
实施例
[0105]
如图1所示，基于人工智能的需求差异性街道步行路径推荐方法，包括如下步骤:
[0106]
步骤1、构建基于面向用户感知体验的城市街道设计品质评价方法；
[0107]
步骤2、运用基于面向用户感知体验的城市街道设计品质评价方法，基于百度地图web服务api开放系统，运用visual studio2019编写程序代码，基于面向dotnet环境的对象的nhibernate数据库映射工具，构建街道漫游者路径导航软件；
[0108]
街道漫游者路径导航软件包括表现层、应用逻辑层和数据持久层；
[0109]
步骤3、基于街道漫游者路径导航软件，展示导入模块、路径查询模块和路径输出模块。
[0110]
在实际应用中，使用者可以根据街道漫游者路径导航软件上给予的多条不同等级的备选路径中，选择符合自身交通需求的漫游路径。
[0111]
本发明可为街道漫游者提供多条不同等级的备选路径，显示了从起点至终点间的街道漫游者的路径查询结果，提供了不同等级和距离的四条备选路径。街道漫游者可根据自身需求选择适合的漫游路径。
[0112]
本发明还可根据搜索范围更换路网数据，将该程序应用于其他城市路网中，具有较强的兼容性和应用性。
[0113]
在某些实施例中，步骤1包括如下步骤：
[0114]
步骤1.1、确定并量化影响城市街道空间品质的关键影响要素，具体如下：
[0115]
对影响城市街道空间品质的关键影响要素的量化，即确定各关键影响要素的数值，包括城市街道“点”要素的数值、城市街道“线”要素的数值和城市街道“面”要素的数值；
[0116]
其中，城市街道“点”要素包括绿化率、高层建筑值、行人数量和车辆数量；
[0117]
城市街道“线”要素包括步行空间、车行空间、街道面宽和界面贴线；
[0118]
城市街道“面”要素包括用地性质、用地面积、建筑面积、道路红；
[0119]
步骤1.2、基于街道空间形态数据和街道街景图片数据，建立街道设计品质数据库；
[0120]
步骤1.3、建立街道设计空间品质评价指标与影响要素之间的定量模型；
[0121]
步骤1.4、通过智能识别选定区域内的所有街道街景图片，代入上述城市街道设计品质评价模型中，获得所有街道的品质得分、绘制散点图；
[0122]
然后，通过数值变化趋势分类法，即找寻关键斜率变化拐点和数值自然间断分类法，即找寻数据值的差异较大点位这两类方法，获得城市街道设计品质评价的分档标准。
[0123]
在某些实施例中，步骤1.2包括如下步骤：
[0124]
步骤1.2.1、获取街道空间形态数据，具体为通过云台相机拍摄城市街道的图片，并通过实地踏勘对城市街道的图片进行校正，构建街道空间形态数据库；
[0125]
街道空间形态数据库的数据库要素包括用地性质、用地边界和用地面积；
[0126]
步骤1.2.2、获取街道街景图片数据，具体为采用已有的全景地图作为街道街景图片的基本数据源，获取所需区域的全景地图及相对应携带的信息数据形成街道街景图片数据；
[0127]
然后，基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对已经获取的街道街景图片数据中的车行道要素、人行道要素、机动车要素进行计算机智能识别，并对城市街道“点”要素、城市街道“线”要素和苏搜狐城市街道“面”要素所占的像素数据进行统计分析，得到每类要素的像素数量和占比；
[0128]
步骤1.2.3、将街道街景图片数据与已经构建的街道空间形态数据库进行匹配，根据街道街景图片数据所携带的地理坐标信息，将每一街道街景图片映射到相对应的街道空间形态数据库中；
[0129]
将街道街景图片数据与街道空间形态数据库关联后，建立所需区域的街道设计品质数据库。
[0130]
在某些实施例中，步骤1.3包括如下步骤：
[0131]
步骤1.3.1、确定街道设计空间品质评价指标，从客观评价维度、主观评价维度分
别进行筛选；
[0132]
其中，客观评价维度包括行可行性、路网通达性和设施便利性；
[0133]
行可行性通过步行通行指数sfi进行评价，即所有街道街景图片中步行道与车行道的所占像素量占比，与街道设计空间品质评价指标为正相关，具体公式如下：
[0134][0135]
其中，wn为编号n的街景图片中总步行空间所占像素量；rn为街景图片中总车行空间所占像素量；
