第12卷第1期 智能系统学报 Vol.12 No.1 2017年2月 CAAI Transactions on Intelligent Systems Feb.2017 D0I:10.11992/is.201610015 网络出版地址：http:/kns.cmki.net/kcms/detail/23.1538.TP.20170227.2217.028.html 基于决策树分类的可拓建筑策划预测方法 郭强123，邹广天23 (1.哈尔滨工业大学建筑学院，黑龙江哈尔滨150006：2.哈尔滨工业大学建筑计划与设计研究所，黑龙江哈尔滨 150006:3.黑龙江省寒地建筑科学重点实验室，黑龙江哈尔滨，150006) 摘要：为提升建筑师在策划过程中科学预测的能力，提出了一种基于决策树分类的可拓建筑策划预测方法。首 先，运用数据采集软件批量采集互联网中的建筑案例数据，将数据预处理后存储至建筑案例库中：其次，通过评价特 征选取、评价信息元集生成、决策树构建等步骤，获得决策树模型：最后，运用该模型预测当前策划项日的性能指标 是否满足要求，并给出不满足要求情况下性能指标变换的途径。案例检验表明，该方法能有效提高建筑师运用互联 网数据的能力，能够挖掘决策树分类知识，从而加速计算机辅助可拓建筑策划的进程。 关键词：可拓建筑策划；决策树；分类：指标预测：可拓变换 中图分类号：TP18:TU18文献标志码：A文章编号：1673-4785(2017)01-0117-07 中文引用格式：郭强，邹广天.基于决策树分类的可拓建筑策划预测方法[J].智能系统学报，2017,12(1)：117-123. 英文引用格式：GUO Qiang,ZOU Guangtian.Prediction methods for extension architecture programming based on decision tree classification[]CAAI transactions on intelligent systems,2017,12(1):117-123. Prediction methods for extension architecture programming based on decision tree classification GUO Qiang'2,ZOU Guangtian'2 (1.School of Architecture,Harbin Institute of Technology,Harbin 150006,China;2.Architectural Planning and Design Institute, Harbin Institute of Technology,Harbin 150006,China;3.Heilongjiang Cold Region Architectural Science Key Laboratory,Harbin 150006,China) Abstract:To improve the prediction ability of architects,a prediction method for extension architecture programming(EAP)based on decision tree classification was proposed.First,the architectural case data from the Internet were obtained by data acquisition software,and stored in an architectural case database after data preprocessing.Second,through evaluation characteristics selection,evaluation information element set generation and decision tree construction,the decision tree model was discovered.Then,the performance indicators of the current project were predicted using this model,providing transformation approaches if the result did not satisfy the requirement.This study indicates that the proposed method can effectively improve an architects ability to use Internet data and mine decision tree classification knowledge,thus accelerating the process of computer aided EAP. Keywords:extension architectural program;decision tree;classification;indicators prediction; extension transformation 可拓建筑策划(extension architectural program, 序来生成创新策略的方法，其目的是指导建筑设计 EAP)是将可拓创新方法引入建筑策划领域，通过问 创新)。可拓建筑策划过程中急需对场地、规模、 题界定、可拓分析、可拓变换、策略评价等一系列程 功能、空间、形象、技术等方面的性能指标进行科学 预测的方法。 收稿日期：2016-10-13.网络出版日期：2017-02-27. 基金项目：国家自然科学基金项目(51178132). 随着计算机辅助建筑设计(CAAD)和信息技术 通信作者：邹广天.E-mail:zoug@hit.cu.cn
第 １２ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．１ ２０１７ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６１００１５ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０２２７．２２１７．０２８．ｈｔｍｌ 基于决策树分类的可拓建筑策划预测方法 郭强１，２，３ ，邹广天１，２，３ （１．哈尔滨工业大学 建筑学院，黑龙江 哈尔滨 １５０００６；２． 哈尔滨工业大学 建筑计划与设计研究所，黑龙江 哈尔滨 １５０００６；３．黑龙江省寒地建筑科学重点实验室，黑龙江 哈尔滨，１５０００６） 摘 要：为提升建筑师在策划过程中科学预测的能力，提出了一种基于决策树分类的可拓建筑策划预测方法。 首 先，运用数据采集软件批量采集互联网中的建筑案例数据，将数据预处理后存储至建筑案例库中；其次，通过评价特 征选取、评价信息元集生成、决策树构建等步骤，获得决策树模型；最后，运用该模型预测当前策划项目的性能指标 是否满足要求，并给出不满足要求情况下性能指标变换的途径。 案例检验表明，该方法能有效提高建筑师运用互联 网数据的能力，能够挖掘决策树分类知识，从而加速计算机辅助可拓建筑策划的进程。 关键词：可拓建筑策划；决策树；分类；指标预测；可拓变换 中图分类号：ＴＰ１８； ＴＵ１８ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０１－０１１７－０７ 中文引用格式：郭强，邹广天． 基于决策树分类的可拓建筑策划预测方法［Ｊ］． 智能系统学报， ２０１７， １２（１）： １１７－１２３． 英文引用格式：ＧＵＯ Ｑｉａｎｇ，ＺＯＵ Ｇｕａｎｇｔｉａｎ． Ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｐｒｏｇｒａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（１）：１１７－１２３． Ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｐｒｏｇｒａｍｍｉｎｇ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ＧＵＯ Ｑｉａｎｇ １，２，３ ， ＺＯＵ Ｇｕａｎｇｔｉａｎ １，２，３ （１． Ｓｃｈｏｏｌ ｏｆ Ａｒｃｈｉｔｅｃｔｕｒｅ， Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｒｂｉｎ １５０００６， Ｃｈｉｎａ； ２．