使用机器学习技术预测德黑兰城市大学校园中的视觉美学偏好.

科学领域:

• 环境心理学 环境心理学
• 计算机科学 计算机科学
• 景观建筑 景观建筑 建筑

背景情况:

• 视觉美学偏好显著影响大学景观的修复潜力.
• 学生的福祉和参与被校园环境美学明显影响.
• 预测美学偏好对于设计有效的学生休息区至关重要.

研究的目的:

• 开发和评估集体学习模型,用于预测学生在大学休息场所的美学偏好.
• 将集合模型的预测精度与传统的单个机器学习模型进行比较.
• 确定有助于美学吸引力和精神恢复的关键景观设计元素.

主要方法:

• 从德黑兰四所大学100个学生休息点的图像中提取了18个特征.
• 收集了394名大学学生的审美偏好数据.
• 用户支持向量回归 (SVR),随机森林 (RF) 和多层感知器 (MLP) 单独和组合组合 (SVR-MLP,SVR-RF-MLP).

主要成果:

• 与个人模型相比,集体学习模型在预测美学偏好方面表现出更高的准确性.
• 个别模型的表现不同:SVR (R2=0.824),MLP (R2=0.814),RF (R2=0.761) 等.
• SVR-MLP组合模型获得了最高的准确性 (在总数据集上R2=0.828).

结论:

• 合体学习为预测和理解学生在校园设计中的美学偏好提供了一个强大的框架.
• 设计元素如增加的绿色,多样化的柔软景观,水特征和颜色的多样性增强了美学吸引力和恢复.
• 结果为建筑师和规划师提供了可操作的见解,以创造更具吸引力和修复性的大学环境.