[0136]
路网通达性通过路网密度指数rdi进行评价，即所有街道街景图片中车行道与整张图片所占像素量占比，与街道设计空间品质评价指标为正相关，具体公式如下：
[0137][0138]
其中，rn为街景图片中总车行空间所占像素量,an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0139]
设施便利性通过服务设施满足指数psi进行评价，即所有街道街景图片中服务设施与整张图片所占像素量占比，与街道设计空间品质评价指标为正相关，具体公式如下：
[0140][0141]
其中，pn为编号n的街景图片中服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0142]
主观评价维度包括步行安全性、空间舒适性和空间友好性；
[0143]
步行安全性通过机动车干扰指数vii和交通标识指数iti进行评价，均与街道设计空间品质评价指标为负相关；
[0144]
机动车干扰指数vii为所有街道街景图片中机动车斑块的像素与整张图片中机动车道的像素总量，具体公式如下：
[0145][0146]
其中，cn表示街景图片中识别出的机动车斑块的像素，rn为整张图片中机动车道的像素总量；车辆干扰指数越高，表示街道空间中机动车占比越大，给人的安全感越低；
[0147]
交通标识指数iti为所有街道街景图片中交通信号灯和指示牌面域和整张图片所占像素量占比，具体公式如下：
[0148][0149]
其中，tn为编号n的街景图片中交通信号灯及交通指示牌的像素面域量，即该张图片中i个门和窗面域像素之和；rn为图片中街道空间的像素总量，即该张图片中i个车行和步行道面域像素之和；iti值越大，表示交通设施越多，该区域交通状况越复杂，步行安全性
越低；反之，iti值越小，步行安全性越高；
[0150]
空间舒适性通过平面视觉指数pvi和纵向视觉指数dvi进行评价，均与街道设计空间品质评价指标为正相关；
[0151]
平面视觉指数pvi为所有街道街景图片中树木植被所占像素量与整张图片的面域像素占比，具体公式如下：
[0152][0153]
其中，pn为编号n的街景图片中的树木植被所占像素量，即该张图片中i个植被面域的像素之和；an为街景图片中所有的面域像素之和；平面视觉指数与舒适感呈正相关，即平面视觉指数越高，舒适感越高；
[0154]
纵向视觉指数dvi为所有街道街景图片中人眼视觉范围内天空可视的面域像素和整张图片的面域像素占比，具体公式如下：
[0155][0156]
其中，dvi为每一街景图片的纵向天空视觉程度，vi为该张图片中第i个天空面域的像素量；ai为街景图片中第i个的面域像素之和；
[0157]
空间友好性通过通过人群吸引指数cci和商业设施满足指数csi进行评价，均与街道设计空间品质评价指标为正相关；
[0158]
人群吸引指数cci为所有街道街景图片中人群斑块的像素之和和整张图片中所有要素的像素之和占比，具体公式如下：
[0159][0160]
其中，pn为图片中n中所有人群板块的像素之和，rn为图片n中所有要素的像素总和；
[0161]
商业设施满足指数csi为所有街道街景图片中商业服务设施像素之和与整张图片所占像素量占比，具体公式如下：
[0162][0163]
其中，cn为编号n的街景图片中商业服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和；
[0164]
步骤1.3.2、采用如下步骤建模街道设计空间品质评价；
[0165]
采用现有全景地图作为街道设计品质评价的基本数据源，基于现有api端口的python爬虫脚本，获取选定区域的全景地图及相对应携带的信息数据；
[0166]
基于全卷积复杂神经网络和深度学习方法，对街道街景图片中的车行道要素、人行道要素和机动车要素进行计算机智能识别，并对各要素所占像素数据进行统计分析，得到每一要素的像素数量和占比数据；
[0167]
使用机器学习算法segnet对所有街道街景图片中的步行通行指数sfi、路网密度指数rdi、服务设施满足指数psi、机动车干扰指数vii、交通标识指数iti、平面视觉指数pvi、纵向视觉指数dvi、人群吸引指数cci和商业设施满足指数csi进行提取，获得街道街景图片中各个空间要素的量化测度；