Ａｒｃｈｉｔｅｃｔｕｒａｌ Ｐｌａｎｎｉｎｇ ａｎｄ Ｄｅｓｉｇｎ Ｉｎｓｔｉｔｕｔｅ， Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｒｂｉｎ １５０００６， Ｃｈｉｎａ；３． Ｈｅｉｌｏｎｇｊｉａｎｇ Ｃｏｌｄ Ｒｅｇｉｏｎ Ａｒｃｈｉｔｅｃｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ， Ｈａｒｂｉｎ １５０００６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｂｉｌｉｔｙ ｏｆ ａｒｃｈｉｔｅｃｔｓ， ａ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｐｒｏｇｒａｍｍｉｎｇ （ＥＡＰ） ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗａｓ ｐｒｏｐｏｓｅｄ． Ｆｉｒｓｔ， ｔｈｅ ａｒｃｈｉｔｅｃｔｕｒａｌ ｃａｓｅ ｄａｔａ ｆｒｏｍ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｂｙ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｏｆｔｗａｒｅ， ａｎｄ ｓｔｏｒｅｄ ｉｎ ａｎ ａｒｃｈｉｔｅｃｔｕｒａｌ ｃａｓｅ ｄａｔａｂａｓｅ ａｆｔｅｒ ｄａｔａ ｐｒｅｐｒｏｃｅｓｓｉｎｇ． Ｓｅｃｏｎｄ， ｔｈｒｏｕｇｈ ｅｖａｌｕａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｓｅｌｅｃｔｉｏｎ， ｅｖａｌｕａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｅｌｅｍｅｎｔ ｓｅｔ ｇｅｎｅｒａｔｉｏｎ ａｎｄ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｏｎｓｔｒｕｃｔｉｏｎ， ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｍｏｄｅｌ ｗａｓ ｄｉｓｃｏｖｅｒｅｄ． Ｔｈｅｎ， ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｉｎｄｉｃａｔｏｒｓ ｏｆ ｔｈｅ ｃｕｒｒｅｎｔ ｐｒｏｊｅｃｔ ｗｅｒｅ ｐｒｅｄｉｃｔｅｄ ｕｓｉｎｇ ｔｈｉｓ ｍｏｄｅｌ， ｐｒｏｖｉｄｉｎｇ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｐｐｒｏａｃｈｅｓ ｉｆ ｔｈｅ ｒｅｓｕｌｔ ｄｉｄ ｎｏｔ ｓａｔｉｓｆｙ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔ． Ｔｈｉｓ ｓｔｕｄｙ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ａｎ ａｒｃｈｉｔｅｃｔｓ ａｂｉｌｉｔｙ ｔｏ ｕｓｅ Ｉｎｔｅｒｎｅｔ ｄａｔａ ａｎｄ ｍｉｎｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｋｎｏｗｌｅｄｇｅ， ｔｈｕｓ ａｃｃｅｌｅｒａｔｉｎｇ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｃｏｍｐｕｔｅｒ ａｉｄｅｄ ＥＡＰ． Ｋｅｙｗｏｒｄｓ： ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒａｌ ｐｒｏｇｒａｍ； ｄｅｃｉｓｉｏｎ ｔｒｅｅ； ｃｌａｓｓｉｆｉｃａｔｉｏｎ； ｉｎｄｉｃａｔｏｒｓ ｐｒｅｄｉｃｔｉｏｎ； ｅｘｔｅｎｓｉｏｎ ｔｒａｎｓｆｏｒｍａｔｉｏｎ 收稿日期：２０１６－１０－１３． 网络出版日期：２０１７－０２－２７． 基金项目：国家自然科学基金项目（５１１７８１３２）． 通信作者：邹广天． Ｅ⁃ｍａｉｌ：ｚｏｕｇｔ＠ ｈｉｔ．ｅｄｕ．ｃｎ． 可拓建筑策划（ ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒａｌ ｐｒｏｇｒａｍ， ＥＡＰ）是将可拓创新方法引入建筑策划领域，通过问 题界定、可拓分析、可拓变换、策略评价等一系列程 序来生成创新策略的方法，其目的是指导建筑设计 创新［１］ 。 可拓建筑策划过程中急需对场地、规模、 功能、空间、形象、技术等方面的性能指标进行科学 预测的方法。 随着计算机辅助建筑设计（ＣＡＡＤ）和信息技术
·118· 智能系统学报 第12卷 的迅速发展，互联网中的建筑案例已成为建筑师不 筑物自身特征。前者包括建筑基地的社会、人文、 可或缺的数据资源。案例辅助建筑设计已经引起 交通、环境、景观、经济等方面，后者包括基本信息、 建筑学界的广泛关注。魏力恺构建并开发了基于 设计构思、场地、功能、空间、形象、技术、评价等方 建筑空间关系原型的建筑案例检索系统 面（见表1）。两者通过空间方位属性相关联，可以 Architable),孟洁提出了基于案例推理(case-based 形成每栋建筑物的完整数据。 reasoning)的建筑方案设计流程)，段正励等提出了 表1建筑案例数据特征 基于AreGIS软件的杭州市工业建筑遗产案例库构 Table 1 Characteristics of the architectural case data 建与综合分析方法[，张颉等提出了基于建筑信息 数据类型 数据特征 模型的建筑空间拓扑关系提取插件和案例检索方 人口数量、密度、结构比例等，人口职业、就业 法[)，孙澄等提出了基于神经网络的严寒地区办公 人口 拥有机动车数量，通勤出发时间、出行时长、出 建筑节能性能预测与形态设计方法[6。然而，上述 行方式等 方法均未涉及互联网中的海量案例，也缺乏比较深 经济 区域居民人均收入、居民消费状况等 入的案例分析方法。因此，研究互联网中案例数据 城市道路等级、交通拥堵状况、公共交通类型及 交通 获取及从中挖掘知识的方法将具有重要意义。 站点分布等 决策树是一种常用的分类预测工具。它通过 地形、地貌、土壤等地质特征，水质、水情等水文 环境 特征，气温、湿度、降水、风向、空气质量指数 建立一个模型或分类器来预测类别，其优势是需要 (AQI)等 的数据准备很少，不需要任何领域知识，既擅长处 设施 教育、商业、办公服务设施等 理连续型变量，也擅长处理建筑案例中常见的离散 项目名称、项目类型、项目性质、项目等级、高度 型变量。基于决策树知识的可拓知识挖掘方法是 类别、项目位置、项目造价、建筑师、设计团队、 决策树分类和可拓创新方法相交叉的结果。首先 基本信息 设计单位、委托单位、设计风格、设计时间、建成 利用递推的基本思想构造决策树，并从中提取规 时间 则，然后分析当前面对的矛盾问题，利用这些规则 设计构思设计出发点、设计应对策略 预测可拓变换的实施效果，进而筛选出可行的变 场地 场地形状、地形呼应方式、建筑群体组合方式 换[]。该方法能够预测可拓建筑策划项目的性能 功能 主体功能、附属功能 指标（通常难以通过计算获得）是否满足策划要求， 空间 空间类型、首层平面形状、标准层平面形状 并给出不满足要求情况下性能指标变换的途径。 形象 表皮处理方式、立面开窗方式、虚实对比程度 技术 结构类型、主体材料、辅助材料、主被动技术 相关研究还有赵燕伟等提出的基于改进BP神经网 评价 评价内容、评价等级 络的可拓分类器构建方法[]：李亚飞等提出的基于 规划面积、总建筑面积、容积率、地上层数、地下 决策树分类的云南省迪庆地区景观类型预测方 技术指标 层数、建筑高度、建筑密度、停车位数量 法[9)：王茂军等1o]提出的基于决策树法的北京城市 数据获取是运用数据采集软件将互联网中的 居民通勤距离模式挖掘方法。针对互联网中的海 案例数据获取到建筑案例库的过程。鉴于智能性 量建筑案例，我们提出了基于决策树分类的可拓建 和稳定性，本文选用火车采集器，从政府门户网站、 筑策划预测方法。 建筑策划与设计机构网站、建筑案例共享平台、各 1 建筑案例数据的获取和预处理 类百科等网站来采集案例。首先需要设置网址采 集规则、内容采集规则、导入数据库规则和其他规 1.1 数据获取 则，数据采集结果以二维关系数据表形式存储在 可拓建筑策划分类的对象是建筑案例库中的 MySQL软件中，多个数据表之间以主键和外键相关 案例，用物元描述为 联。另外，火车采集软件能够制定采集计划来完成 0 C1, 建筑案例库数据的动态更新。 C2, 0 1.2数据预处理 =(0,C.V) (1) 在分类与预测之前，需要进行数据预处理，包 括数据转换、数据集成、数据归约等。 式中：C1,C2,…,cn为建筑案例的特征；1,2，…，。 数据转换是参照项目名称-空间位置对照表、 为建筑案例特征对应的量值。案例特征应尽可能 建筑中英文对照表、建筑同义词对照表、计量单位 反映建筑的全部信息，分为建筑所处环境特征和建 转换表，对案例数据进行转换处理，解决数据语义
