Developing a land-use model for large-scale cases is a topic that has received less attention in the literature, while it is crucial for transportation engineers and urban planners to analyze the effect of various policies in multi-jurisdiction metropolitan areas and to some extent on a statewide scale. While gravity-based models are too simplistic, microsimulation models require extensive data and massive computation. This paper presents a land-use model that can be applied to large-scale geographies using publicly available data and be able to forecast demographic and socioeconomic attributes with reasonable accuracy and acceptable computational time. The proposed model incorporates Putman’s Integrated Transportation–Land-Use Package (ITLUP) and Kockelman’s Gravity-based Land-Use Model (G-LUM) fundamentals with enhanced formulation of newly added variables and structural changes. Considering the nonconvex and nonlinear nature of the proposed model, we utilize an enhanced genetic algorithm for base year calibration. Further, we assess the accuracy of the model with backcasting validation. We utilize the state of Tennessee as the case study area and utilized all open-source data available to the model application. The model results show reasonably accurate estimates of households by size, employment by industry, and land utilization by condition. As applicable, the model outperforms G-LUM by accuracy (R² and Percentage of Good Prediction (PGP)) and error measures (Mean Absolute Percentage Error (MAPE)). The proposed land-use model has the potential to be applied for medium to large-scale geographies with reasonable accuracy in predicting socioeconomic, demographic, and land condition estimates by using publicly available data.

在大型案例中开发土地使用模型是一个在文献中很少受到关注的话题，而对于运输工程师和城市规划者来说，分析多辖区大都市地区各种政策的影响并在一定程度上至关重要。在全州范围内。尽管基于重力的模型过于简单，但微仿真模型需要大量的数据和大量的计算。本文提出了一种土地使用模型，该模型可以使用公开可用的数据应用于大规模地理区域，并且能够以合理的准确性和可接受的计算时间来预测人口统计和社会经济属性。提议的模型结合了Putman的综合运输-土地使用方案（ITLUP）和Kockelman的基于重力的土地利用模型（G-LUM）的基本原理，并增加了新增加的变量和结构变化的表述。考虑到所提出模型的非凸性和非线性性质，我们利用增强的遗传算法进行基准年校准。此外，我们通过回溯验证来评估模型的准确性。我们利用田纳西州作为案例研究区域，并利用了可用于模型应用程序的所有开源数据。模型结果显示了按规模，按行业分列的就业以及按条件划分的土地利用情况下的家庭的合理准确估计。在适用情况下，该模型的准确度优于G-LUM（考虑到所提出模型的非凸性和非线性性质，我们利用增强的遗传算法进行基准年校准。此外，我们通过回溯验证来评估模型的准确性。我们利用田纳西州作为案例研究区域，并利用了可用于模型应用程序的所有开源数据。模型结果显示了按规模，按行业分列的就业以及按条件划分的土地利用情况下的家庭的合理准确估计。在适用情况下，该模型的准确度优于G-LUM（考虑到所提出模型的非凸性和非线性性质，我们利用增强的遗传算法进行基准年校准。此外，我们通过回溯验证来评估模型的准确性。我们利用田纳西州作为案例研究区域，并利用了可用于模型应用程序的所有开源数据。模型结果显示了按规模，按行业分列的就业以及按条件划分的土地利用情况下的家庭的合理准确估计。在适用情况下，该模型的准确度优于G-LUM（模型结果显示了按规模，按行业分列的就业以及按条件划分的土地利用情况下的家庭的合理准确估计。在适用情况下，该模型的准确度优于G-LUM（模型结果显示了按规模，按行业分列的就业以及按条件划分的土地利用情况下的家庭的合理准确估计。在适用情况下，该模型的准确度优于G-LUM（R ²和良好预测百分比（PGP））和误差度量（平均绝对百分比误差（MAPE））。拟议的土地利用模型具有潜力，可以通过使用公开可用的数据，以合理的精度将其应用于中型到大型地理环境，以预测社会经济，人口和土地状况估计。