基于深度学习的老年人住房评估中住宅平面图属性预测

摘要

本方案描述了一种用于住宅平面图图像自动化分析的元集成深度学习工作流程。该流程包括数据集预处理、利用多个卷积神经网络进行建筑属性预测、基于堆叠的集成学习、基于规则的住宅分类，以及使用SHapley加性解释（SHapley Additive exPlanations）进行可解释性分析，以支持住宅布局评估。

摘要

随着老龄人口对智能住宅解决方案的需求不断增长，住宅平面图分析的自动化方法也愈发受到关注。传统的建筑评估方法通常依赖人工操作，耗时较长且难以规模化，这凸显了基于人工智能的技术在解读空间布局和支持住宅设计评估方面的必要性。本方案描述了一种用于住宅平面图图像自动化分析的元集成深度学习框架。所提出的 CARE-MIRV-Net 框架集成了四种互补的卷积神经网络——MobileNetV2、InceptionV3、ResNet101 和 VGG16，用于预测建筑属性，包括建筑面积（平方英尺）、卧室数量、浴室数量以及车库数量。基础模型的预测结果通过基于堆叠的元集成模型进行融合，并进一步输入基于规则的决策层，以将住宅布局分类为适老住宅、医疗照护住宅或普通住宅。实验评估表明，该模型在多个目标变量上均表现出稳健的预测性能。在建筑面积预测任务中，模型的平均绝对误差（MAE）为 432.48，决定系数（R²）为 0.7053；在浴室数量预测中，R² 达到 0.7605；而在车库数量预测中，模型取得了最低的 MAE（0.1697）和最高的 R²（0.6958）。定性分析进一步验证了该框架在生成建筑属性预测结果以及支持面向应用的住宅布局评估方面的能力。为增强模型的透明性与可解释性，本研究引入 SHapley Additive exPlanations 方法，量化各基础模型对最终预测结果的贡献。所提出的框架为住宅平面图分析与决策支持提供了一种可解释且可扩展的解决方案。

引言

智慧城市技术和智能生活环境的快速发展，使得住宅设计领域对自动化和数据驱动解决方案的需求日益增长。特别是人口老龄化加剧以及对医疗导向型住房的需求增加，进一步凸显了设计兼具功能性并满足特定用户群体需求的居住空间的重要性^1,2。传统的建筑平面图分析方法通常依赖人工操作，耗时较长且需要专家解读，因此效率低下且难以规模化应用。这促使人们迫切需要能够自动分析住宅布局并支持科学决策的智能系统³。

人工智能（AI）领域的最新进展，特别是在深度学习（DL）和计算机视觉方面的进步，显著提升了基于图像数据的分析能力。卷积神经网络（CNNs）在空间特征提取和复杂视觉模式学习方面表现出高度有效性，因此适用于平面图图像分析^4,5,6。这些模型能够学习房间结构、布局组织以及空间关系的隐式表征，而这些表征对于预测建筑属性至关重要^7,8。然而，单一深度学习模型的依赖可能限制其泛化能力，因为不同的网络架构可能关注不同的空间特征，并因建筑形式的多样性....

方案

本研究使用了来自 Kaggle 平台的公开数据集（Floor Plan Images and Their Details，可访问：https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details 获取；访问日期：2026年4月16日）。该研究未涉及人类受试者、动物或可识别个人身份的数据，因此无需伦理审批和知情同意。

本方案介绍了一种基于人工智能的住宅平面图图像自动化分析框架，重点关注具有空间感知能力且面向医疗保健的设计。完整的实验工作流程如图1所示。该方案旨在弥合低层次建筑特征预测与高层次应用导向决策之间的差距，通过整合深度学习（DL）、集成建模和可解释人工智能（AI），为住宅布局分析提供准确、稳健且可解释的解决方案。该框架包含多个阶段：首先进行数据获取与预处理，随后利用深度卷积神经网络（CNN）进行特征学习，接着进行元集成预测，最后实现应用层面的分类。初始阶段，对平面图图像及其对应的建筑属性进行预处理，包括调整尺寸、归一化和数据增强，以确保数据一致性并提升模型泛化能力。所有平面图图像均被调整为224 × 224像素，并归一化至[0, 1]范围。在训练过程中应用数据增强技术，包括随机水平翻转、旋转、缩放以及宽高平移，以增强模型泛化能力并减少过拟合；未采用垂直翻转。完整的数据增强参数及实现细节见补充文件1。预处理后的数据用于....

