何葉榮, 李 洋
(安徽建筑大學 經(jīng)濟與管理學院, 合肥 230041)
滿足人民日益增長的美好生活需要,是實現(xiàn)新發(fā)展理念的重要內(nèi)容,也是推動房地產(chǎn)行業(yè)轉(zhuǎn)型升級的關鍵部分。在住宅空間日益滿足的當下,人們開始進一步追求住宅品質(zhì)的提升,住宅環(huán)境性能作為住宅品質(zhì)的一個重要因素,通過設計能夠表達出居民對住宅環(huán)境的個性化需求,從而為房地產(chǎn)開發(fā)企業(yè)提供住宅品質(zhì)提升的重要參考。Hamida等[1]利用神經(jīng)網(wǎng)絡開發(fā)一種環(huán)境影響成本評估模型,通過使用機器學習方法在模型中量化住宅建筑的能源和環(huán)境成本。Hopfea等[2]認為,將所有的不確定性因素考慮在內(nèi),可以更好地保證模型質(zhì)量。Magnier等[3]將神經(jīng)網(wǎng)絡與多目標遺傳算法相結(jié)合,揭示了數(shù)十種潛在的性能設計,并在熱舒適性和能耗之間進行了廣泛的權(quán)衡。
通過上述文獻可以看出,從建筑物本身的物理性能或住宅居民的滿意度兩方面設計住宅環(huán)境是可行的,但對于環(huán)境性能指標的篩選還停留在表層,一套完善的住宅環(huán)境性能評價指標體系能夠全方位展示出住宅的環(huán)境因素,從而給住宅居民提供更加可靠的選項。其次,對住宅性能進行評價的傳統(tǒng)工具雖然具有同樣準確的結(jié)果,但消耗的時間較長,因此可以通過引入神經(jīng)網(wǎng)絡或是其他有效方法來彌補這一短板。魏思迪等[4]從室內(nèi)、建筑、小區(qū)三個范疇整理出含有26項要素的理想居住要素清單,為房地產(chǎn)企業(yè)的住宅品質(zhì)提升工作提供參考。鄧英等[5]利用灰色關聯(lián)分析法篩選出對商品住宅需求的關鍵影響因素,然后以此構(gòu)建商品住宅的需求預測評價指標體系。王洪森等[6]將人工神經(jīng)網(wǎng)絡應用于住宅性能等級的綜合評價中,提供了一條定量、客觀評價住宅性能等級的智能化新方法。高宇波等[7]從技術(shù)、經(jīng)濟、社會三個方面構(gòu)建舊住宅性能評價指標體系,通過神經(jīng)網(wǎng)絡對各指標進行打分以提供舊住宅性能的改進建議。雷陽等[8]將ANFIS引入了信息融合領域,提出一種基于自適應直覺模糊推理的目標識別方法,并通過實驗表明該模型是一種比較科學有效的研究方法。
通過對以上文獻的閱讀和梳理,發(fā)現(xiàn)大多數(shù)學者關于住宅環(huán)境性能的研究都停留在物理層面,對于設計出能夠滿足居民個性化需求的住宅環(huán)境性能相關研究并不突出,因此提出一種基于住宅居民的環(huán)境需求研究就顯得尤為重要。通過對機器學習的引入能夠在保證對性能評價的準確性基礎上縮短評價的時間。
住宅環(huán)境性能影響因素往往涉及多個方面,為了研究居民對于住宅環(huán)境性能的需求,需要利用灰色關聯(lián)分析法從眾多影響因素中篩選出關鍵指標,即對居民滿意度產(chǎn)生影響較大的因素。但這些因素往往是多而復雜的,評價起來相對比較困難,而自適應直覺模糊神經(jīng)網(wǎng)絡的引入就很好的解決了這一問題,該模型具有良好的學習能力,對于此類多屬性、多模糊劃分等問題的解決具有十分重要的意義。
