基于決策樹分類的可拓建筑策劃預測方法

郭強，鄒廣天

(1.哈爾濱工業(yè)大學 建筑學院，黑龍江 哈爾濱 150006；2. 哈爾濱工業(yè)大學 建筑計劃與設(shè)計研究所，黑龍江 哈爾濱 150006;3.黑龍江省寒地建筑科學重點實驗室，黑龍江 哈爾濱，150006)

基于決策樹分類的可拓建筑策劃預測方法

郭強，鄒廣天

(1.哈爾濱工業(yè)大學 建筑學院，黑龍江 哈爾濱 150006；2. 哈爾濱工業(yè)大學 建筑計劃與設(shè)計研究所，黑龍江 哈爾濱 150006;3.黑龍江省寒地建筑科學重點實驗室，黑龍江 哈爾濱，150006)

為提升建筑師在策劃過程中科學預測的能力，提出了一種基于決策樹分類的可拓建筑策劃預測方法。首先，運用數(shù)據(jù)采集軟件批量采集互聯(lián)網(wǎng)中的建筑案例數(shù)據(jù)，將數(shù)據(jù)預處理后存儲至建筑案例庫中；其次，通過評價特征選取、評價信息元集生成、決策樹構(gòu)建等步驟，獲得決策樹模型；最后，運用該模型預測當前策劃項目的性能指標是否滿足要求，并給出不滿足要求情況下性能指標變換的途徑。案例檢驗表明，該方法能有效提高建筑師運用互聯(lián)網(wǎng)數(shù)據(jù)的能力，能夠挖掘決策樹分類知識，從而加速計算機輔助可拓建筑策劃的進程。

可拓建筑策劃；決策樹；分類；指標預測；可拓變換

可拓建筑策劃(extension architectural program， EAP)是將可拓創(chuàng)新方法引入建筑策劃領(lǐng)域，通過問題界定、可拓分析、可拓變換、策略評價等一系列程序來生成創(chuàng)新策略的方法，其目的是指導建筑設(shè)計創(chuàng)新[1]。可拓建筑策劃過程中急需對場地、規(guī)模、功能、空間、形象、技術(shù)等方面的性能指標進行科學預測的方法。

隨著計算機輔助建筑設(shè)計(CAAD)和信息技術(shù)的迅速發(fā)展，互聯(lián)網(wǎng)中的建筑案例已成為建筑師不可或缺的數(shù)據(jù)資源。案例輔助建筑設(shè)計已經(jīng)引起建筑學界的廣泛關(guān)注。魏力愷構(gòu)建并開發(fā)了基于建筑空間關(guān)系原型的建筑案例檢索系統(tǒng)Architable[2]，孟潔提出了基于案例推理(case-based reasoning)的建筑方案設(shè)計流程[3]，段正勵等提出了基于ArcGIS軟件的杭州市工業(yè)建筑遺產(chǎn)案例庫構(gòu)建與綜合分析方法[4]，張頡等提出了基于建筑信息模型的建筑空間拓撲關(guān)系提取插件和案例檢索方法[5]，孫澄等提出了基于神經(jīng)網(wǎng)絡(luò)的嚴寒地區(qū)辦公建筑節(jié)能性能預測與形態(tài)設(shè)計方法[6]。然而，上述方法均未涉及互聯(lián)網(wǎng)中的海量案例，也缺乏比較深入的案例分析方法。因此，研究互聯(lián)網(wǎng)中案例數(shù)據(jù)獲取及從中挖掘知識的方法將具有重要意義。