结果

开展了一系列实验，以评估所提出的框架，实验中使用了四种深度学习模型，即MobileNetV2、InceptionV3、ResNet101和VGG16，以及所提出的CARE-MIRV-Net元集成模型。

数据集获取与预处理结果

预处理阶段旨在为使用深度学习模型进行训练和评估准备原始平面图图像及相关元数据。数据集来自Kaggle资源库，包含2,640个样本。每个样本由一张平面图图像及其对应的建筑属性组成。仅保留与分析相关的列，包括图像路径、面积（平方英尺）、卧室数量、浴室数量和车库数量，同时删除不完整或空白的记录，以确保数据的一致性和质量。为便于模型的训练与评估，数据集按80:20的比例划分为训练集和测试集，最终得到2,112个训练样本和528个测试样本。在数据集划分过程中使用了固定的随机种子，以确保结果可重复。该划分方式保证了模型在足够大的数据集上进行训练，同时保留了独立的测试集用于客观的性能评估。通过将每条记录映射至数据集目录中的对应位置，对图像路径进行了标准化处理。四个建筑属性（面积、卧室数.......

讨论

本研究提出了CARE-MIRV-Net，一种基于堆叠的元集成深度学习框架，用于住宅平面图图像的自动化分析。该框架集成了四种互补的卷积神经网络（CNN）架构——MobileNetV2、InceptionV3、ResNet101和VGG16，用于预测关键建筑属性，包括建筑面积（平方英尺）、卧室数量、浴室数量以及车库数量。这些预测结果随后通过一个元学习器进行融合，并输入基于规则的决策层，以将住宅布局分类为适老型照护、医疗照护或普通住宅类别。通过结合预测建模、集成学习与可解释人工智能技术，该方法为住宅平面图分析提供了一个统一的框架^3,7,17,20。

代表性结果表明，与单个基础模型相比，CARE-MIRV-Net 在多个架构属性上均实现了更优的预测性能。该集成框架通常可降低预测误差并提高 R²

材料

本文使用的材料清单

姓名	公司	目录编号	评论
CARE-MIRV-Net 实现包	补充文件 1	版本 1.0	N/A
图表重生成脚本	补充文件 1	版本 1.0	N/A
楼层平面图图像及其详细信息数据集	Kaggle	公开数据集	N/A
GPU	NVIDIA Corporation	Tesla T4 × 2	N/A
Intel Xeon 处理器	Intel Corporation	2.20 GHz	N/A
Keras	Keras Team	版本 3.13.2	RRID:SCR_008624
Matplotlib	Matplotlib 开发团队	版本 3.9	RRID:SCR_008624
NumPy	NumPy 开发者	版本 2.4.6	RRID:SCR_008633
操作系统	Linux	Ubuntu 22.04 LTS	N/A
Pandas	Pandas 开发团队	版本 2.3.3	RRID:SCR_018214
Python	Python 软件基金会	版本 3.12.12	RRID:SCR_008394
Scikit-learn	Scikit-learn 开发者	版本 1.6.1	RRID:SCR_002577
SHAP	SHAP 开发团队	版本 0.51.0	N/A
系统内存 (RAM)	云计算环境	31 GB	N/A
TensorFlow	Google	版本 2.19.0	RRID:SCR_016345
训练环境配置文件	补充文件 1	版本 1.0	N/A