[0168]
根据已有的邀请专家及学生对于样本进行5000次/人*10人次以上两两比较，表达“好于”、“近似”或者“差于”三种满意度感受的历史结果资料，获得符合要求的街道街景图片；
[0169]
将所有街道街景图片导入jav编写的评价程序，得到所有的街道设计品质评价得分；
[0170]
基于街道设计品质评价的确定得分和街道街景图片的空间要素数据，通过统计回归方法，构建城市街道设计品质评价模型，具体如下：
[0171]
sls＝0.2852*sfi+0.1967*rdi+0.0924*psi+0.196*vii+0.0653*iti+0.0214*pvi+0.0643*dvi+0.0196*cci+0.0589*csi；
[0172]
其中，sls为街道品质。
[0173]
在实际应用中，客观物质空间维度的评价指标量化具体如下：
[0174]
街道空间的物质构成和环境特性是人及其活动的载体。街道客观物质空间包括步行可行性、路网通达性和设施便利性三方面的维度刻画，评价指标量化为步行通行指数、路网密度和服务设施满足指数。
[0175]
(1)步行可行性
[0176]
步行通行指数sfi(spatial feasibility index)
[0177]
在现代城市道路网络建设过程中，街道步行空间往往是作为机动车行车空间的附属之一，占据较小的比例。过于狭窄的人行道成为影响街道空间品质的影响因素之一，是横亘在规划设计人员面前的难题。因此，本文选取街景图片中步行道与车行道的面域比值作为街道路面空间的步行通行指数(sfi,spatial feasibility index)，体现街道面域空间的步行可达性，可行性指数越高代表能够容纳更多的人及其活动。
[0178][0179]
wn为编号n的街景图片中总步行空间所占像素量；rn为街景图片中总车行空间所占像素量。sfi值越大，代表可步行的面积越大；反之，sfi值越小，可步行面积越小。
[0180]
(2)路网通达性
[0181]
路网密度rdi(road-network density)
[0182]
街道的本质功能之一是使得通行者借助街道可以从一个地点到达另一个地点，这不仅包含街道内部的地点联通也包含能够到达本街道外的区域。街道的路网通达性，即路网密度是行人利用街道空间从出发地点到达活动地点的便利程度，街道路网密度越高，可以使得行人更加便捷地从周边区域到达本区域内进行活动和社会的交往活动。本文利用街景图片中车行道与整张图片所占像素量占比作为街道路面空间的路网密度(rdi,road-network density)。
[0183]
[0184]rn
为街景图片中总车行空间所占像素量,an为街景图片总的像素量，即该张图片中所有面域像素之和。
[0185]
(3)设施便利性
[0186]
服务设施满足指数psi(public-facility satisfied index)
[0187]
街道空间的服务设施是用着开展行为活动的基础，设施便利与否对街道空间的使用和评价具有重要影响。人们大部分的持续性和社会性活动都发生在墙边、橱窗及人行道的其他设施旁，具体包括自动售卖机、花园、长椅等，这些街道设施既发挥了自己特定的功能，方便人们使用，同时还可以增加街道空间的丰富性。通常来说，街道空间中的设施包括市政配套、道路交通配套、艺术景观及活动服务设施等。本文选取服务设施满足指数体现设施便利性，将街景图片中服务设施与整张图片所占像素量占比量化为服务设施满足指数((psi,public-facility satisfied index)。
[0188][0189]
pn为编号n的街景图片中服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和。
[0190]
3.3.2.2主观心理感受维度的评价指标量化
[0191]
(1)步行安全性
[0192]
对于街道空间而言，街道环境中的各种要素都会影响实质性安全和感知性安全，而安全感也会影响到人们对于周遭环境的使用，二者相互关联且相互影响。行人漫步于街道空间，首先需要保障其步行通过的安全性。本文步行安全性主要体现于机动车干扰指数和交通标识指数。其中机动车干扰指数是负向指标，数值越大，给人的安全感越低；交通标识指数是正向指标，数值越高，给人的安全感越高。