決策樹是一種常用的分類預測工具。它通過建立一個模型或分類器來預測類別，其優(yōu)勢是需要的數(shù)據(jù)準備很少，不需要任何領(lǐng)域知識，既擅長處理連續(xù)型變量，也擅長處理建筑案例中常見的離散型變量。基于決策樹知識的可拓知識挖掘方法是決策樹分類和可拓創(chuàng)新方法相交叉的結(jié)果。首先利用遞推的基本思想構(gòu)造決策樹，并從中提取規(guī)則，然后分析當前面對的矛盾問題，利用這些規(guī)則預測可拓變換的實施效果，進而篩選出可行的變換[7]。該方法能夠預測可拓建筑策劃項目的性能指標(通常難以通過計算獲得)是否滿足策劃要求，并給出不滿足要求情況下性能指標變換的途徑。相關(guān)研究還有趙燕偉等提出的基于改進BP神經(jīng)網(wǎng)絡(luò)的可拓分類器構(gòu)建方法[8]；李亞飛等提出的基于決策樹分類的云南省迪慶地區(qū)景觀類型預測方法[9]；王茂軍等[10]提出的基于決策樹法的北京城市居民通勤距離模式挖掘方法。針對互聯(lián)網(wǎng)中的海量建筑案例，我們提出了基于決策樹分類的可拓建筑策劃預測方法。

1 建筑案例數(shù)據(jù)的獲取和預處理

1.1 數(shù)據(jù)獲取

可拓建筑策劃分類的對象是建筑案例庫中的案例，用物元[11]描述為

式中：c1，c2，…，cn為建筑案例的特征；v1，v2，…，vn為建筑案例特征對應的量值。案例特征應盡可能反映建筑的全部信息，分為建筑所處環(huán)境特征和建筑物自身特征。前者包括建筑基地的社會、人文、交通、環(huán)境、景觀、經(jīng)濟等方面，后者包括基本信息、設(shè)計構(gòu)思、場地、功能、空間、形象、技術(shù)、評價等方面(見表1)。兩者通過空間方位屬性相關(guān)聯(lián)，可以形成每棟建筑物的完整數(shù)據(jù)。

表1 建筑案例數(shù)據(jù)特征

數(shù)據(jù)獲取是運用數(shù)據(jù)采集軟件將互聯(lián)網(wǎng)中的案例數(shù)據(jù)獲取到建筑案例庫的過程。鑒于智能性和穩(wěn)定性，本文選用火車采集器，從政府門戶網(wǎng)站、建筑策劃與設(shè)計機構(gòu)網(wǎng)站、建筑案例共享平臺、各類百科等網(wǎng)站來采集案例。首先需要設(shè)置網(wǎng)址采集規(guī)則、內(nèi)容采集規(guī)則、導入數(shù)據(jù)庫規(guī)則和其他規(guī)則，數(shù)據(jù)采集結(jié)果以二維關(guān)系數(shù)據(jù)表形式存儲在MySQL軟件中，多個數(shù)據(jù)表之間以主鍵和外鍵相關(guān)聯(lián)。另外，火車采集軟件能夠制定采集計劃來完成建筑案例庫數(shù)據(jù)的動態(tài)更新。

1.2 數(shù)據(jù)預處理

在分類與預測之前，需要進行數(shù)據(jù)預處理，包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)集成、數(shù)據(jù)歸約等。

數(shù)據(jù)轉(zhuǎn)換是參照項目名稱-空間位置對照表、建筑中英文對照表、建筑同義詞對照表、計量單位轉(zhuǎn)換表，對案例數(shù)據(jù)進行轉(zhuǎn)換處理，解決數(shù)據(jù)語義多樣性問題。

數(shù)據(jù)集成是將來自多個數(shù)據(jù)源的數(shù)據(jù)進行合并，以提高分類的速度和精確性。為統(tǒng)一格式，在數(shù)據(jù)集成中起關(guān)鍵作用的空間方位屬性用(E,N)來表示，例如：哈爾濱工業(yè)大學建筑學院的空間方位屬性，記作(126°37′53.85″E,45°45′02.16″N)。

數(shù)據(jù)集成時經(jīng)常出現(xiàn)屬性值缺失、數(shù)據(jù)不一致、數(shù)據(jù)存在噪聲等問題，這些問題將對預測結(jié)果產(chǎn)生重大影響。噪聲數(shù)據(jù)常用回歸分析、離群點分析等方法來進行光滑處理[12]。缺失值通過以下方式來處理：1)當缺失值恰好為分類特征時，直接刪除該條數(shù)據(jù)；2)使用全局常量，如Unkown來填充；3)使用屬性所有值的中心度量(如均值或中位數(shù))來填充；4)使用其他演算推理的方式來批量填充。