的迅速发展，互联网中的建筑案例已成为建筑师不 可或缺的数据资源。 案例辅助建筑设计已经引起 建筑学界的广泛关注。 魏力恺构建并开发了基于 建 筑 空 间 关 系 原 型 的 建 筑 案 例 检 索 系 统 Ａｒｃｈｉｔａｂｌｅ ［２］ ，孟洁提出了基于案例推理（ ｃａｓｅ⁃ｂａｓｅｄ ｒｅａｓｏｎｉｎｇ）的建筑方案设计流程［３］ ，段正励等提出了 基于 ＡｒｃＧＩＳ 软件的杭州市工业建筑遗产案例库构 建与综合分析方法［４］ ，张颉等提出了基于建筑信息 模型的建筑空间拓扑关系提取插件和案例检索方 法［５］ ，孙澄等提出了基于神经网络的严寒地区办公 建筑节能性能预测与形态设计方法［６］ 。 然而，上述 方法均未涉及互联网中的海量案例，也缺乏比较深 入的案例分析方法。 因此，研究互联网中案例数据 获取及从中挖掘知识的方法将具有重要意义。 决策树是一种常用的分类预测工具。 它通过 建立一个模型或分类器来预测类别，其优势是需要 的数据准备很少，不需要任何领域知识，既擅长处 理连续型变量，也擅长处理建筑案例中常见的离散 型变量。 基于决策树知识的可拓知识挖掘方法是 决策树分类和可拓创新方法相交叉的结果。 首先 利用递推的基本思想构造决策树，并从中提取规 则，然后分析当前面对的矛盾问题，利用这些规则 预测可拓变换的实施效果，进而筛选出可行的变 换［７］ 。 该方法能够预测可拓建筑策划项目的性能 指标（通常难以通过计算获得）是否满足策划要求， 并给出不满足要求情况下性能指标变换的途径。 相关研究还有赵燕伟等提出的基于改进 ＢＰ 神经网 络的可拓分类器构建方法［８］ ；李亚飞等提出的基于 决策树分类的云南省迪庆地区景观类型预测方 法［９］ ；王茂军等［１０］提出的基于决策树法的北京城市 居民通勤距离模式挖掘方法。 针对互联网中的海 量建筑案例，我们提出了基于决策树分类的可拓建 筑策划预测方法。 １ 建筑案例数据的获取和预处理 １．１ 数据获取 可拓建筑策划分类的对象是建筑案例库中的 案例，用物元［１１］描述为 Ｍ ＝ Ｏ， ｃ１ ， ｖ１ ｃ２ ， ｖ２ ︙ ︙ ｃｎ ， ｖｎ é ë ê ê ê ê ê ù û ú ú ú ú ú ＝ （Ｏ，Ｃ，Ｖ） （１） 式中：ｃ１ ，ｃ２ ，…，ｃｎ 为建筑案例的特征；ｖ１ ，ｖ２ ，…，ｖｎ 为建筑案例特征对应的量值。 案例特征应尽可能 反映建筑的全部信息，分为建筑所处环境特征和建 筑物自身特征。 前者包括建筑基地的社会、人文、 交通、环境、景观、经济等方面，后者包括基本信息、 设计构思、场地、功能、空间、形象、技术、评价等方 面（见表 １）。 两者通过空间方位属性相关联，可以 形成每栋建筑物的完整数据。 表 １ 建筑案例数据特征 Ｔａｂｌｅ １ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ａｒｃｈｉｔｅｃｔｕｒａｌ ｃａｓｅ ｄａｔａ 数据类型 数据特征 人口 人口数量、密度、结构比例等，人口职业、就业、 拥有机动车数量、通勤出发时间、出行时长、出 行方式等 经济 区域居民人均收入、居民消费状况等 交通 城市道路等级、交通拥堵状况、公共交通类型及 站点分布等 环境 地形、地貌、土壤等地质特征，水质、水情等水文 特征，气温、 湿度、 降水、 风向、 空气质量指数 （ＡＱＩ）等 设施 教育、商业、办公服务设施等 基本信息 项目名称、项目类型、项目性质、项目等级、高度 类别、项目位置、项目造价、建筑师、设计团队、 设计单位、委托单位、设计风格、设计时间、建成 时间 设计构思 设计出发点、设计应对策略 场地 场地形状、地形呼应方式、建筑群体组合方式 功能 主体功能、附属功能 空间 空间类型、首层平面形状、标准层平面形状 形象 表皮处理方式、立面开窗方式、虚实对比程度 技术 结构类型、主体材料、辅助材料、主被动技术 评价 评价内容、评价等级 技术指标 规划面积、总建筑面积、容积率、地上层数、地下 层数、建筑高度、建筑密度、停车位数量 数据获取是运用数据采集软件将互联网中的 案例数据获取到建筑案例库的过程。 鉴于智能性 和稳定性，本文选用火车采集器，从政府门户网站、 建筑策划与设计机构网站、建筑案例共享平台、各 类百科等网站来采集案例。 首先需要设置网址采 集规则、内容采集规则、导入数据库规则和其他规 则，数据采集结果以二维关系数据表形式存储在 ＭｙＳＱＬ 软件中，多个数据表之间以主键和外键相关 联。 另外，火车采集软件能够制定采集计划来完成 建筑案例库数据的动态更新。 １．２ 数据预处理 在分类与预测之前，需要进行数据预处理，包 括数据转换、数据集成、数据归约等。 数据转换是参照项目名称－空间位置对照表、 建筑中英文对照表、建筑同义词对照表、计量单位 转换表，对案例数据进行转换处理，解决数据语义 ·１１８· 智 能 系 统 学 报 第 １２ 卷
第1期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·119. 多样性问题。 取与之密切相关的评价特征，如与建筑风格相关的 数据集成是将来自多个数据源的数据进行合 评价特征（包括屋顶类型、立面色彩、建筑材料等）。 并，以提高分类的速度和精确性。为统一格式，在 有时某些评价特征可能并未出现在建筑案例表中， 数据集成中起关键作用的空间方位属性用(E,N)来 需要根据表中数据计算，如容积率可通过规划用地 表示，例如：哈尔滨工业大学建筑学院的空间方位 范围内建筑面积总和与用地面积的比值计算得到。 属性，记作(12637'53.85"E,4545'02.16"N)。 2.2选取目标数据生成评价信息元集 数据集成时经常出现属性值缺失、数据不一 根据可拓建筑策划的预测要求，从建筑案例库 致、数据存在噪声等问题，这些问题将对预测结果 中选取相关案例，应尽可能选择评价等级较高的数 产生重大影响。噪声数据常用回归分析、离群点分 据，以保证分类结果的准确性。将取出的案例删除 析等方法来进行光滑处理]。缺失值通过以下方 其他特征，只保留分类特征和评价特征，得到建筑 式来处理：1)当缺失值恰好为分类特征时，直接删 案例的评价信息元集，记作 除该条数据：2)使用全局常量，如Unkown来填充； 1={}={(0,C,V)j=1,2,…,s}(2) 3)使用属性所有值的中心度量（如均值或中位数） 该集合表示：对象0关于特征C:的量值为V 来填充：4)使用其他演算推理的方式来批量填充。 构成的信息元集合[)。 数据值域不一致往往将造成预测结果与意义 将建筑案例评价信息元集随机地分为两组：一 难以解释，常用数据归约的方法进行标准化处理。 组是训练案例集，用于构建决策树模型，一般取建 2 可拓建筑策划分类预测方法 筑案例总量的80%~90%：另一组是检验案例集，取 剩下的部分，用于检验模型的准确性。模型准确率 可拓建筑策划分类预测的核心是决策树算法， 是指检验案例集中被正确分类的建筑案例数量与 利用信息嫡的原理，选择具有最高信息增益的特征 该集合中建筑案例总数量的比值。 作为分裂特征，递归地构建决策树的分支。它包括 2.3构建决策树提取分类规则知识 模型构建、模型检验、模型应用3个环节，具体分为 决策树算法是将训练集递归地分裂成较小的子 评价特征选取、评价信息元集生成、决策树模型构 集，借助分裂准则来确定在每个结点上哪个属性能够 建和当前策划项目指标预测4个步骤，如图1所示。 产生最佳拆分四]。用E()表示对建筑案例评价信息 当前策划 元集1做出正确类别判断所需的信息量，记作 开始 项首数据 E(I)=- (3) 训练案例集 特征提取 变换后的 p.log:(p.) 20 项目数据 模型构建 式中：P:是I中任意数据属于类C:的概率，用 决策树模型→检验后的模型 |C:/川表示。 模型检验 模型应用 假设按评价特征A对1中的建筑案例进行划 检验案例集项日性能指标预测实施可拓变换 分，且特征A具有k个量值(1,2，…，)。 是否 2.3.1特征A为离散型特征 足要求 Y 若特征A为离散型特征，如建筑平面类型、功 结束 能类型、空间组合形式等，将信息元集I分为k个子 图1基于决策树分类的EAP预测方法流程图 集（山1,2，…，1），以特征A为根进行分类的信息熵 Fig.1 Flow chart of the predict method for EAP based 定义为 on decision tree classification E4(0=- ×E(ID (4) 2.1根据建筑专业知识选取评价特征 通过前期访谈、现场调研、模式构想、方案试做 等环节，建筑师已经确定当前建筑策划项目的基本 式中一为是信息元集1中第)个子集的权重。 特征。现需要对它的性能指标进行预测，检验是否 以特征A为根进行分类的信息增益定义为 满足策划要求。首先确定要预测的性能指标，在决 G(A)=E(1)-E(I) (5) 策树分类时将这些指标称为分类特征，如建筑风 为方便理解，将300个建筑案例组成的案例集 格、空间开放性、流线合理性、技术可行性、环境协 作为信息元集，将建筑风格作为分类特征来说明决 调性等。确定分类特征后，根据建筑专业知识，选 策树构建的原理。式(3)中，E()表示未开始确定