[0193]
①
机动车干扰指数vii(vehicle interference index)
[0194]
国内外大量的关于环境因素与安全性之间关系的研究表明，停车空间与安全感之间存在一定的相关性。各地都在打造可漫步、可阅读的街道空间，让更多的空间让位于步行使用，但是现在有些街道依然周边有很多空间被机动车占用，给行人漫步于街道造成安全隐患。大量行驶车辆及停车场地令使用者安全感降低，觉得街道空间不那么安全和可阅读。本文街景图片中机动车板斑块的像素与整张图片中机动车道的像素总量作为机动车干扰指数量化指标(vii,vehicle interference index)。该指数为负向指标，车辆干扰指数越高，表示街道空间中机动车占比越大，给人的安全感越低。
[0195][0196]cn
表示街景图片中识别出的机动车斑块的像素，rn为整张图片中机动车道的像素总量。车辆干扰指数越高，表示街道空间中机动车占比越大，给人的安全感越低。
[0197]
②
交通标识指数iti(interface transparency index)
[0198]
交通信号灯和交通引导标识是现代交通系统中的重要附属设施，其目的是为了加强城市交通管理，便利交通运输，维护交通安全。一般而言，设置较多交通信号灯和交通标识的区域，它所面临的交通状况越复杂，这也表明该区域交通干扰大，从而使人产生心理上的不安全感。因此本文选择交通标识指数(iti,interface transparency index)，即街道
空间中的信号灯及交通标识作为评价街道空间安全性的另一个指标。
[0199][0200]
tn为编号n的街景图片中交通信号灯及交通指示牌的像素面域量，即该张图片中i个门和窗面域像素之和；rn为图片中街道空间的像素总量，即该张图片中i个车行和步行道面域像素之和。iti值越大，表示交通设施越多，该区域交通状况越复杂，步行安全性越低；反之，iti值越小，步行安全性越高。
[0201]
(2)空间舒适性
[0202]
人对于自然环境在内的舒适度的基本需求优先于归属感、认知和审美等高层次需求。在影响空间舒适感的众多要素中，平面视觉所及以及空间的开阔尺度对步行体验的舒适性具有最为直接和普遍的影响。因此本文选择街道的平面视觉指数和纵向视觉指数作为舒适性的评价指标。
[0203]
①
平面视觉指数pvi(plane visual index)
[0204]
人眼平面视觉所及最多的舒适感受的光源来自大量的绿色的树木植被。树木植被能够在夏日提供阴凉场所，在雨天也能够遮风避雨，提升环境的舒适感。绿色是大自然的基本色彩，容易让人感受到平和安宁的感觉。本文参照“绿视率”的衡量方法，提取树木植被所占像素量与整张图片的面域像素占比值作为平面视觉指数(pvi,plane visual index)。
[0205][0206]
pn为编号n的街景图片中的树木植被所占像素量，即该张图片中i个植被面域的像素之和；an为街景图片中所有的面域像素之和。平面视觉指数与舒适感呈正相关，即平面视觉指数越高，舒适感越高。
[0207]
②
纵向视觉指数dvi(diagonal visibility index)
[0208]
远眺所带来的开阔的天空视觉环境可以有效缓解快节奏、高强度的现代都市生活所带来的工作与生活压力。开阔的天空视野可以充分延展人的眼部视线，而天空的色彩波长可以促使眼部调节放松，缓解眼睛的酸涩和疲惫，对眼部视力和神经系统具有良好的保护和修复作用。因此本文以人眼视觉范围(120度左右)内天空可视的面域像素和整张图片的面域像素占比值为纵向视觉指数(dvi,diagonal visibility index)。
[0209][0210]
dvi为每一街景图片的纵向天空视觉程度，vi为该张图片中第i个天空面域的像素量；ai为街景图片中第i个的面域像素之和。
[0211]
(3)设施友好性
[0212]
街道作为公共空间的重要部分，其核心用途就是社交，这种用途为街道赋予了独特的特征，在街道空间中，人们能够最大程度的融入城市环境中，与商店、住宅、自然环境亲近，并且与他人进行交流。而在街道空间中社交的主体可以分为两类，一类是街道空间中行人及设施使用者间的互动，另一类则是街道中的行人与临街建筑内部使用者之间的互动。基于此，本文从街道上的人群集聚和临街界面的互动性两个角度对街道空间的设施友好性