數(shù)據(jù)值域不一致往往將造成預測結(jié)果與意義難以解釋，常用數(shù)據(jù)歸約的方法進行標準化處理。

2 可拓建筑策劃分類預測方法

可拓建筑策劃分類預測的核心是決策樹算法，利用信息熵的原理，選擇具有最高信息增益的特征作為分裂特征，遞歸地構(gòu)建決策樹的分支。它包括模型構(gòu)建、模型檢驗、模型應用3個環(huán)節(jié)，具體分為評價特征選取、評價信息元集生成、決策樹模型構(gòu)建和當前策劃項目指標預測4個步驟，如圖1所示。

圖1 基于決策樹分類的EAP預測方法流程圖Fig.1 Flow chart of the predict method for EAP based on decision tree classification

2.1 根據(jù)建筑專業(yè)知識選取評價特征

通過前期訪談、現(xiàn)場調(diào)研、模式構(gòu)想、方案試做等環(huán)節(jié)，建筑師已經(jīng)確定當前建筑策劃項目的基本特征。現(xiàn)需要對它的性能指標進行預測，檢驗是否滿足策劃要求。首先確定要預測的性能指標，在決策樹分類時將這些指標稱為分類特征，如建筑風格、空間開放性、流線合理性、技術(shù)可行性、環(huán)境協(xié)調(diào)性等。確定分類特征后，根據(jù)建筑專業(yè)知識，選取與之密切相關(guān)的評價特征，如與建筑風格相關(guān)的評價特征(包括屋頂類型、立面色彩、建筑材料等)。有時某些評價特征可能并未出現(xiàn)在建筑案例表中，需要根據(jù)表中數(shù)據(jù)計算，如容積率可通過規(guī)劃用地范圍內(nèi)建筑面積總和與用地面積的比值計算得到。

2.2 選取目標數(shù)據(jù)生成評價信息元集

根據(jù)可拓建筑策劃的預測要求，從建筑案例庫中選取相關(guān)案例，應盡可能選擇評價等級較高的數(shù)據(jù)，以保證分類結(jié)果的準確性。將取出的案例刪除其他特征，只保留分類特征和評價特征，得到建筑案例的評價信息元集，記作

該集合表示：對象O關(guān)于特征Cj的量值為Vj構(gòu)成的信息元集合[7]。

將建筑案例評價信息元集隨機地分為兩組：一組是訓練案例集，用于構(gòu)建決策樹模型，一般取建筑案例總量的80%～90%；另一組是檢驗案例集，取剩下的部分，用于檢驗模型的準確性。模型準確率是指檢驗案例集中被正確分類的建筑案例數(shù)量與該集合中建筑案例總數(shù)量的比值。

2.3 構(gòu)建決策樹提取分類規(guī)則知識

假設(shè)按評價特征A對I中的建筑案例進行劃分，且特征A具有k個量值(v1，v2，…，vk)。

2.3.1 特征A為離散型特征

以特征A為根進行分類的信息增益定義為

2.3.2 特征A為數(shù)值型特征

決策樹模型采用貪心算法，以自頂向下遞歸方式構(gòu)建，直到達到下列條件之一終止：

①結(jié)點處的評價信息元屬于同一個類；

②沒有剩余特征用來進一步劃分；

③給定的分支中沒有信息元，即該子集為空，該結(jié)點不需要構(gòu)建。

以上算法均在RapidMiner7.2軟件中進行編輯，決策樹模型的剪枝和準確性檢驗通過設(shè)置X-Validation命令的相關(guān)參數(shù)來完成，經(jīng)過多次反復訓練在很大程度上提升了模型的魯棒性。

決策樹模型構(gòu)建完畢后，從根結(jié)點到葉結(jié)點的每條路徑建立一個規(guī)則，以IF-THEN形式的分類規(guī)則表示，并用支持度(support)和置信度(confidence)進行評估。這些規(guī)則將形成分類知識庫，作為建筑性能指標預測的依據(jù)。規(guī)則R可表示為R:A?B[confidence，support]

以可拓建筑策劃中的規(guī)則R1為例，R1可表示為

R1:屋頂類型=坡屋頂∧屋面材料=瓦片?