多样性问题。 数据集成是将来自多个数据源的数据进行合 并，以提高分类的速度和精确性。 为统一格式，在 数据集成中起关键作用的空间方位属性用（Ｅ，Ｎ）来 表示，例如：哈尔滨工业大学建筑学院的空间方位 属性，记作（１２６°３７′５３．８５″Ｅ，４５°４５′０２．１６″Ｎ）。 数据集成时经常出现属性值缺失、数据不一 致、数据存在噪声等问题，这些问题将对预测结果 产生重大影响。 噪声数据常用回归分析、离群点分 析等方法来进行光滑处理［１２］ 。 缺失值通过以下方 式来处理：１） 当缺失值恰好为分类特征时，直接删 除该条数据；２）使用全局常量，如 Ｕｎｋｏｗｎ 来填充； ３）使用属性所有值的中心度量（如均值或中位数） 来填充；４）使用其他演算推理的方式来批量填充。 数据值域不一致往往将造成预测结果与意义 难以解释，常用数据归约的方法进行标准化处理。 ２ 可拓建筑策划分类预测方法 可拓建筑策划分类预测的核心是决策树算法， 利用信息熵的原理，选择具有最高信息增益的特征 作为分裂特征，递归地构建决策树的分支。 它包括 模型构建、模型检验、模型应用 ３ 个环节，具体分为 评价特征选取、评价信息元集生成、决策树模型构 建和当前策划项目指标预测 ４ 个步骤，如图 １ 所示。 图 １ 基于决策树分类的 ＥＡＰ 预测方法流程图 Ｆｉｇ．１ Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｔｈｅ ｐｒｅｄｉｃｔ ｍｅｔｈｏｄ ｆｏｒ ＥＡＰ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ２．１ 根据建筑专业知识选取评价特征 通过前期访谈、现场调研、模式构想、方案试做 等环节，建筑师已经确定当前建筑策划项目的基本 特征。 现需要对它的性能指标进行预测，检验是否 满足策划要求。 首先确定要预测的性能指标，在决 策树分类时将这些指标称为分类特征，如建筑风 格、空间开放性、流线合理性、技术可行性、环境协 调性等。 确定分类特征后，根据建筑专业知识，选 取与之密切相关的评价特征，如与建筑风格相关的 评价特征（包括屋顶类型、立面色彩、建筑材料等）。 有时某些评价特征可能并未出现在建筑案例表中， 需要根据表中数据计算，如容积率可通过规划用地 范围内建筑面积总和与用地面积的比值计算得到。 ２．２ 选取目标数据生成评价信息元集 根据可拓建筑策划的预测要求，从建筑案例库 中选取相关案例，应尽可能选择评价等级较高的数 据，以保证分类结果的准确性。 将取出的案例删除 其他特征，只保留分类特征和评价特征，得到建筑 案例的评价信息元集，记作 Ｉ ＝ Ｉｊ { } ＝ Ｏ，Ｃｊ，Ｖｊ { ( ) ，ｊ ＝ １，２，…，ｓ} （２） 该集合表示：对象 Ｏ 关于特征 Ｃｊ 的量值为 Ｖｊ 构成的信息元集合［７］ 。 将建筑案例评价信息元集随机地分为两组：一 组是训练案例集，用于构建决策树模型，一般取建 筑案例总量的 ８０％ ～９０％；另一组是检验案例集，取 剩下的部分，用于检验模型的准确性。 模型准确率 是指检验案例集中被正确分类的建筑案例数量与 该集合中建筑案例总数量的比值。 ２．３ 构建决策树提取分类规则知识 决策树算法是将训练集递归地分裂成较小的子 集，借助分裂准则来确定在每个结点上哪个属性能够 产生最佳拆分［１２］ 。 用 Ｅ(Ｉ) 表示对建筑案例评价信息 元集 Ｉ 做出正确类别判断所需的信息量，记作 Ｅ(Ｉ) ＝ － ∑ ｍ ｉ ＝ ０ ｐｉ ｌｏｇ２ ｐｉ ( ) （３） 式中： ｐｉ 是 Ｉ 中 任 意 数 据 属 于 类 Ｃｉ 的 概 率， 用 Ｃｉ ／ Ｉ 表示。 假设按评价特征 Ａ 对 Ｉ 中的建筑案例进行划 分，且特征 Ａ 具有 ｋ 个量值（ｖ１ ，ｖ２ ，…，ｖｋ）。 ２．３．１ 特征 Ａ 为离散型特征 若特征 Ａ 为离散型特征，如建筑平面类型、功 能类型、空间组合形式等，将信息元集 Ｉ 分为 ｋ 个子 集 Ｉ１ ，Ｉ２ ，…，Ｉｋ ( ) ，以特征 Ａ 为根进行分类的信息熵 定义为 ＥＡ (Ｉ) ＝ － ∑ ｍ ｉ ＝ ０ Ｉｊ Ｉ × Ｅ(Ｉ) （４） 式中 Ｉｊ Ｉ 为是信息元集 Ｉ 中第 ｊ 个子集的权重。 以特征 Ａ 为根进行分类的信息增益定义为 Ｇ(Ａ) ＝ Ｅ(Ｉ) － ＥＡ (Ｉ) （５） 为方便理解，将 ３００ 个建筑案例组成的案例集 作为信息元集，将建筑风格作为分类特征来说明决 策树构建的原理。 式（３） 中，Ｅ (Ｉ) 表示未开始确定 第 １ 期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·１１９·
·120 智能系统学报 第12卷 分裂特征时对300个案例进行分类所需的期望信息 入后续的建筑策划书生成与表达环节。 量。假定特征A是屋顶类型，可能取值为[坡屋顶 若预测结果不能满足策划要求，则需要改变当 平屋顶、穹顶、其他类型屋顶]，那么|12/表示案 前建筑策划方案的某些特征，可拓学提供了5种基 例集中平屋顶的案例个数与案例总数的比。式(4) 本变换，即置换变换、增删变换、扩缩变换、分解变 中，E()表示以屋顶类型为分裂点还需要的信息 换和复制变换，还有多特征的组合变换等。在可拓 量。相应地，式(5)中G(4)表示以屋顶类型进行划 建筑策划中，可拓变换T定义为 分我们得到了多少信息量。信息增量值越高，表明 T(0,c,:')=(0,c,:) 该特征对于分类的影响越大。根据式(4)、式(5)可 针对多特征的变换很容易产生组合爆炸，因 以求出其他特征（如建筑材料）的信息增益，选择信 此，需要对变换的结果进行取舍，获得可行的解变 息增益最大的特征作为分裂特征。 换，获取解变换的步骤如下。 2.3.2特征A为数值型特征 1)利用上述的决策树模型对变换后的项目数 若特征A为数值型特征，如建筑面积、建筑层 据进行预测，了解实施变换以后产生怎样的效果， 数等。首先将A的值按递增顺序排序，将每对相邻 并将预测结果中满足策划要求的变换提取出来，形 值的中点看作可能的分裂点，对于特征A的每个可 成当前策划问题的解变换集。 能分裂点，计算E,(),选择最小期望信息需求的点 2)通过计算变换难度，对解变换集进行排序和 作为A的分裂点。I,是满足A≤分裂点的建筑案例 评优。变换难度通过变换系数来定义： 集合，而12是满足A≥分裂点的建筑案例集合。 ①对于只存在类别差异，而不存在等级差异的 决策树模型采用贪心算法，以自顶向下递归方 建筑特征，如建筑平面类型、建筑材料类型等，无论 式构建，直到达到下列条件之一终止： 变换为哪个值，变换系数都定义为1； ①结点处的评价信息元属于同一个类： ②对于存在等级差异的建筑特征，如建筑评价 ②没有剩余特征用来进一步划分： 等级，当变换为降低等级时，无论降低几个等级，变 ③给定的分支中没有信息元，即该子集为空， 换系数定义都为1；当提高一个等级时，变换系数定 该结点不需要构建。 义为1：当提高两个等级时，变换系数定义为2，以此 以上算法均在RapidMiner7.2软件中进行编辑， 类推。 决策树模型的剪枝和准确性检验通过设置 对于多个变换而言，其变换难度[)]按照每个变 X-Validation命令的相关参数来完成，经过多次反复 换系数加1后累乘再减1进行计算，定义为 训练在很大程度上提升了模型的鲁棒性。 变换难度=Π（变换系数+1）-1 决策树模型构建完毕后，从根结点到叶结点的 对于建筑师而言，根据变换难度对解变换集进 每条路径建立一个规则，以F-THEN形式的分类规 行排序后，排名越靠前的变换，可操作性越强，越容 则表示，并用支持度(support)和置信度(confidence) 易产生最优策略。 进行评估。这些规则将形成分类知识库，作为建筑 3 实验与分析 性能指标预测的依据。规则R可表示为R:A一B confidence,support] 为了减少建筑建成后给周边环境带来的影响 以可拓建筑策划中的规则R,为例，R,可表 和破坏，在可拓建筑策划中需要预先评估建筑与周 示为 边环境的协调程度（即建筑环境协调度）。因此，选 R,:屋顶类型=坡屋顶A屋面材料=瓦片一 取某建筑策划项目的建筑环境协调度预测为例，将 建筑风格=欧式(80%，40%) 火车采集器作为互联网案例数据抓取工具，将 上述规则表示，屋顶类型为坡屋顶并且屋面材 MySQL软件作为数据存储工具，将RapidMiner作为 料为瓦片的建筑案例中，建筑风格为欧式的案例占 数据预处理和决策树构建工具，具体步骤如下。 到80%。同时满足坡屋顶、屋面材料为瓦片、欧式 1)选取评价特征。首先将建筑环境协调度定 风格的建筑案例占到所有案例的40%。 义为分类特征，可能取值为差、一般、好，记作Y。根 2.4预测当前策划指标获取可拓变换途径 据建筑专业知识选取周边环境类型、总建筑面积、 提取当前建筑策划项目的评价特征，将其导入 建筑主体材料、窗墙比、建筑与环境的形体穿插渗 决策树模型，获得预测结果。若预测结果满足策划 透关系（即穿插渗透程度），并将这些参数作为评价 要求，则表明当前建筑策划方案是合理的，可以进 特征，分别记作c、c2、c3、c4、cs。为简化计算的难
