Research on intelligent perception and optimization model of urban green space based on support vector regression
Notice bibliographique
Résumé
The concept of urban green development promotes the development of intelligent technology as a new energy power, so that digital intelligent technology continues to enter into people’s vision, but also gradually accepted by the people. However, there is a lack of research on intelligent perception that focuses on residents’ attitudes, so this paper takes the theory of perceived value as the basis to analyze the influence path of intelligent perception of urban green space. Based on structural equation modeling, this paper explores the relationship between intelligent perception and residents’ attitudes in terms of perceived functional value, perceived emotional value, perceived social value, cognitive value and perceived risk. Then the intelligent perception prediction model for urban green space is constructed by using variational modal decomposition (VMD) combined with support vector regression (SVR), and the actual performance of this paper’s model is examined through experiments. This paper takes City Y as an example for prediction, and the results show that the intelligent perception of green space in City Y from 2023 to 2026 continues to show an upward trend. In addition, in order to prove the superiority of this paper’s model, its MAE, MAPE, RMSE and IA are compared with the prediction models of ARMA, BP, SVR and RF, respectively, and this paper’s model achieves the best results with the values of 4.2495, 15.8082, 3.5247 and 0.5225 for each index. In conclusion, the prediction model proposed in this paper has high accuracy in intelligent perception prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».