技术领域
[0001] 本
发明涉及
数据处理领域，尤其涉及一种基于图卷积神经网络的设施选址方法。
背景技术
[0002] 信息通讯技术的迅猛发展和含有
位置标记和属性数据的地理信息爆炸式出现，为人们理解城市内公共设施的社会经济特征提供了
基础。
[0003] 目前的城市设施选址多基于宏观规划决策或空间优化
算法，其基本思想是：利用已建成的设施位置关系以及相应的功能条件定义约束条件和目标函数，求解规划方程从而确定拟建设施的空间位置。例如，在某地区拟建一个超市以服务于该地区所有用户，需考虑最大化位置通达关系以及市场集聚效应。上述商业选址和规划评估方法的约束条件和目标函数依赖主观定义，对空间关系的综合刻画不够，很难为高
密度、多属性维度的城市空间提供智能的、客观的决策方案。
发明内容
[0004] 本发明的目的在于提供一种基于图卷积神经网络的设施选址方法，从而解决
现有技术中存在的前述问题。
[0005] 为了实现上述目的，本发明采用的技术方案如下：
[0006] 一种基于图卷积神经网络的设施选址方法，包括以下步骤：
[0007] S1、获取待选址的目标设施的类别t、候选地理范围多边形P、当前研究区范围多边形A和辅助环境因子E；
[0008] S2、提取所述候选地理范围多边形P内的候选点位，形成集合L：{l1，l2，l3,...,ln}；提取所述当前研究区范围多边形A内的已有设施，形成集合K：{k1,k2,k3,...,km}；提取所述当前研究区范围多边形A内的已有设施的类别，形成集合T：{t1,t2,t3,...,tm}；
[0009] S3、选取所述集合L内的候选点位L*，根据所述候选点位L*和与其对应的集合K的位置关系构建空间图结构GL；根据所述候选点位L*和与其对应的辅助环境因子E，构建相似性图结构GE；
[0010] S4、基于所述空间图结构GL和所述相似性图结构GE，构建图卷积神经网络G的
预测模型，记录所述候选点位L*的预测结果；
[0011] S5、重复步骤S3和S4，得出所述集合L内所有候选点位的预测结果；进行对比得出最终选址点位。
[0012] 优选的，所述待选址的目标设施的类别t为待选址的目标设施的功能类别；所述候选地理范围多边形P为本次选址任务中待选设施的可用点位构成的外包多边形区域，候选点位全部位于所述候选地理范围多边形P内；所述当前研究区范围多边形A为选址需要参考的所有周边设施构成的范围，所述当前研究区范围多边形A包含所述候选地理范围多边形P；所述辅助环境因子E为对点位的特征进行描述的向量化信息。
[0013] 优选的，所述空间图结构GL可以表示为一个全连接图GL＝(V,WL)，图中每一个
节点v表示一个所述已有设施位置，节点之间的边WL表示设施位置之间的空间邻近程度，距离越近的设施之间边权重越高；相似性图结构GE可以表示为一个全连接图GE＝(V,WE)，图中每一个节点v表示一个所述已有设施位置，节点之间的边WE表示设施位置之间的环境相似性程度，越相似的节点边权重越高。
[0014] 优选的，所述步骤S4的实施步骤包括：
[0015] S41、获取所述已有设施集合K上的人类活动观测信息Y：{Y1,Y2,Y3,...,Ym}，作为待预测的图节点属性；
[0016] S42、初始化图卷积神经网络G＝(V,W)，G中节点V为所述候选点位L*和所述已有设施K,给定超参数α，对所述空间图结构GL和所述相似性图结构GE进行加权求和，得到图卷积神经网络中节点之间的边的权重W＝αWL+(1-α)WE，并计算W的归一化拉普拉斯矩阵[0017] S43、将所述目标设施的类别t作为外围输入变量，所述图卷积神经网络中，所述周边设施的类别向量X＝[x1,x2,x3,...,xm+1]作为输入属性；设定所述待选址的目标设施的类别为t0，所有类别xi≠t0的已有设施节点作为训练集Strain，而所有类别为t0的已有设施节点作为验证集Sval，所述候选点位L*作为测试Stest；图卷积神经网络每一层前向传播的形式为其中Θh为
隐藏层h的神经网络待训练参数；最后输出Z为所述图卷积神经网络选址模型对于所述候选点位L*和所述已有设施K处的人类活动量的预测结果；
[0018] S44、利用训练集Strain中节点的所述人类活动观测信息Y和所述图卷积神经网络输出的Z值之间的差异，实现所述图卷积神经网络的后向传播，
迭代训练所述图卷积神经网络的预测模型。记录每一次训练中所述验证集Sval的预测误差，当所述验证集误差稳定或不再减小时，停止模型训练，记录此时所述测试集Stest中所述候选点位L*的最终预测结果。
[0019] 优选的，所述预测结果为所有候选点位的人类活动强度；将所有所述预测结果进行排序，所述人类活动强度预测结果最大的候选点位即为最终候选点位。