分裂特征时对 ３００ 个案例进行分类所需的期望信息 量。 假定特征 Ａ 是屋顶类型，可能取值为［坡屋顶、 平屋顶、穹顶、其他类型屋顶］，那么 Ｉ２ ／ Ｉ 表示案 例集中平屋顶的案例个数与案例总数的比。 式（４） 中，ＥＡ (Ｉ) 表示以屋顶类型为分裂点还需要的信息 量。 相应地，式（５）中 Ｇ(Ａ) 表示以屋顶类型进行划 分我们得到了多少信息量。 信息增量值越高，表明 该特征对于分类的影响越大。 根据式（４）、式（５）可 以求出其他特征（如建筑材料）的信息增益，选择信 息增益最大的特征作为分裂特征。 ２．３．２ 特征 Ａ 为数值型特征 若特征 Ａ 为数值型特征，如建筑面积、建筑层 数等。 首先将 Ａ 的值按递增顺序排序，将每对相邻 值的中点看作可能的分裂点，对于特征 Ａ 的每个可 能分裂点，计算 ＥＡ (Ｉ) ，选择最小期望信息需求的点 作为 Ａ 的分裂点。 Ｉ１ 是满足 Ａ≤分裂点的建筑案例 集合，而 Ｉ２ 是满足 Ａ≥分裂点的建筑案例集合。 决策树模型采用贪心算法，以自顶向下递归方 式构建，直到达到下列条件之一终止： ①结点处的评价信息元属于同一个类； ②没有剩余特征用来进一步划分； ③给定的分支中没有信息元，即该子集为空， 该结点不需要构建。 以上算法均在 ＲａｐｉｄＭｉｎｅｒ７．２ 软件中进行编辑， 决策 树 模 型 的 剪 枝 和 准 确 性 检 验 通 过 设 置 Ｘ⁃Ｖａｌｉｄａｔｉｏｎ命令的相关参数来完成，经过多次反复 训练在很大程度上提升了模型的鲁棒性。 决策树模型构建完毕后，从根结点到叶结点的 每条路径建立一个规则，以 ＩＦ⁃ＴＨＥＮ 形式的分类规 则表示，并用支持度（ｓｕｐｐｏｒｔ）和置信度（ｃｏｎｆｉｄｅｎｃｅ） 进行评估。 这些规则将形成分类知识库，作为建筑 性能指标预测的依据。 规则 Ｒ 可表示为 Ｒ：Ａ⇒Ｂ ［ｃｏｎｆｉｄｅｎｃｅ，ｓｕｐｐｏｒｔ］ 以可拓建筑策划中的规则 Ｒ１ 为例，Ｒ１ 可表 示为 Ｒ１ ：屋顶类型＝坡屋顶∧屋面材料＝瓦片⇒ 建筑风格＝欧式 （８０％，４０％） 上述规则表示，屋顶类型为坡屋顶并且屋面材 料为瓦片的建筑案例中，建筑风格为欧式的案例占 到 ８０％。 同时满足坡屋顶、屋面材料为瓦片、欧式 风格的建筑案例占到所有案例的 ４０％。 ２．４ 预测当前策划指标获取可拓变换途径 提取当前建筑策划项目的评价特征，将其导入 决策树模型，获得预测结果。 若预测结果满足策划 要求，则表明当前建筑策划方案是合理的，可以进 入后续的建筑策划书生成与表达环节。 若预测结果不能满足策划要求，则需要改变当 前建筑策划方案的某些特征，可拓学提供了 ５ 种基 本变换，即置换变换、增删变换、扩缩变换、分解变 换和复制变换，还有多特征的组合变换等。 在可拓 建筑策划中，可拓变换 Ｔ 定义为 Ｔ Ｏｉ，ｃｉ，ｖｉ ( ′) ＝ Ｏｉ， ｃｉ， ｖｉ ( ′) 针对多特征的变换很容易产生组合爆炸，因 此，需要对变换的结果进行取舍，获得可行的解变 换，获取解变换的步骤如下。 １）利用上述的决策树模型对变换后的项目数 据进行预测，了解实施变换以后产生怎样的效果， 并将预测结果中满足策划要求的变换提取出来，形 成当前策划问题的解变换集。 ２）通过计算变换难度，对解变换集进行排序和 评优。 变换难度通过变换系数来定义： ①对于只存在类别差异，而不存在等级差异的 建筑特征，如建筑平面类型、建筑材料类型等，无论 变换为哪个值，变换系数都定义为 １； ②对于存在等级差异的建筑特征，如建筑评价 等级，当变换为降低等级时，无论降低几个等级，变 换系数定义都为 １；当提高一个等级时，变换系数定 义为 １；当提高两个等级时，变换系数定义为 ２，以此 类推。 对于多个变换而言，其变换难度［７］ 按照每个变 换系数加 １ 后累乘再减 １ 进行计算，定义为 变换难度 ＝ ∏(变换系数 ＋ １) － １ 对于建筑师而言，根据变换难度对解变换集进 行排序后，排名越靠前的变换，可操作性越强，越容 易产生最优策略。 ３ 实验与分析 为了减少建筑建成后给周边环境带来的影响 和破坏，在可拓建筑策划中需要预先评估建筑与周 边环境的协调程度（即建筑环境协调度）。 因此，选 取某建筑策划项目的建筑环境协调度预测为例，将 火车采 集 器 作 为 互 联 网 案 例 数 据 抓 取 工 具， 将 ＭｙＳＱＬ 软件作为数据存储工具，将 ＲａｐｉｄＭｉｎｅｒ 作为 数据预处理和决策树构建工具，具体步骤如下。 １）选取评价特征。 首先将建筑环境协调度定 义为分类特征，可能取值为差、一般、好，记作 Ｙ。 根 据建筑专业知识选取周边环境类型、总建筑面积、 建筑主体材料、窗墙比、建筑与环境的形体穿插渗 透关系（即穿插渗透程度），并将这些参数作为评价 特征，分别记作 ｃ１ 、ｃ２ 、ｃ３ 、ｃ４ 、ｃ５ 。 为简化计算的难 ·１２０· 智 能 系 统 学 报 第 １２ 卷
第1期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·121· 度，对评价特征的取值作出如下规定。 穿插渗透程度根据建筑与环境的穿插渗透关系进 周边环境类型的可能取值为街道型、广场型、 行评估，可能取值为无渗透、局部渗透、完全渗透。 滨水型、植被型：总建筑面积的取值为原案例数据 2)生成评价信息元表。通常直接从建筑案例 表中的值：建筑主体材料对原案例数据表中的材料 库中选择案例数据。目前尚无这方面的数据，因此 进行归纳，可能取值为天然型、人工型、混合型：窗 运用火车采集器抓取了ArchDaily网站最新发布的 墙比将原案例数据表中的窗墙比数值进行归纳，可 300个建筑案例，并导人MySQL中。经过转换评价 能取值为墙绝对主导型、墙主导型、窗墙对等型、窗 特征值，填补缺失值，对不一致数据进行纠错后，最 主导型、窗绝对主导型，分别记作I、Ⅱ、Ⅲ、N、V: 终得到建筑案例评价信息元表（见表2）。 表2建筑案例评价信息元表 Table 2 Table of the building case evaluation information element 周边景观 总建筑 建筑主体 穿插渗透 建筑环境 序号 建筑名称 类型c1 材料c3 窗墙比c4 面积c2/m2 程度c 协调度Y 1 冰岛远足休息小屋 植被型 100 天然型 完全渗透 好 Linares科技园教学楼 广场型 4800 人工型 局部渗透 差 巴厘岛DRA住宅 滨水型 1013 天然型 完全渗透 好 双子住宅 植被型 743 混合型 V 无渗透 好 5 南京国际青年文化中心 街道型 465000 人工型 Ⅲ 无渗透 差 6 清华大学就业指导中心 街道型 21000 天然型 Ⅲ 局部渗透 好 7 Pink住宅 植被型 3000 天然型 Ⅲ 局部渗透 好 … … 300 悉尼邮轮码头 滨水型 4600 混合型 无渗透 一般 3)构建决策树模型。首先，将评价信息元表导 穿插渗透程度=完全渗透 总建筑面积>35750：一般（好-0，差-1，一般-3引 入RapidMiner软件，定义好分类特征后，运用X 总建筑面积>35750 周边环境类型=广场型 Validation命令完成决策树模型的构建、检验与评 I1总建筑面积>4500 【「建筑主体材料=人工型 估。该命令将评价信息元表随机分为10等份，依次 一般好-0，差=0.一般=2引 1建筑主体材料=天然型：好好-3，差-0，一般-0 将其中9份作为训练集，另外1份作为检验集，对模 I总建筑主体材料≤4500：好好-19，差-0.一般-21 周边环境类型=植被型：好好=26，差=0，一般=3) 型进行10次评估，基本保证了该模型的鲁棒性。经 周边环境类型=滨水型 【建值主体材料=人工利： 一般{好=0，差=0，一般=2引 评估，该模型准确率为84.60%，满足要求。其次，从 【建筑主体材料-天然型：好好3，差0一般=0 1建筑主体材料-混合型：一般好-0，差=0，一般-2) 上述模型中提取出决策树分类规则。由图2和图3 「周边环境类型-街道型 1窗墙比=1：一殷好=0，差=0，一般=2) 可知，穿插渗透程度是影响决策树分类最显著的特征。 