进行评价。
[0213]
①
人群吸引指数cci(crowd concentration index)
[0214]
一条优良的街道提供了高品质的环境，必然会需要更多的人愿意在这个环境中进行良性的社交活动，因而人群的吸引程度在一定程度上是对街道空间品质评价的重要反映。本文以街景图片中人群斑块的像素之和和整张图片所有要素的像素之和占比值作为人群吸引指数(cci,crowd concentration index)。
[0215][0216]
pn为图片中n中所有人群板块的像素之和，rn为图片n中所有要素的像素总和。
[0217]
②
商业设施满足指数csi(commercial-facility satisfied index)
[0218]
街道界面作为公共领域与私密领域的交汇处，临街建筑的功能对街道上使用者的行为具有重要影响，商业服务业能够提供多样的服务，集聚更多人流，从而激发更多的社会交往行为。街道商业服务设施能够作为目的地吸引人们前来，从而产生购物、逛街等多种类型的社交行为；商业服务业为了能够吸引更多的人，对其建筑界面及建筑前区会进行空间细节设计，例如通透的橱窗可以让行人获取更多的信息，店前的休息区为行人提供了休憩场所。因此本文选择街景图片中商业服设施像素之和与整张图片所占像素量占比作为商业设施满足指数(csi,commercial-facility satisfied index)，作为设施友好性的另一个评价维度。
[0219][0220]cn
为编号n的街景图片中商业服务设施所占像素量，即该张图片中i个设施面域像素之和；an为街景图片总的像素量，即该张图片中所有面域像素之和。
[0221]
城市街道设计品质评价指标具体如下表所示：
[0222][0223]
如图2所示，在某些实施例中，表现层包括漫游路径查询主界面以及输出方式两个功能菜单，通过winform组件和dotnet编程环境实现；
[0224]
使用者首先输入路段起点和终点，再根据出行需求选择对应的空间品质等级；
[0225]
表现层为使用者提供可视化的路径输出结果，包括“地图”和“路径”两种显示方式。
[0226]
在某些实施例中，应用逻辑层算法的输入是一个路网有向图g＝[n,a]；
[0227]
其中，n表示城市路网中站点集，记作n＝{1、2
…
n}，i为站点编号，n表示站点总数量；
[0228]
a表示城市路网中路段集，记作a＝{(i，j)i∈n，j∈n}；
[0229]
其中i是a中路段的起点；j是a中路段的终点，对于每一个路段(i，j)∈a，都有一个路段长度l
ij
与之对应；
[0230]
b为道路空间品质级别，其中m＝1表示级别为“优秀”；m＝2表示级别为“良好”；m＝
3表示级别为“及格”；m＝4表示级别为“差”；
[0231]
当起始站点和目的站点的编号分别为s和d，集合r用来存放已经找到漫游路径的站点，集合v用来存放还未找到漫游路径的站点，站点集q用于存放漫游路径的候选站点，pi表示编号为i站点漫游路径前一个站点的编号，采用最短路径算法，查找体现需求差异性的街道漫游者路径，从起始点为中心向外层扩展，同时考虑漫游出行者的需求差异性约束条件，直至找到从起始站点s到目的站点d的最短路径为止。
[0232]
在某些实施例中，数据持久层是街道漫游者导航软件数据库选用nhibernate数据库映射工具，对数据库的创建、设置、导入、编辑、查询等操作进行可视化管理；
[0233]
其中，nhibernate是一个面向dotnet环境的对象数据库映射工具；
[0234]
对象数据库映射，即object/relational mapping，缩写为orm为一种用来把对象模型表示的对象映射到关系模型数据结构中去的技术。
[0235]
如图3所示，在某些实施例中，参数导入模块用来导入路网站点上的路段数据；
[0236]
路段数据包括道路名称、道路等级、区属、段起止点、道路长度和街道空间品质级别。
[0237]
如图4和图5所示，在某些实施例中，路径查询模块用于输入路段起点和终点，以及根据使用者自身的出行需求选择对应的空间品质等级，具体包括“优秀、“良好”、“中等”和“差”四个等级；
[0238]
路径查询模块的操作界面包括路段起止点、空间品质和搜索路径按钮。
[0239]