灰色關聯(lián)分析法(Grey relation analysis,GRA)作為一種多元統(tǒng)計分析方法,適用于在眾多復雜的變量因素中以定量研究的視角,分析各個變量對目標屬性變量的影響程度。該算法的核心思想是計算各影響因素變量對于目標屬性變量的灰色關聯(lián)度值,不同的值對應不同的影響程度,關聯(lián)度越大,表明其對目標屬性的影響程度越大?;疑P聯(lián)分析法流程如圖1所示。
圖1 灰色關聯(lián)分析流程Fig. 1 Grey correlation analysis process
自適應直覺模糊神經(jīng)網(wǎng)絡(Adaptive Intuitionistic Neuro-Fuzzy Network,AIFNN)將傳統(tǒng)神經(jīng)網(wǎng)絡的自適應性和模糊推理的邏輯性相結(jié)合,這種結(jié)合增強了模型的自學習和自適應能力,能夠逼近任意精度的評價結(jié)果,極大的提高了該模型的應用范圍。該網(wǎng)絡融合了最小二乘法與反向傳播算法,并自動生成IF-THEN規(guī)則。AIFNN中的模糊推理系統(tǒng)采用高木-關野(TaKagi-Sugeno,T-S)推理系統(tǒng),該系統(tǒng)屬于多輸入單輸出的前饋神經(jīng)網(wǎng)絡結(jié)構(gòu),結(jié)構(gòu)簡圖如圖2所示。
首先,利用灰色關聯(lián)分析法篩選主要指標,步驟如下:
步驟1確定比較序列和目標序列。假設有m個評價對象,n個評價指標,則目標序列為x0={x0(k)|k=1,2,…,n},比較序列為xi={xi(k)|k=1,2,…,n},i=1,2,…,m。
步驟2標準化。對比較序列和目標序列所有數(shù)據(jù)進行標準化處理,以消除不同的量綱和數(shù)量級所產(chǎn)生的影響。
步驟3計算灰色關聯(lián)度系數(shù)。公式如下:
xi(k)|)],
(1)
式中:ξ——比較序列xi對目標序列x0在第k個指標上的關聯(lián)系數(shù);
ρ——分辨系數(shù),且ρ∈[0,1]。
通常情況下,ρ取0.5,當分辨系數(shù)ρ大于0.5時,分辨率較好,分辨系數(shù)ρ小于0.5時,分辨率較差。
步驟4計算灰色關聯(lián)度。計算式為
(2)
計算出灰色關聯(lián)度并進行排序,關聯(lián)度越大表明其相互關聯(lián)性更強,故可以將其作為主要影響因素指標提取出來以便后續(xù)分析。
對于AIFNN模型,假定有兩個輸入變量分別為x1和x2,一個輸出變量Z,并且該系統(tǒng)只有以下兩條模糊規(guī)則,那么該系統(tǒng)就是一階的T-S型模糊推理系統(tǒng)。
規(guī)則1:IfxisA1andyisB1thenz1=p1x1+q1x2+f1;
規(guī)則2:IfxisA2andyisB2thenz2=p2x1+q2x2+f2。
式中:Ai,Bi——輸入向量模糊集,i=1,2;
pi、qi、fi——線性參數(shù),i=1,2。
該系統(tǒng)結(jié)構(gòu)如圖3所示。
圖3 T-S型模糊推理系統(tǒng)網(wǎng)絡結(jié)構(gòu)Fig. 3 Network structure of T-S fuzzy inference system
從結(jié)構(gòu)上看,AIFNN一共分為六層,其中前四層稱為前件網(wǎng)絡,后兩層稱為后件網(wǎng)絡。各層介紹如下:
第1層:輸入層。該層輸入各環(huán)境性能指標的初始值x1,x2。
第2層:輸入語言層。利用T-S推理系統(tǒng)進行模糊推理,從而實現(xiàn)住宅環(huán)境性能指標的模糊規(guī)則生成,其原理如圖4所示。
圖4 T-S型模糊推理系統(tǒng)原理Fig. 4 Principle of T-S type fuzzy inference system