「窗墙比=Ⅱ：好{好=2，差=0.一般=0} 窗墙比=Ⅲ 般{好=1，差=0.一般=4 「窗墙比=V:好{好=2，差=0.一般-01 穿插渗透程度 穿插渗透程度-局部渗透 总建筑面积7150 丨建筑主体材料=人工型 =完全渗透=局部渗透=无渗透 11「总建筑面积>97175.500：一般{好-0，差-0，一般=2 总建筑面积总建筑面积周边环境类型 图3提取的决策树分类规则（部分）】 Fig.3 The decision tree classification rules extracted ≤35750>35750/ N 4)应用决策树模型。从当前建筑策划方案中 周边环境 一般 提取该建筑的5项特征，其中周边景观类型c,为街 类型 (3/4.3/300) 道型，总建筑面积c2为4000m2,建筑主体材料c3 =街道型=广场型=滨水型=植被型 为混合型，窗墙比c4为Ⅲ型，穿插渗透程度c为无 窗墙比 总建筑建筑主体 渗透，需要对建筑环境协调度Y进行预测。将该建 面积 材料 2629.26/300) 筑数据导入上述决策树模型，预测结果为“差”，不 满足策划要求。 图2构建的决策树模型简图 为使预测结果变为“好”，需要对该建筑的特征 Fig.2 The chart of decision tree model 实施可拓变换。由于基地条件限制，总建筑面积在
度，对评价特征的取值作出如下规定。 周边环境类型的可能取值为街道型、广场型、 滨水型、植被型；总建筑面积的取值为原案例数据 表中的值；建筑主体材料对原案例数据表中的材料 进行归纳，可能取值为天然型、人工型、混合型；窗 墙比将原案例数据表中的窗墙比数值进行归纳，可 能取值为墙绝对主导型、墙主导型、窗墙对等型、窗 主导型、窗绝对主导型，分别记作Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ； 穿插渗透程度根据建筑与环境的穿插渗透关系进 行评估，可能取值为无渗透、局部渗透、完全渗透。 ２）生成评价信息元表。 通常直接从建筑案例 库中选择案例数据。 目前尚无这方面的数据，因此 运用火车采集器抓取了 ＡｒｃｈＤａｉｌｙ 网站最新发布的 ３００ 个建筑案例，并导入 ＭｙＳＱＬ 中。 经过转换评价 特征值，填补缺失值，对不一致数据进行纠错后，最 终得到建筑案例评价信息元表（见表 ２）。 表 ２ 建筑案例评价信息元表 Ｔａｂｌｅ ２ Ｔａｂｌｅ ｏｆ ｔｈｅ ｂｕｉｌｄｉｎｇ ｃａｓｅ ｅｖａｌｕａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｅｌｅｍｅｎｔ 序号 建筑名称 周边景观 类型 ｃ１ 总建筑 面积 ｃ２ ／ ｍ ２ 建筑主体 材料 ｃ３ 窗墙比 ｃ４ 穿插渗透 程度 ｃ５ 建筑环境 协调度 Ｙ １ 冰岛远足休息小屋 植被型 １００ 天然型 Ⅱ 完全渗透 好 ２ Ｌｉｎａｒｅｓ 科技园教学楼 广场型 ４ ８００ 人工型 Ⅰ 局部渗透 差 ３ 巴厘岛 ＤＲＡ 住宅 滨水型 １ ０１３ 天然型 Ⅱ 完全渗透 好 ４ 双子住宅 植被型 ７４３ 混合型 Ⅴ 无渗透 好 ５ 南京国际青年文化中心 街道型 ４６５ ０００ 人工型 Ⅲ 无渗透 差 ６ 清华大学就业指导中心 街道型 ２１ ０００ 天然型 Ⅲ 局部渗透 好 ７ Ｐｉｎｋ 住宅 植被型 ３ ０００ 天然型 Ⅲ 局部渗透 好 … … … … … … … … ３００ 悉尼邮轮码头 滨水型 ４ ６００ 混合型 Ⅴ 无渗透 一般 ３）构建决策树模型。 首先，将评价信息元表导 入 ＲａｐｉｄＭｉｎｅｒ 软件，定义好分类特征后，运用 Ｘ⁃ Ｖａｌｉｄａｔｉｏｎ 命令完成决策树模型的构建、检验与评 估。 该命令将评价信息元表随机分为 １０ 等份，依次 将其中 ９ 份作为训练集，另外 １ 份作为检验集，对模 型进行 １０ 次评估，基本保证了该模型的鲁棒性。 经 评估，该模型准确率为 ８４．６０％，满足要求。 其次，从 上述模型中提取出决策树分类规则。 由图 ２ 和图 ３ 可知，穿插渗透程度是影响决策树分类最显著的特征。 图 ２ 构建的决策树模型简图 Ｆｉｇ．２ Ｔｈｅ ｃｈａｒｔ ｏｆ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｍｏｄｅｌ 图 ３ 提取的决策树分类规则（部分） Ｆｉｇ．３ Ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｕｌｅｓ ｅｘｔｒａｃｔｅｄ ４）应用决策树模型。 从当前建筑策划方案中 提取该建筑的 ５ 项特征，其中周边景观类型 ｃ１ 为街 道型，总建筑面积 ｃ２ 为 ４ ０００ ｍ ２ ，建筑主体材料 ｃ３ 为混合型，窗墙比 ｃ４ 为Ⅲ型，穿插渗透程度 ｃ５ 为无 渗透，需要对建筑环境协调度 Ｙ 进行预测。 将该建 筑数据导入上述决策树模型，预测结果为“差”，不 满足策划要求。 为使预测结果变为“好”，需要对该建筑的特征 实施可拓变换。 由于基地条件限制，总建筑面积在 第 １ 期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·１２１·
122. 智能系统学报 第12卷 建筑立项时已经确定，不能改变，因此，需要对特征 T2(0:,c5,无渗透)=(O,c5,完全渗透) C1、C3c4、c实施可拓变换，具体包括： 以上是针对单一特征值的变换，还包括多特征 T(0,C1,街道型)=(0，c1,广场型)， 组合变换，最终共产生179（即4×3×5×3-1）种变 T2(0,C1,街道型)=(0：，c1,滨水型)， 换，对应着179个变换后的策划项目数据。 Ts(0,c1,街道型)=(0，c1,植被型)， 利用决策树模型对这些数据进行预测。经测 T1(0,C3,混合型)=(0，C3,天然型)， 试，预测结果为好、一般、差的项目数据分别为69 T2(0,c3,混合型)=(0，c3,人工型)， 条、77条、33条。这69条数据对应的变换，即为当 T41(0,c4,Ⅲ)=(0，c4,I), 前策划问题的解变换。将项目数据按照变换难度 T2(0,c4,Ⅲ)=(0，c4,Ⅱ)， 重新进行排序，排名前5位的数据将作为最优策略 提供给建筑师，用于指导策划方案修改（见表3）。 表3可拓变换排序结果（前5位） Table 3 The result of extension transformation sorting(the top five) 序号 建筑环境协调度Y 周边环境类型c, 建筑主体材料c, 窗墙比c,穿插渗透程度c、 可拓变换 变换难度 好 街道型 天然型 局部渗透 TaOTs 3 2 好 街道型 混合型 完全渗透 TaOTs 3 好 街道型 混合型 完全渗透 Tg∩T 5 好 广场型 人工型 Ⅲ 完全渗透 Tu OTa OTs 7 5 好 植被型 天然型 I 无渗透 Tg∩T∩T 究[D].天津：天津大学，2013：108-114 4 结论 WEI Likai.Architectural spatial retrieval and generating 基于决策树分类的可拓建筑策划预测方法是 based on CBR and HTML5 [D ]Tianjin:Tianjin 充分发挥可拓创新方法和决策树分类方法的优势， University,2013:108-114. 对当前策划项目的性能指标进行科学预测的方法。 [3]孟洁.基于案例推理的建筑方案设计流程研究[D].哈 尔滨：哈尔滨工业大学，2014：56-76. 1)通过提出的建筑案例数据获取、数据预处 MENG Jie.Research on architectural scheme design process 理、决策树构建、分类预测、变换筛选等步骤，建筑 using case-based reasoning[D].Harbin:Harbin Institute of 师能够从互联网中的海量建筑案例中提取出决策 Technology,2014:56-76. 树分类规则，并给出建筑性能指标的变换途径。 [4]段正励，刘抚英.杭州市工业遗产综合信息数据库构建 2)案例检验表明，该方法是可行的，具有较强 研究[J].建筑学报，2013,33(10)：45-48. 的操作性，能有效解决可拓建筑策划研究与应用的 DUAN Zhengli,LIU Fuying.Study on the comprehensive 预测难题。 information database of industrial heritage in Hangzhou[] 3)将计算机领域的数据采集、决策树分类技术 Architectural journal,2013,33(10):45-48. 