[0020] 优选的，所述设施选址方法包括单一目标设施的图卷积神经网络选址方法和多目标设施的图卷积神经网络选址方法。
[0021] 优选的，所述单一目标设施的图卷积神经网络选址方法在所述
权利要求1中步骤S3中的所述候选点位L*数量为1个；所述多目标设施的图卷积神经网络选址方法在权利要*求1中步骤S3中的所述候选点位L的数量为所述目标设施的数量。
[0022] 本发明的有益效果是：本发明提供一种基于图卷积神经网络的设施选址方法，通过图卷积神经网络这种具有很强空间关系刻画能
力的模型对城市设施的位置关系以及环境特征进行建模，利用观测到的城市人类活动数据作为模型的训练基础，以数据驱动的方式实现客观、准确的城市设施候选位置预测评估。规避了空间
优化算法中主观的约束条件、目标函数设定，不再依赖应用领域的专业知识，基于客观的地理信息基础设施数据和城市人类活动数据，使用图卷积神经网络刻画复杂的空间关系，通过神经网络的半监督训练，不断迭代直到收敛，计算得出待选设施位置的潜力。本发明能够将于设施位置有关的
时空地理
大数据集成在图结构模型中，并通过图卷积的方式有效、智能地刻画设施之间的复杂关系，以数据驱动的方式计算候选设施的潜在收益，给出最优化的设施选址方案；解决了城市设施选址问题中目标约束过于主观以及计算能力不足等
缺陷，提高决策
质量。能够为高密度、多属性维度的城市空间提供智能的、客观的设施选址解决方案。
附图说明
[0023] 图1是基于图卷积神经网络的设施选址方法流程示意图；
[0024] 图2是基于图卷积神经网络的设施选址方法中构建图结构示意图；
具体实施方式
[0025] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0026] 一种基于图卷积神经网络的设施选址方法，可以实现单一目标设施的图卷积神经网络的设施选址，亦可以实现多目标设施的图卷积神经网络的设施选址。所述设施选址方法如图1所示，包括以下步骤：
[0027] S1、获取q个待选址的目标设施的类别t、候选地理范围多边形P、当前研究区范围多边形A和辅助环境因子E；所述待选址的目标设施的类别t为待选址的目标设施的功能类别,如餐厅、酒店、医院等；所述候选地理范围多边形P为本次选址任务中待选设施的可用点位构成的外包多边形区域，候选点位全部位于所述候选地理范围多边形P内；所述当前研究区范围多边形A为选址需要参考的所有周边设施构成的范围，所述当前研究区范围多边形A包含所述候选地理范围多边形P；所述辅助环境因子E为对点位的特征进行描述的向量化信息,如点位周边的街景特征，点位的周围的交通可达性特征等。
[0028] S2、提取所述候选地理范围多边形P内的n个候选点位，形成集合L：{l1，l2，l3,...,ln}；提取所述当前研究区范围多边形A内的m个已有设施，形成集合K：{k1,k2,k3,...,km}；提取所述当前研究区范围多边形A内的m个已有设施的类别，形成集合T：{t1,t2,t3,...,tm}。
[0029] S3、选取所述集合L内的q个候选点位L*：{l1，l2,...,lq}(1≤q≤n)，根据所述候选点位L*：{l1，l2,...,lq}和与其对应的集合K的位置关系构建空间图结构GL；根据所述候选点位L*和与其对应的辅助环境因子E，构建相似性图结构GE；所述空间图结构GL可以表示为一个全连接图GL＝(V,WL)，图中每一个节点v表示一个所述已知设施位置，可用距离衰减函数Dist(vi,vj)表示连接位置vi和vj的边的属性值；节点之间的边WL表示设施位置之间的空间邻近程度，距离越近的设施之间边权重越高；相似性图结构GE可以表示为一个全连接图GE＝(V,WE)，图中每一个节点v表示一个所述已知设施位置，节点之间的边WE表示设施位置之间的环境相似性程度，越相似的节点边权重越高，可用某种相似性度量函数Sim(Ei,Ej)表示连接位置vi和vj的边的属性值；。
[0030] S4、基于所述空间图结构GL和所述相似性图结构GE，构建图卷积神经网络G的预测模型，记录所述候选点位L*的预测结果；所述图卷积神经网络的预测模型构建步骤包括:
[0031] S41、获取所述已有设施集合K上的的人类活动观测信息Y：{Y1,Y2,Y3,...,Ym}，作为待预测的图节点属性；
[0032] S42、初始化图卷积神经网络G＝(V,W)，G中节点V为所述候选点位L*,给定超参数α，对所述空间图结构GL和所述相似性图结构GE进行加权求和，得到图卷积神经网络中节点之间的边的权重W＝αWL+(1-α)WE，并计算W的归一化拉普拉斯矩阵