住宅環(huán)境性能中每一個指標的評價涉及三種語言,分別是“不滿意”、“滿意”和“非常滿意”,利用T-S推理系統(tǒng)中的IF-THEN語句設計模糊規(guī)則,通過IF語句設置輸入和輸出的模糊語言,經(jīng)由T-S推理可得對應的輸出語言“不滿意”、“滿意”和“非常滿意”,共生成MN組模糊規(guī)則(其中M表示模糊語言數(shù)量,N表示輸入指標的個數(shù)),如表1所示。
表1 住宅環(huán)境性能的IF-THEN規(guī)則 Table 1 IF-THEN rules for residential environmental performance
該層為輸入變量x1,x2賦予隸屬函數(shù),這里選取平滑性較好的Gauss函數(shù),高斯參數(shù)分別設置為[0.225 0]、[0.225 0.5]和[0.225 1]。對應的輸出隸屬函數(shù)如圖5所示,用μAi(x1)和μBi(x2)表示為
圖5 住宅環(huán)境性能的Gauss函數(shù)曲線Fig. 5 Gauss function curve of residential environmental performance
(3)
根據(jù)雷英杰[16]的直覺模糊集理論,若給定論域的直覺模糊子集為Ai(x),則存在
μAi(x)≤1-νAi(x),
式中:μAi(x)、νAi(x)——輸入變量對應的隸屬和非隸屬函。
由于直覺模糊集等價于區(qū)間值模糊集,則:
Ai(x)=[μAi(x),νAi(x)]Ai(x)=[μAi(x),1-
(4)
同理:
Bi(x)=[μBi(x),νBi(x)]Bi(x)=[μBi(x),
(5)
第3層:推理層。該層的輸出值是每個輸入變量的積,由于實數(shù)加乘的計算精度更高,因此該層采用實數(shù)加乘來計算各節(jié)點輸出,用Φ表示。計算公式為
(6)
第4層:輸出語言層。推理系統(tǒng)的后件輸出,每個節(jié)點輸出上層的零階或一階Sugeno函數(shù),結(jié)果由對應的隸屬與非隸屬函數(shù)合成得到:
(7)
(8)
第5層:輸出變量層。該層利用重心法去模糊化處理,用B表示為
(9)
式中,NL——規(guī)則數(shù)。
第6層:總輸出層。該層疊加所有的指標信息,計算最終的總輸出值,計算結(jié)果用Z表示為
(10)
通過上述計算,將評價結(jié)果按照數(shù)值區(qū)間進行分類評價,具體的解釋和說明如下:
(1)當0.8 (2)當0.4 (3)當0 通過對相關指標的收集整理,發(fā)現(xiàn)大部分學者對于住宅環(huán)境的研究都基于物理層面,從建筑物本身的結(jié)構(gòu)或者材料角度出發(fā),這樣能夠設計出更加安全、科學的住宅環(huán)境,但在人民日益增長美好生活需求的時代背景下,這樣的設計顯然不能夠滿足居民的個性化需求。 因此,本研究采取問卷調(diào)查的形式,搜集當下居民對目前居住的住宅小區(qū)的環(huán)境滿意度?;诖藰?gòu)建出以規(guī)劃布局、綠化景觀、物理性能、生活設施和人文環(huán)境為一級指標的評價體系,如表2所示。 表2 住宅環(huán)境性能評價指標Table 2 Residential environmental performance evaluation indicators 依據(jù)表2所示的評價指標體系,設計調(diào)查問卷,以正在住宅小區(qū)中居住或?qū)⒁胱∽≌^(qū)的居民為研究對象,目前正在居住的研究對象隨機分布于國內(nèi)各大城市,累計共發(fā)放200份調(diào)查問卷(共涵蓋200個不同的住宅小區(qū)),最終回收200份調(diào)查問卷,其中10份無效問卷,190份有效問卷。