引入建筑学领域，能有效提升建筑师运用互联网数 [5]张颉，李昌华，李智杰.基于拓扑特征的建筑信息模型检索 据的能力，加快计算机辅助可拓建筑策划的进程。 方法[J刀.计算机应用研究，2016,33(3)：916-921. ZHANG Jie,LI Changhua,LI Zhijie.Building information 参考文献： model retrieval based on topological features[J].Application research of computers,2016,33(3):916-921. [1]连菲.可拓建筑策划的基本理论与应用方法研究[D]. [6]孙澄，韩昀松.光热性能考虑下的严寒地区办公建筑形态 哈尔滨：哈尔滨工业大学，2010：25-27. 节能设计研究[J].建筑学报，2016(2)：38-42. LIAN Fei.The study on basic theory and applying methods SUN Cheng,HAN Yunsong.A study on energysaving design of extension architectural program[D].Harbin:Harbin of office building forms in the severe cold region regarding Institute of Technology,2010:25-27. daylighting and thernal performane [J].Architectural [2]魏力恺.基于CBR和HTML5的建筑空间检索与生成研 journal,2016(2):38-42
建筑立项时已经确定，不能改变，因此，需要对特征 ｃ１ 、ｃ３ 、ｃ４ 、ｃ５ 实施可拓变换，具体包括： Ｔ１１ Ｏｉ，ｃ ( １ ，街道型) ＝ Ｏｉ，ｃ ( １ ，广场型) ， Ｔ１２ Ｏｉ，ｃ ( １ ，街道型) ＝ Ｏｉ，ｃ ( １ ，滨水型) ， Ｔ１３ Ｏｉ，ｃ ( １ ，街道型) ＝ Ｏｉ，ｃ ( １ ，植被型) ， Ｔ３１ Ｏｉ，ｃ ( ３ ，混合型) ＝ Ｏｉ，ｃ ( ３ ，天然型) ， Ｔ３２ Ｏｉ，ｃ ( ３ ，混合型) ＝ Ｏｉ，ｃ ( ３ ，人工型) ， Ｔ４１ Ｏｉ，ｃ ( ４ ，Ⅲ) ＝ Ｏｉ，ｃ ( ４ ，Ⅰ) ， Ｔ４２ Ｏｉ，ｃ ( ４ ，Ⅲ) ＝ Ｏｉ，ｃ ( ４ ，Ⅱ) ， … Ｔ５２ Ｏｉ，ｃ ( ５ ，无渗透) ＝ Ｏｉ， ｃ ( ５ ， 完全渗透) 以上是针对单一特征值的变换，还包括多特征 组合变换，最终共产生 １７９（即 ４×３×５×３－１） 种变 换，对应着 １７９ 个变换后的策划项目数据。 利用决策树模型对这些数据进行预测。 经测 试，预测结果为好、一般、差的项目数据分别为 ６９ 条、７７ 条、３３ 条。 这 ６９ 条数据对应的变换，即为当 前策划问题的解变换。 将项目数据按照变换难度 重新进行排序，排名前 ５ 位的数据将作为最优策略 提供给建筑师，用于指导策划方案修改（见表 ３）。 表 ３ 可拓变换排序结果（前 ５ 位） Ｔａｂｌｅ ３ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｅｘｔｅｎｓｉｏｎ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｓｏｒｔｉｎｇ（ｔｈｅ ｔｏｐ ｆｉｖｅ） 序号 建筑环境协调度 Ｙ 周边环境类型 ｃ１ 建筑主体材料 ｃ３ 窗墙比 ｃ４ 穿插渗透程度 ｃ５ 可拓变换 变换难度 １ 好 街道型 天然型 Ⅲ 局部渗透 Ｔ３１∩Ｔ５１ ３ ２ 好 街道型 混合型 Ⅱ 完全渗透 Ｔ４２∩Ｔ５２ ３ ３ 好 街道型 混合型 Ⅳ 完全渗透 Ｔ４３∩Ｔ５２ ５ ４ 好 广场型 人工型 Ⅲ 完全渗透 Ｔ１１∩Ｔ３１∩Ｔ５１ ７ ５ 好 植被型 天然型 Ⅱ 无渗透 Ｔ１３∩Ｔ３１∩Ｔ４２ ７ ４ 结论 基于决策树分类的可拓建筑策划预测方法是 充分发挥可拓创新方法和决策树分类方法的优势， 对当前策划项目的性能指标进行科学预测的方法。 １）通过提出的建筑案例数据获取、数据预处 理、决策树构建、分类预测、变换筛选等步骤，建筑 师能够从互联网中的海量建筑案例中提取出决策 树分类规则，并给出建筑性能指标的变换途径。 ２）案例检验表明，该方法是可行的，具有较强 的操作性，能有效解决可拓建筑策划研究与应用的 预测难题。 ３）将计算机领域的数据采集、决策树分类技术 引入建筑学领域，能有效提升建筑师运用互联网数 据的能力，加快计算机辅助可拓建筑策划的进程。 参考文献： ［１］连菲． 可拓建筑策划的基本理论与应用方法研究［Ｄ］． 哈尔滨： 哈尔滨工业大学， ２０１０： ２５－２７． ＬＩＡＮ Ｆｅｉ． Ｔｈｅ ｓｔｕｄｙ ｏｎ ｂａｓｉｃ ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｙｉｎｇ ｍｅｔｈｏｄｓ ｏｆ ｅｘｔｅｎｓｉｏｎ ａｒｃｈｉｔｅｃｔｕｒａｌ ｐｒｏｇｒａｍ ［ Ｄ］． Ｈａｒｂｉｎ： Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１０： ２５－２７． ［２］魏力恺． 基于 ＣＢＲ 和 ＨＴＭＬ５ 的建筑空间检索与生成研 究［Ｄ］． 天津： 天津大学， ２０１３： １０８－１１４． ＷＥＩ Ｌｉｋａｉ． Ａｒｃｈｉｔｅｃｔｕｒａｌ ｓｐａｔｉａｌ ｒｅｔｒｉｅｖａｌ ａｎｄ ｇｅｎｅｒａｔｉｎｇ ｂａｓｅｄ ｏｎ ＣＢＲ ａｎｄ ＨＴＭＬ５ ［ Ｄ ］． Ｔｉａｎｊｉｎ： Ｔｉａｎｊｉｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１３： １０８－１１４． ［３］孟洁． 基于案例推理的建筑方案设计流程研究［Ｄ］． 哈 尔滨： 哈尔滨工业大学， ２０１４： ５６－７６． ＭＥＮＧ Ｊｉｅ． Ｒｅｓｅａｒｃｈ ｏｎ ａｒｃｈｉｔｅｃｔｕｒａｌ ｓｃｈｅｍｅ ｄｅｓｉｇｎ ｐｒｏｃｅｓｓ ｕｓｉｎｇ ｃａｓｅ⁃ｂａｓｅｄ ｒｅａｓｏｎｉｎｇ［Ｄ］． Ｈａｒｂｉｎ： Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１４： ５６－７６． ［４］段正励， 刘抚英． 杭州市工业遗产综合信息数据库构建 研究［Ｊ］． 建筑学报， ２０１３， ３３（１０）： ４５－４８． ＤＵＡＮ Ｚｈｅｎｇｌｉ， ＬＩＵ Ｆｕｙｉｎｇ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｄａｔａｂａｓｅ ｏｆ ｉｎｄｕｓｔｒｉａｌ ｈｅｒｉｔａｇｅ ｉｎ Ｈａｎｇｚｈｏｕ［ Ｊ］． Ａｒｃｈｉｔｅｃｔｕｒａｌ ｊｏｕｒｎａｌ， ２０１３， ３３（１０）： ４５－４８． ［５］张颉， 李昌华， 李智杰． 基于拓扑特征的建筑信息模型检索 方法［Ｊ］． 计算机应用研究， ２０１６， ３３（３）： ９１６－９２１． ＺＨＡＮＧ Ｊｉｅ， ＬＩ Ｃｈａｎｇｈｕａ， ＬＩ Ｚｈｉｊｉｅ． Ｂｕｉｌｄｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｍｏｄｅｌ ｒｅｔｒｉｅｖａｌ ｂａｓｅｄ ｏｎ ｔｏｐｏｌｏｇｉｃａｌ ｆｅａｔｕｒｅｓ［Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１６， ３３（３）： ９１６－９２１． ［６］孙澄，韩昀松．光热性能考虑下的严寒地区办公建筑形态 节能设计研究［Ｊ］．建筑学报，２０１６（２）：３８－４２． ＳＵＮ Ｃｈｅｎｇ， ＨＡＮ Ｙｕｎｓｏｎｇ． Ａ ｓｔｕｄｙ ｏｎ ｅｎｅｒｇｙｓａｖｉｎｇ ｄｅｓｉｇｎ ｏｆ ｏｆｆｉｃｅ ｂｕｉｌｄｉｎｇ ｆｏｒｍｓ ｉｎ ｔｈｅ ｓｅｖｅｒｅ ｃｏｌｄ ｒｅｇｉｏｎ ｒｅｇａｒｄｉｎｇ ｄａｙｌｉｇｈｔｉｎｇ ａｎｄ ｔｈｅｒｎａｌ ｐｅｒｆｏｒｍａｎｃ ［ Ｊ ］． Ａｒｃｈｉｔｅｃｔｕｒａｌ ｊｏｕｒｎａｌ，２０１６（２）：３８－４２． ·１２２· 智 能 系 统 学 报 第 １２ 卷