如图6至图7所示，在某些实施例中，当在路径查询模块内，输入路段起点和终点，选择对应的空间品质等级并点击“搜索路径”按钮后，即转为路径输出模块；
[0240]
路径输出模块提供可视化的路径输出结果，具体包括“地图”和“路径”两种显示方式。
[0241]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
技术特征：1.基于人工智能的需求差异性街道步行路径推荐方法；其特征在于，包括如下步骤:步骤1、构建基于面向用户感知体验的城市街道设计品质评价方法；步骤2、运用基于面向用户感知体验的城市街道设计品质评价方法，基于百度地图web服务api开放系统，运用visual studio2019编写程序代码，基于面向dotnet环境的对象的nhibernate数据库映射工具，构建街道漫游者路径导航软件；所述街道漫游者路径导航软件包括表现层、应用逻辑层和数据持久层；步骤3、基于街道漫游者路径导航软件，展示导入模块、路径查询模块和路径输出模块。2.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，步骤1包括如下步骤：步骤1.1、确定并量化影响城市街道空间品质的关键影响要素，具体如下：对影响城市街道空间品质的关键影响要素的量化，即确定各所述关键影响要素的数值，包括城市街道“点”要素的数值、城市街道“线”要素的数值和城市街道“面”要素的数值；其中，所述城市街道“点”要素包括绿化率、高层建筑值、行人数量和车辆数量；所述城市街道“线”要素包括步行空间、车行空间、街道面宽和界面贴线；所述城市街道“面”要素包括用地性质、用地面积、建筑面积、道路红；步骤1.2、基于街道空间形态数据和街道街景图片数据，建立街道设计品质数据库；步骤1.3、建立街道设计空间品质评价指标与影响要素之间的定量模型；步骤1.4、通过智能识别选定区域内的所有街道街景图片，代入上述城市街道设计品质评价模型中，获得所有街道的品质得分、绘制散点图；然后，通过数值变化趋势分类法，即找寻关键斜率变化拐点和数值自然间断分类法，即找寻数据值的差异较大点位这两类方法，获得城市街道设计品质评价的分档标准。3.根据权利要求2所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，步骤1.2包括如下步骤：步骤1.2.1、获取街道空间形态数据，具体为通过云台相机拍摄城市街道的图片，并通过实地踏勘对城市街道的图片进行校正，构建街道空间形态数据库；所述街道空间形态数据库的数据库要素包括用地性质、用地边界和用地面积；步骤1.2.2、获取街道街景图片数据，具体为采用已有的全景地图作为街道街景图片的基本数据源，获取所需区域的全景地图及相对应携带的信息数据形成所述街道街景图片数据；然后，基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对已经获取的所述街道街景图片数据中的车行道要素、人行道要素、机动车要素进行计算机智能识别，并对所述城市街道“点”要素、所述城市街道“线”要素和苏搜狐城市街道“面”要素所占的像素数据进行统计分析，得到每类要素的像素数量和占比；步骤1.2.3、将所述街道街景图片数据与已经构建的所述街道空间形态数据库进行匹配，根据所述街道街景图片数据所携带的地理坐标信息，将每一所述街道街景图片映射到相对应的所述街道空间形态数据库中；将所述街道街景图片数据与所述街道空间形态数据库关联后，建立所需区域的街道设计品质数据库。4.根据权利要求2所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征
在于，步骤1.3包括如下步骤：步骤1.3.1、确定街道设计空间品质评价指标，从客观评价维度、主观评价维度分别进行筛选；其中，所述客观评价维度包括行可行性、路网通达性和设施便利性；所述行可行性通过步行通行指数sfi进行评价，即所有所述街道街景图片中步行道与车行道的所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：其中，w
n
为编号n的街景图片中总步行空间所占像素量；r
n