以問卷為數(shù)據(jù)基礎,按照各指標選擇人數(shù)的占比進行初步量化,處理后,依據(jù)式(1)和式(2)計算灰色關聯(lián)系數(shù)和灰色關聯(lián)度,如表3所示。 根據(jù)表3所示,當灰色關聯(lián)度大于0.64時,表明該影響因素具有相對較強的相關性,因此將其作為主要影響因素,分別是停車場地X13、物業(yè)服務X20、景觀設計X7、綠植種類X6、運動器械X14、交通道路與站點X1、采光效果X9、節(jié)能設施X18。而排名靠后的影響因素從一定意義上反映出該類因素為住宅小區(qū)居民理想中的基本環(huán)境因素,即擁有該環(huán)境因素,并不會使居民產(chǎn)生強烈的滿意感,但缺少該因素,居民則會產(chǎn)生強烈的不滿。根據(jù)這一結(jié)果,可以建立出住宅環(huán)境性能需求主要影響因素指標體系。 文中運用Matlab R2021a軟件中的ANFIS工具箱進行仿真實驗,利用工具箱中的T-S模糊推理系統(tǒng)設置模糊語言的輸入和輸出,該工具箱采用反向傳播與最小二乘法的混合算法來調(diào)整參數(shù),并能自動生成IF-THEN語言規(guī)則。工具箱中各參數(shù)的設置如表4所示。 表4 ANFIS網(wǎng)絡參數(shù)設置Table 4 ANFIS network parameter settings 初步量化后的數(shù)據(jù)導入Matlab軟件中的ANFIS工具箱,按照上述參數(shù)設置后,將住宅環(huán)境性能需求主要影響指標按照先后順序兩兩組合,共分成4組,每次對系統(tǒng)輸入1組數(shù)據(jù),對數(shù)據(jù)分別進行訓練。模型中數(shù)據(jù)變化趨勢如圖6所示。 圖6 訓練數(shù)據(jù)趨勢效果對比Fig. 6 Comparison of training data trends and effects 結(jié)果顯示,對于不同的輸入指標組合,模型的迭代次數(shù)和誤差之間存在一定的關系。當輸入指標X1和X6時,模型在第25次迭代時誤差最小,誤差為0.155 8,這表明模型對于這兩個指標的組合在較少的迭代次數(shù)下已經(jīng)取得了較好的擬合效果;當輸入指標X7和X9時,模型在第26次迭代時誤差最小,誤差為0.131 2,這意味著這兩個指標的組合需要迭代26次才能獲得更加精確的擬合結(jié)果;當輸入指標X13和X14時,迭代次數(shù)在第50次時誤差最小,誤差為0.141 7,這說明對于這兩個指標的組合,模型需要更多的迭代次數(shù)來收斂于最優(yōu)解,這種趨勢可能與指標之間的相互作用和數(shù)據(jù)的復雜性有關;當輸入指標X18和X20時,迭代次數(shù)在第49次時誤差最小,誤差為0.131 3,這表明對于這兩個指標的組合 ,模型需要接近50次的迭代才能達到較低的誤差值。通過這些結(jié)果可以發(fā)現(xiàn),不同的輸入指標組合對于模型的迭代次數(shù)和誤差有著不同的影響。對于某些組合,模型可能在較少的迭代次數(shù)下就能獲得較好的擬合效果,而對于其他組合,則需要更多的迭代次數(shù)才能達到較低的誤差。這種分析結(jié)果有助于我們理解模型的行為和優(yōu)化模型的訓練過程。各輸入、輸出值如表5所示。 