第1期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·123· [7]杨春燕，李小妹，陈文伟，等.可拓数据挖掘方法及其 [11]YANG Chunyan,CAI Wen.Extenics:theory,method and 计算机实现[M].广州：广东高等教育出版社，2010： application[M].Beijing:Science Press,2013:20-27. 206-214. [12]HAN Jiawei,KAMBER M,PEI Jian.数据挖掘：概念与 [8]赵燕伟，任设东，陈尉刚，等.基于改进BP神经网络的 技术[M.范明，孟小峰，译.3版.北京：机械工业出 可拓分类器构建[J].计算机集成制造系统，2015.21 版社，2012：55-65. (10)：2807-2815. 作者简介： ZHAO Yanwei,REN Shedong,CHEN Weigang,et al. 郭强，男，1985年生，博士研究生， Extension classifier construction based on improved BP 中国人工智能学会会员，主要研究方向 neural network J].Computer integrated manufacturing 为可拓建筑学、可拓建筑策划数据挖 8 ystems,2015,21(10):2807-2815. 掘，参加完成国家自然科学基金项目1 [9]李亚飞，刘高焕，黄翀.基于决策树分类的云南省迪庆 项，参编《中国原创学科—可拓学发 地区景观类型研究[J].资源科学，2011,33(2)： 展报告2016》。 328-334. LI Yafei,LIU Gaohuan,HUANG Chong.Exploring landscapes based on decision tree classification in the 邹广天，男.1960年生，教授.博士 Diqing region,Yunnan province[J].Resources science, 生导师，博士，中国人工智能学会可拓 2011,33(2):328-334. 学专业委员会副主任、中国建筑学会建 [10]王茂军，宋国庆，许洁.基于决策树法的北京城市居民 筑师分会建筑策划专业委员会副主任、 通勤距离模式挖掘[J].地理研究，2009,28(6)： 中国环境行为学会副会长，主要研究方 1516-1527 向为建筑计划学、可拓建筑学、建筑设 WANG Maojun,SONG Guoqing,XU Jie.Data mining on 计创新学、环境行为心理学。主持完成国家自然科学基金项 commuting distance mode of urban residents based on the 目2项，出版专著1部，主编与参编论文集多部，发表学术论 analysis of decision tree[J].Geographical research,2009, 文200余篇，被EI、CSSCI检索论文20余篇。 28(6):1516-1527. 2017第13届中国智能系统会议 The Chinese Intelligent Systems Conference (CISC) 中国智能系统会议是由中国人工智能学会智能空天系统专业委员会发起的系列学术会议，其宗旨是为本领 域的专家学者、研究生以及工程技术人员提供一个学术交流的平台，以推动我国智能系统相关理论、技术与应用 的发展。第13届中国智能系统会议(CISC:2017)将于2017年10月14一15日在黑龙江省牡丹江市召开。本次 会议由中国人工智能学会主办，中国人工智能学会智能主天系统专业委员会协办，牡丹江师范学院与北京航空航 天大学承办。会议论文集将由Springer出版社在Lecture Notes in Electrical Engineering系列正式出版，El收录。 热忧欢迎海内外广大同仁踊跃投稿井出席本届会议，交流学术成果。 主办单位：中国人工智能学会 协办单位：中国人工智能学会智能主天系统专业委员会 承办单位：牡丹江师范大学、北京航空航天大学 会议主席：贾英民，北京航空航天大学：杨敬民，牡丹江师范学院 会议网站：http://sias.buaa.edu.cn/info/1007/1132.htm
［７］杨春燕， 李小妹， 陈文伟， 等． 可拓数据挖掘方法及其 计算机实现［ Ｍ］． 广州： 广东高等教育出版社， ２０１０： ２０６－２１４． ［８］赵燕伟， 任设东， 陈尉刚， 等． 基于改进 ＢＰ 神经网络的 可拓分类器构建［ Ｊ］． 计算机集成制造系统， ２０１５， ２１ （１０）： ２８０７－２８１５． ＺＨＡＯ Ｙａｎｗｅｉ， ＲＥＮ Ｓｈｅｄｏｎｇ， ＣＨＥＮ Ｗｅｉｇａｎｇ， ｅｔ ａｌ． Ｅｘｔｅｎｓｉｏｎ ｃｌａｓｓｉｆｉｅｒ ｃｏｎｓｔｒｕｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［ Ｊ ］． Ｃｏｍｐｕｔｅｒ ｉｎｔｅｇｒａｔｅｄ ｍａｎｕｆａｃｔｕｒｉｎｇ ｓｙｓｔｅｍｓ， ２０１５， ２１（１０）： ２８０７－２８１５． ［９］李亚飞， 刘高焕， 黄翀． 基于决策树分类的云南省迪庆 地区 景 观 类 型 研 究 ［ Ｊ］． 资 源 科 学， ２０１１， ３３ （ ２ ）： ３２８－３３４． ＬＩ Ｙａｆｅｉ， ＬＩＵ Ｇａｏｈｕａｎ， ＨＵＡＮＧ Ｃｈｏｎｇ． Ｅｘｐｌｏｒｉｎｇ ｌａｎｄｓｃａｐｅｓ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ｔｈｅ Ｄｉｑｉｎｇ ｒｅｇｉｏｎ， Ｙｕｎｎａｎ ｐｒｏｖｉｎｃｅ ［ Ｊ］． Ｒｅｓｏｕｒｃｅｓ ｓｃｉｅｎｃｅ， ２０１１， ３３（２）： ３２８－３３４． ［１０］王茂军， 宋国庆， 许洁． 基于决策树法的北京城市居民 通勤距离模式挖掘 ［ Ｊ］． 地理研究， ２００９， ２８ （ ６）： １５１６－１５２７． ＷＡＮＧ Ｍａｏｊｕｎ， ＳＯＮＧ Ｇｕｏｑｉｎｇ， ＸＵ Ｊｉｅ． Ｄａｔａ ｍｉｎｉｎｇ ｏｎ ｃｏｍｍｕｔｉｎｇ ｄｉｓｔａｎｃｅ ｍｏｄｅ ｏｆ ｕｒｂａｎ ｒｅｓｉｄｅｎｔｓ ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｄｅｃｉｓｉｏｎ ｔｒｅｅ［Ｊ］． Ｇｅｏｇｒａｐｈｉｃａｌ ｒｅｓｅａｒｃｈ， ２００９， ２８（６）： １５１６－１５２７． ［１１］ＹＡＮＧ Ｃｈｕｎｙａｎ， ＣＡＩ Ｗｅｎ． Ｅｘｔｅｎｉｃｓ： ｔｈｅｏｒｙ， ｍｅｔｈｏｄ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ［Ｍ］． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２０１３： ２０－２７． ［１２］ＨＡＮ Ｊｉａｗｅｉ， ＫＡＭＢＥＲ Ｍ， ＰＥＩ Ｊｉａｎ． 数据挖掘： 概念与 技术［Ｍ］． 范明， 孟小峰， 译． ３ 版． 北京： 机械工业出 版社， ２０１２： ５５－６５． 作者简介： 郭强，男，１９８５ 年生，博士研究生， 中国人工智能学会会员，主要研究方向 为可拓建筑学、可拓建筑策划数据挖 掘，参加完成国家自然科学基金项目 １ 项，参编《中国原创学科———可拓学发 展报告 ２０１６》。 邹广天，男，１９６０ 年生，教授，博士 生导师，博士，中国人工智能学会可拓 学专业委员会副主任、中国建筑学会建 筑师分会建筑策划专业委员会副主任、 中国环境行为学会副会长，主要研究方 向为建筑计划学、可拓建筑学、建筑设 计创新学、环境行为心理学。 主持完成国家自然科学基金项 目 ２ 项，出版专著 １ 部，主编与参编论文集多部，发表学术论 文 ２００ 余篇，被 ＥＩ、ＣＳＳＣＩ 检索论文 ２０ 余篇。 ２０１７ 第 １３ 届中国智能系统会议 Ｔｈｅ Ｃｈｉｎｅｓｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｃｏｎｆｅｒｅｎｃｅ （ＣＩＳＣ） 中国智能系统会议是由中国人工智能学会智能空天系统专业委员会发起的系列学术会议，其宗旨是为本领 域的专家学者、研究生以及工程技术人员提供一个学术交流的平台，以推动我国智能系统相关理论、技术与应用 的发展。 第 １３ 届中国智能系统会议（ＣＩＳＣ＇ ２０１７） 将于 ２０１７ 年 １０ 月 １４—１５ 日在黑龙江省牡丹江市召开。 本次 会议由中国人工智能学会主办，中国人工智能学会智能主天系统专业委员会协办，牡丹江师范学院与北京航空航 天大学承办。 会议论文集将由 Ｓｐｒｉｎｇｅｒ 出版社在 Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ 系列正式出版， ＥＩ 收录。 热忱欢迎海内外广大同仁踊跃投稿井出席本届会议，交流学术成果。 主办单位：中国人工智能学会 协办单位：中国人工智能学会智能主天系统专业委员会 承办单位：牡丹江师范大学、北京航空航天大学 会议主席：贾英民，北京航空航天大学 ；杨敬民，牡丹江师范学院 会议网站：ｈｔｔｐ： ／ ／ ｓｉａｓ．ｂｕａａ．ｅｄｕ．ｃｎ ／ ｉｎｆｏ ／ １００７ ／ １１３２．ｈｔｍ 第 １ 期 郭强，等：基于决策树分类的可拓建筑策划预测方法 ·１２３·