为街景图片中总车行空间所占像素量；所述路网通达性通过路网密度指数rdi进行评价，即所有所述街道街景图片中车行道与整张图片所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：其中，r
n
为街景图片中总车行空间所占像素量,a
n
为街景图片总的像素量，即该张图片中所有面域像素之和；所述设施便利性通过服务设施满足指数psi进行评价，即所有所述街道街景图片中服务设施与整张图片所占像素量占比，与所述街道设计空间品质评价指标为正相关，具体公式如下：其中，p
n
为编号n的街景图片中服务设施所占像素量，即该张图片中i个设施面域像素之和；a
n
为街景图片总的像素量，即该张图片中所有面域像素之和；所述主观评价维度包括步行安全性、空间舒适性和空间友好性；所述步行安全性通过机动车干扰指数vii和交通标识指数iti进行评价，均与所述街道设计空间品质评价指标为负相关；所述机动车干扰指数vii为所有所述街道街景图片中机动车斑块的像素与整张图片中机动车道的像素总量，具体公式如下：其中，c
n
表示街景图片中识别出的机动车斑块的像素，r
n
为整张图片中机动车道的像素总量；车辆干扰指数越高，表示街道空间中机动车占比越大，给人的安全感越低；所述交通标识指数iti为所有所述街道街景图片中交通信号灯和指示牌面域和整张图片所占像素量占比，具体公式如下：其中，t
n
为编号n的街景图片中交通信号灯及交通指示牌的像素面域量，即该张图片中i
个门和窗面域像素之和；r
n
为图片中街道空间的像素总量，即该张图片中i个车行和步行道面域像素之和；iti值越大，表示交通设施越多，该区域交通状况越复杂，步行安全性越低；反之，iti值越小，步行安全性越高；所述空间舒适性通过平面视觉指数pvi和纵向视觉指数dvi进行评价，均与所述街道设计空间品质评价指标为正相关；所述平面视觉指数pvi为所有所述街道街景图片中树木植被所占像素量与整张图片的面域像素占比，具体公式如下：其中，p
n
为编号n的街景图片中的树木植被所占像素量，即该张图片中i个植被面域的像素之和；a
n
为街景图片中所有的面域像素之和；平面视觉指数与舒适感呈正相关，即平面视觉指数越高，舒适感越高；所述纵向视觉指数dvi为所有所述街道街景图片中人眼视觉范围内天空可视的面域像素和整张图片的面域像素占比，具体公式如下：其中，dvi为每一街景图片的纵向天空视觉程度，v
i
为该张图片中第i个天空面域的像素量；a
i
为街景图片中第i个的面域像素之和；所述空间友好性通过通过人群吸引指数cci和商业设施满足指数csi进行评价，均与所述街道设计空间品质评价指标为正相关；所述人群吸引指数cci为所有所述街道街景图片中人群斑块的像素之和和整张图片中所有要素的像素之和占比，具体公式如下：其中，p
n
为图片中n中所有人群板块的像素之和，r
n
为图片n中所有要素的像素总和；所述商业设施满足指数csi为所有所述街道街景图片中商业服务设施像素之和与整张图片所占像素量占比，具体公式如下：其中，c
n
为编号n的街景图片中商业服务设施所占像素量，即该张图片中i个设施面域像素之和；a
n
为街景图片总的像素量，即该张图片中所有面域像素之和；步骤1.3.2、采用如下步骤建模街道设计空间品质评价；采用现有全景地图作为街道设计品质评价的基本数据源，基于现有api端口的python爬虫脚本，获取选定区域的全景地图及相对应携带的信息数据；基于全卷积复杂神经网络和深度学习方法，对街道街景图片中的车行道要素、人行道要素和机动车要素进行计算机智能识别，并对各所述要素所占像素数据进行统计分析，得
到每一所述要素的像素数量和占比数据；使用机器学习算法segnet对所有所述街道街景图片中的所述步行通行指数sfi、所述路网密度指数rdi、所述服务设施满足指数psi、所述机动车干扰指数vii、所述交通标识指数iti、所述平面视觉指数pvi、所述纵向视觉指数dvi、所述人群吸引指数cci和所述商业设施满足指数csi进行提取，获得街道街景图片中各个空间要素的量化测度；根据已有的邀请专家及学生对于样本进行5000次/人*10人次以上两两比较，表达“好于”、“近似”或者“差于”三种满意度感受的历史结果资料，获得符合要求的街道街景图片；将所有街道街景图片导入java编写的评价程序，得到所有的街道设计品质评价得分；基于街道设计品质评价的确定得分和街道街景图片的空间要素数据，通过统计回归方法，构建城市街道设计品质评价模型，具体如下：sls＝0.2852*sfi+0.1967*rdi+0.0924*psi+0.196*vii+0.0653*iti+0.0214*pvi+0.0643*dvi+0.0196*cci+0.0589*csi；其中，sls为街道品质。