表5 輸入、輸出值與評價等級Table 5 Input, output value and evaluation level 此外,在網(wǎng)絡訓練的過程中還需要對模型進行曲面檢驗,以評估模型在輸入輸出參數(shù)空間中的表現(xiàn)。其網(wǎng)絡訓練的輸入輸出參數(shù)曲面,如圖7所示。圖7中各三維曲面較光滑,沒有異常突起點,表明設定的模糊規(guī)則以及相應的輸入輸出參數(shù)較合理,同時,這些曲面的平滑性也表明網(wǎng)絡訓練取得了良好的效果。 圖7 住宅環(huán)境性能的規(guī)則檢驗曲面Fig. 7 Rule testing surfaces for residential environmental performance 相關參數(shù)設置好以后,將初步量化后的數(shù)據(jù)輸入網(wǎng)絡模型,按照輸入層、輸入語言層、推理層、輸出語言層、輸出變量層以及總輸出層等各層處理,最終可以得出各項指標的評價結(jié)果,該結(jié)果可用于判斷當下居民對各住宅環(huán)境性能的需求點所在。 通過網(wǎng)絡訓練發(fā)現(xiàn),指標交通道路與站點X1和綠植種類X6的得分分別為0.846 9和0.926 0,評價等級為A級,表明當下居民對這些住宅環(huán)境性能的需求度較高,良好的交通和綠植會對居民的滿意度產(chǎn)生深度影響,這可能與當下快節(jié)奏的時代背景息息相關,在追求方便的同時也想擁有一個舒適的居住環(huán)境。因此房地產(chǎn)開發(fā)商在進行住宅環(huán)境性能設計時,可以完善其交通,充分利用綠植面積栽培多種植物,最大限度發(fā)揮該性能,從而能夠大幅度提升住宅居民的滿意度。指標停車場地X13、運動器械X14和節(jié)能設施X18的得分分別為0.415 9、0.520 2和0.772 2,評價等級均為B級,表明居民對這些住宅環(huán)境性能的需求度適中,該類指標與居民的居住滿意度呈正相關,當小區(qū)內(nèi)的車位充足、運動器械足夠或節(jié)能設施完善時,居民的滿意度會隨之提升,反之則會下降。房地產(chǎn)開發(fā)商在設計該類性能時,可以在成本充足的前提下加以完善,從而能夠提升居民的居住滿意度,吸引更多的居民前來入住。指標景觀設計X7、采光效果X9和物業(yè)服務X20的得分分別為0.256 7、0.197 2和0.331 0,評價等級均為C級,表明居民對該類住宅環(huán)境性能指標的需求程度偏低,該性能是否完善對居民的居住滿意度影響較小,房地產(chǎn)開發(fā)商在設計該類性能時可以適當降低其完善程度,從而達到縮減成本或提高效率的目的。 (1)基于灰色關聯(lián)分析法,對建立的住宅環(huán)境性能評價指標體系進行篩選,提取出了對居民居住滿意度影響較大的8個關鍵因素。 (2)結(jié)合T-S模糊推理系統(tǒng)和AIFNN神經(jīng)網(wǎng)絡,構(gòu)建了住宅環(huán)境性能評價模型,同時對各個主要影響因素進行了評級與打分。 (3)通過仿真實驗的分析,驗證了該模型的網(wǎng)絡訓練與規(guī)則檢驗是科學可靠的,其結(jié)果也與預期相符合,因此該模型是有效的。 (4)將文中的研究成果應用到市場中,可以對新的住宅環(huán)境性能進行綜合評判,為未來設計新住宅提供一種指導和技術(shù)支持。本文將理論與實際相結(jié)合,期望能夠為未來的住宅發(fā)展做出貢獻。2 構(gòu)建影響因素指標體系
2.1 影響因素的識別與選取
2.2 主要影響因素的篩選
3 仿真實驗
3.1 實驗環(huán)境設計
3.2 網(wǎng)絡訓練
3.3 模型結(jié)果解釋
4 結(jié) 論