[0033] S43、将所述目标设施的类别t作为外围输入变量，所述图卷积神经网络中，设定所述待选址的目标设施的类别为t0，所述周边设施的类别向量X＝[x1,x2,x3,...,xm+1]作为输入属性，所有类别xi≠t0的已有设施节点作为训练集Strain，而所有类别为t0的已有设施节点作为验证集Sval，所述候选点位L*作为测试Stest；图卷积神经网络每一层前向传播的形式为其中Θh为隐藏层h的神经网络待训练参数；，Θ和 能够综合刻画设施之间复杂的空间关系。最后一层输出的Z为m+q维的向量，所述m为所述候选点位周边的所述已有设施的数量，所述q为所述候选点位的数量。最后输出Z为所述图卷积神经网络选址模型对于所述候选点位L*和所述已有设施K处的人类活动量的预测结果；
[0034] S44、利用训练集Strain中节点的所述人类活动观测信息Y和所述图卷积神经网络输出的Z值之间的差异，实现所述图卷积神经网络的后向传播，迭代训练所述图卷积神经网络的预测模型。记录每一次训练中所述验证集Sval的预测误差，当所述验证集误差稳定或不再减小时，停止模型训练，记录此时所述测试集Stest中所述q个候选点位L*的最终预测结果。
[0035] S5、重新选择q个候选点位L*：{l1，l2,...,lq}(1≤q≤n)，重复模型初始化和训练过程(与上次的L*不完全相同，共执行 次)。重复步骤S3和S4，得出所述集合L内所有候选点位的预测结果。对模型结果进行排序，以候选点位人类活动强度最大的结果作为最终选址点位。
[0036] 所述单一目标设施的图卷积神经网络的设施选址与所述多目标设施的图卷积神经网络的设施选址不同之处在于：所述多目标设施的图卷积神经网络的设施选址每次模型需要选择q个候选点位，构造带有m+q个节点的图结构，输入神经网络中进行训练。评价每次模型预测结果时需要考虑q个待选点位的得分总和，反映q个目标设施建在该q个候选点位下的总潜在收益。
[0037] 所述基于图卷积神经网络的设施选址方法中构建图结构示意图如图2所示[0038]
实施例[0039] 本实施例中，将待选址目标设置类别定为咖啡厅，
定位在北京市海淀区中关村范围内，首先提取所述北京市海淀区中关村范围内的所有闲置商铺，收集所述北京市海淀区中关村范围内的已有设施，以及街景信息和各类活跃设施近一年的社交媒体签到次数；在选址过程中，需要综合考虑范围内的已有设施的类型和活跃程度对于待选位置的影响，评估每一个待选位置的潜在收益，从而确定最优待选位置。
[0040] 其中，待选址目标设施类别t为：咖啡厅；
[0041] 研究范围多边形A为：中关村行政范围多边形；
[0042] 候选地理范围多边形P为：中关村范围内闲置商铺构成的外包多边形；
[0043] 待选点位置集合L为：中关村范围内的闲置商铺的地理坐标序列；
[0044] 已有设施位置K为：中关村范围内所有活跃设施的地理坐标序列；
[0045] 已有设施类别信息T为：中关村范围内所有活跃设施的类别变量序列；
[0046] 辅助环境因子E为:设施地理坐标处的街景信息(可用特征提取方法进行向量化)；
[0047] 在实际操作中，距离衰减函数和相似度度量函数的定义不受固定约束。例如，可根据用户的偏好对于衰减强度进行调整，选择幂率衰减、指数衰减、高斯衰减等不同函数形式或者调整函数的重要参数；可使用切比
雪夫距离、余弦相似度、相关系数等指标定义相似度函数。另外，可以定义特定的边权重
阈值e，忽略权重w
[0048] 将近一年的社交媒体签到数据通过地理编码的方式，将签到坐标与已有设施位置K对应匹配，获取已有设施点位的人类活动频次信息Y：{Y1,Y2,Y3,...,Ym}，已有设施位置上的签到频次反映该位置的客观人类活跃强度，Y值越高代表该位置潜力越大，选址越合理。
[0049] 通过采用本发明公开的上述技术方案，得到了如下有益的效果：
[0050] 本发明提供一种基于图卷积神经网络的设施选址方法，通过图卷积神经网络这种具有很强空间关系刻画能力的模型对城市设施的位置关系以及环境特征进行建模，利用观测到的城市人类活动数据作为模型的训练基础，以数据驱动的方式实现客观、准确的城市设施候选位置预测评估。规避了空间优化算法中主观的约束条件、目标函数设定，不再依赖应用领域的专业知识，基于客观的地理信息基础设施数据和城市人类活动数据，使用图卷积神经网络刻画复杂的空间关系，通过神经网络的半监督训练，不断迭代直到收敛，计算得出待选设施位置的潜力。本发明能够将于设施位置有关的时空地理大数据集成在图结构模型中，并通过图卷积的方式有效、智能地刻画设施之间的复杂关系，以数据驱动的方式计算候选设施的潜在收益，给出最优化的设施选址方案；解决了城市设施选址问题中目标约束过于主观以及计算能力不足等缺陷，提高决策质量。能够为高密度、多属性维度的城市空间提供智能的、客观的设施选址解决方案。
[0051] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