建筑風格=歐式 (80%，40%)

上述規(guī)則表示，屋頂類型為坡屋頂并且屋面材料為瓦片的建筑案例中，建筑風格為歐式的案例占到80%。同時滿足坡屋頂、屋面材料為瓦片、歐式風格的建筑案例占到所有案例的40%。

2.4 預測當前策劃指標獲取可拓變換途徑

提取當前建筑策劃項目的評價特征，將其導入決策樹模型，獲得預測結(jié)果。若預測結(jié)果滿足策劃要求，則表明當前建筑策劃方案是合理的，可以進入后續(xù)的建筑策劃書生成與表達環(huán)節(jié)。

若預測結(jié)果不能滿足策劃要求，則需要改變當前建筑策劃方案的某些特征，可拓學提供了5種基本變換，即置換變換、增刪變換、擴縮變換、分解變換和復制變換，還有多特征的組合變換等。在可拓建筑策劃中，可拓變換T定義為

針對多特征的變換很容易產(chǎn)生組合爆炸，因此，需要對變換的結(jié)果進行取舍，獲得可行的解變換，獲取解變換的步驟如下。

1)利用上述的決策樹模型對變換后的項目數(shù)據(jù)進行預測，了解實施變換以后產(chǎn)生怎樣的效果，并將預測結(jié)果中滿足策劃要求的變換提取出來，形成當前策劃問題的解變換集。

2)通過計算變換難度，對解變換集進行排序和評優(yōu)。變換難度通過變換系數(shù)來定義：

①對于只存在類別差異，而不存在等級差異的建筑特征，如建筑平面類型、建筑材料類型等，無論變換為哪個值，變換系數(shù)都定義為1；

②對于存在等級差異的建筑特征，如建筑評價等級，當變換為降低等級時，無論降低幾個等級，變換系數(shù)定義都為1；當提高一個等級時，變換系數(shù)定義為1；當提高兩個等級時，變換系數(shù)定義為2，以此類推。

對于多個變換而言，其變換難度[7]按照每個變換系數(shù)加1后累乘再減1進行計算，定義為

變換難度

對于建筑師而言，根據(jù)變換難度對解變換集進行排序后，排名越靠前的變換，可操作性越強，越容易產(chǎn)生最優(yōu)策略。

3 實驗與分析

為了減少建筑建成后給周邊環(huán)境帶來的影響和破壞，在可拓建筑策劃中需要預先評估建筑與周邊環(huán)境的協(xié)調(diào)程度(即建筑環(huán)境協(xié)調(diào)度)。因此，選取某建筑策劃項目的建筑環(huán)境協(xié)調(diào)度預測為例，將火車采集器作為互聯(lián)網(wǎng)案例數(shù)據(jù)抓取工具，將MySQL軟件作為數(shù)據(jù)存儲工具，將RapidMiner作為數(shù)據(jù)預處理和決策樹構(gòu)建工具，具體步驟如下。

1)選取評價特征。首先將建筑環(huán)境協(xié)調(diào)度定義為分類特征，可能取值為差、一般、好，記作Y。根據(jù)建筑專業(yè)知識選取周邊環(huán)境類型、總建筑面積、建筑主體材料、窗墻比、建筑與環(huán)境的形體穿插滲透關(guān)系(即穿插滲透程度)，并將這些參數(shù)作為評價特征，分別記作c1、c2、c3、c4、c5。為簡化計算的難度，對評價特征的取值作出如下規(guī)定。