5.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，所述表现层包括漫游路径查询主界面以及输出方式两个功能菜单，通过winform组件和dotnet编程环境实现；使用者首先输入路段起点和终点，再根据出行需求选择对应的空间品质等级；所述表现层为使用者提供可视化的路径输出结果，包括“地图”和“路径”两种显示方式。6.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，所述应用逻辑层算法的输入是一个路网有向图g＝[n,a]；其中，n表示城市路网中站点集，记作n＝{1、2
…
n}，i为站点编号，n表示站点总数量；a表示城市路网中路段集，记作a＝{(i，j)i∈n，j∈n}；其中i是a中路段的起点；j是a中路段的终点，对于每一个路段(i，j)∈a，都有一个路段长度l
ij
与之对应；b为道路空间品质级别，其中m＝1表示级别为“优秀”；m＝2表示级别为“良好”；m＝3表示级别为“及格”；m＝4表示级别为“差”；当起始站点和目的站点的编号分别为s和d，集合r用来存放已经找到漫游路径的站点，集合v用来存放还未找到漫游路径的站点，站点集q用于存放漫游路径的候选站点，p
i
表示编号为i站点漫游路径前一个站点的编号，采用最短路径算法，查找体现需求差异性的街道漫游者路径，从起始点为中心向外层扩展，同时考虑漫游出行者的需求差异性约束条件，直至找到从起始站点s到目的站点d的最短路径为止。7.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，所述数据持久层是所述街道漫游者导航软件数据库选用nhibernate数据库映射工具，对数据库的创建、设置、导入、编辑、查询等操作进行可视化管理；其中，nhibernate是一个面向dotnet环境的对象数据库映射工具；对象数据库映射，即object/relational mapping，缩写为orm为一种用来把对象模型表示的对象映射到关系模型数据结构中去的技术。8.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征
在于，所述参数导入模块用来导入路网站点上的路段数据；所述路段数据包括道路名称、道路等级、区属、段起止点、道路长度和街道空间品质级别。9.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，所述路径查询模块用于输入路段起点和终点，以及根据使用者自身的出行需求选择对应的空间品质等级，具体包括“优秀、“良好”、“中等”和“差”四个等级；所述路径查询模块的操作界面包括路段起止点、空间品质和搜索路径按钮。10.根据权利要求1所述的基于人工智能的需求差异性街道步行路径推荐方法，其特征在于，当在路径查询模块内，输入路段起点和终点，选择对应的空间品质等级并点击“搜索路径”按钮后，即转为路径输出模块；所述路径输出模块提供可视化的路径输出结果，具体包括“地图”和“路径”两种显示方式。
技术总结本发明公开了基于人工智能的需求差异性街道步行路径推荐方法，包括如下步骤:1、构建基于面向用户感知体验的城市街道设计品质评价方法；2、运用基于面向用户感知体验的城市街道设计品质评价方法，基于百度地图Web服务API开放系统，运用Visual Studio2019编写程序代码，基于面向DOTNET环境的对象的NHibernate数据库映射工具，构建街道漫游者路径导航软件；所述街道漫游者路径导航软件包括表现层、应用逻辑层和数据持久层；3、展示导入模块、路径查询模块和路径输出模块。本发明根据街道街景图片属性数据以及步行差异化需求进行个性化的街道步行路线推荐，提升用户的定制化出行导航体验。体验。体验。
技术研发人员：方雪丽 关士托 赵红坡 杨帆 王庆
受保护的技术使用者：上海市城市建设设计研究总院（集团）有限公司
技术研发日：2022.07.18
技术公布日：2022/11/1