周邊環(huán)境類型的可能取值為街道型、廣場型、濱水型、植被型；總建筑面積的取值為原案例數(shù)據(jù)表中的值；建筑主體材料對原案例數(shù)據(jù)表中的材料進行歸納，可能取值為天然型、人工型、混合型；窗墻比將原案例數(shù)據(jù)表中的窗墻比數(shù)值進行歸納，可能取值為墻絕對主導型、墻主導型、窗墻對等型、窗主導型、窗絕對主導型，分別記作Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ；穿插滲透程度根據(jù)建筑與環(huán)境的穿插滲透關(guān)系進行評估，可能取值為無滲透、局部滲透、完全滲透。

2)生成評價信息元表。通常直接從建筑案例庫中選擇案例數(shù)據(jù)。目前尚無這方面的數(shù)據(jù)，因此運用火車采集器抓取了ArchDaily網(wǎng)站最新發(fā)布的300個建筑案例，并導入MySQL中。經(jīng)過轉(zhuǎn)換評價特征值，填補缺失值，對不一致數(shù)據(jù)進行糾錯后，最終得到建筑案例評價信息元表(見表2)。

表2 建筑案例評價信息元表

3)構(gòu)建決策樹模型。首先，將評價信息元表導入RapidMiner軟件，定義好分類特征后，運用X-Validation命令完成決策樹模型的構(gòu)建、檢驗與評估。該命令將評價信息元表隨機分為10等份，依次將其中9份作為訓練集，另外1份作為檢驗集，對模型進行10次評估，基本保證了該模型的魯棒性。經(jīng)評估，該模型準確率為84.60%，滿足要求。其次，從上述模型中提取出決策樹分類規(guī)則。由圖2和圖3可知，穿插滲透程度是影響決策樹分類最顯著的特征。

圖2 構(gòu)建的決策樹模型簡圖Fig.2 The chart of decision tree model

圖3 提取的決策樹分類規(guī)則(部分)Fig.3 The decision tree classification rules extracted

4)應用決策樹模型。從當前建筑策劃方案中提取該建筑的5項特征，其中周邊景觀類型c1為街道型，總建筑面積c2為4 000 m2，建筑主體材料c3為混合型，窗墻比c4為Ⅲ型，穿插滲透程度c5為無滲透，需要對建筑環(huán)境協(xié)調(diào)度Y進行預測。將該建筑數(shù)據(jù)導入上述決策樹模型，預測結(jié)果為“差”，不滿足策劃要求。

為使預測結(jié)果變?yōu)椤昂谩保枰獙υ摻ㄖ奶卣鲗嵤┛赏刈儞Q。由于基地條件限制，總建筑面積在建筑立項時已經(jīng)確定，不能改變，因此，需要對特征c1、c3、c4、c5實施可拓變換，具體包括：

…

以上是針對單一特征值的變換，還包括多特征組合變換，最終共產(chǎn)生179(即4×3×5×3-1)種變換，對應著179個變換后的策劃項目數(shù)據(jù)。

利用決策樹模型對這些數(shù)據(jù)進行預測。經(jīng)測試，預測結(jié)果為好、一般、差的項目數(shù)據(jù)分別為69條、77條、33條。這69條數(shù)據(jù)對應的變換，即為當前策劃問題的解變換。將項目數(shù)據(jù)按照變換難度重新進行排序，排名前5位的數(shù)據(jù)將作為最優(yōu)策略提供給建筑師，用于指導策劃方案修改(見表3)。

表3 可拓變換排序結(jié)果(前5位)

4 結(jié)論

基于決策樹分類的可拓建筑策劃預測方法是充分發(fā)揮可拓創(chuàng)新方法和決策樹分類方法的優(yōu)勢，對當前策劃項目的性能指標進行科學預測的方法。

1)通過提出的建筑案例數(shù)據(jù)獲取、數(shù)據(jù)預處理、決策樹構(gòu)建、分類預測、變換篩選等步驟，建筑師能夠從互聯(lián)網(wǎng)中的海量建筑案例中提取出決策樹分類規(guī)則，并給出建筑性能指標的變換途徑。

2)案例檢驗表明，該方法是可行的，具有較強的操作性，能有效解決可拓建筑策劃研究與應用的預測難題。

3)將計算機領(lǐng)域的數(shù)據(jù)采集、決策樹分類技術(shù)引入建筑學領(lǐng)域，能有效提升建筑師運用互聯(lián)網(wǎng)數(shù)據(jù)的能力，加快計算機輔助可拓建筑策劃的進程。

[1]連菲. 可拓建筑策劃的基本理論與應用方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 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]魏力愷. 基于CBR和HTML5的建筑空間檢索與生成研究[D]. 天津: 天津大學, 2013: 108-114. WEI Likai. Architectural spatial retrieval and generating based on CBR and HTML5[D]. Tianjin: Tianjin University, 2013: 108-114.

[3]孟潔. 基于案例推理的建筑方案設(shè)計流程研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 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]段正勵, 劉撫英. 杭州市工業(yè)遺產(chǎn)綜合信息數(shù)據(jù)庫構(gòu)建研究[J]. 建筑學報, 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]張頡, 李昌華, 李智杰. 基于拓撲特征的建筑信息模型檢索方法[J]. 計算機應用研究, 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]孫澄，韓昀松.光熱性能考慮下的嚴寒地區(qū)辦公建筑形態(tài)節(jié)能設(shè)計研究[J].建筑學報，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.

[7]楊春燕, 李小妹, 陳文偉, 等. 可拓數(shù)據(jù)挖掘方法及其計算機實現(xiàn)[M]. 廣州: 廣東高等教育出版社, 2010: 206-214.

[8]趙燕偉, 任設(shè)東, 陳尉剛, 等. 基于改進BP神經(jīng)網(wǎng)絡(luò)的可拓分類器構(gòu)建[J]. 計算機集成制造系統(tǒng), 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]李亞飛, 劉高煥, 黃翀. 基于決策樹分類的云南省迪慶地區(qū)景觀類型研究[J]. 資源科學, 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]王茂軍, 宋國慶, 許潔. 基于決策樹法的北京城市居民通勤距離模式挖掘[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. 數(shù)據(jù)挖掘: 概念與技術(shù)[M]. 范明, 孟小峰, 譯. 3版. 北京: 機械工業(yè)出版社, 2012: 55-65.

Prediction methods for extension architecture programming based on decision tree classification

GUO Qiang1,2，3， ZOU Guangtian1,2，3

(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)

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.

extension architectural program; decision tree; classification; indicators prediction; extension transformation

郭強，男，1985年生，博士研究生，中國人工智能學會會員，主要研究方向為可拓建筑學、可拓建筑策劃數(shù)據(jù)挖掘，參加完成國家自然科學基金項目1項，參編《中國原創(chuàng)學科——可拓學發(fā)展報告2016》。

鄒廣天，男，1960年生，教授，博士生導師，博士，中國人工智能學會可拓學專業(yè)委員會副主任、中國建筑學會建筑師分會建筑策劃專業(yè)委員會副主任、中國環(huán)境行為學會副會長，主要研究方向為建筑計劃學、可拓建筑學、建筑設(shè)計創(chuàng)新學、環(huán)境行為心理學。主持完成國家自然科學基金項目2項，出版專著1部，主編與參編論文集多部，發(fā)表學術(shù)論文200余篇，被EI、CSSCI檢索論文20余篇。

10.11992/tis.201610015

http://kns.cnki.net/kcms/detail/23.1538.TP.20170227.2217.028.html

2016-10-13.

日期：2017-02-27.

國家自然科學基金項目(51178132).

鄒廣天. E-mail：zougt@hit.edu.cn.

TP18； TU18

A

1673-4785(2017)01-0117-07

郭強，鄒廣天. 基于決策樹分類的可拓建筑策劃預測方法[J]. 智能系統(tǒng)學報， 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.