城市服务设施自适应增量选址的方法和系统技术方案

本发明专利技术涉及设施选址领域，公开一种城市服务设施自适应增量选址的方法和系统，方法包括：获取城市路网结构和用户行为数据构建地址关联图；使用图神经网络构建地址位置的空间关联关系，根据空间关联关系从地址关联图中提取地址位置的局部隐特征和全局隐特征；使用长短时记忆网络构建地址位置的时间依赖关系，根据局部隐特征、全局隐特征和时间依赖关系预测缺失流行度分布；结合局部隐特征、全局隐特征和缺失流行度分布得到流行度预测结果进行选址；系统包括地址关联图构建模块、特征提取模块、缺失流行度预测模块和选址模块。本发明专利技术可以充分挖掘用户活跃度和社交行为等数据，实现与时空域结合的自适应选址，结果准确科学、效率高、效果好。效果好。效果好。

【技术实现步骤摘要】
城市服务设施自适应增量选址的方法和系统


[0001]本专利技术涉及设施选址
，尤其是指一种城市服务设施自适应增量选址的方法和系统。

技术介绍

[0002]在智慧城市或数字城市的建设发展过程中，城市中服务设施(如商场、医院、便民店、汽车充电桩等)的选址需要根据城市的整体规划布局和居民的工作生活需求等要求进行，从而在一定的城市区域内确定哪一个(或多个)候选地址是适合建造该服务设施的。城市服务设施选址规划是一项十分复杂的工作，选址模型的研究具有重要的理论价值、经济收益和社会意义。良好的选址规划能给居民的工作和生活带来便利，降低生产或商业成本，提高相应设施的服务效率和竞争力，完善整个城市服务体系，提高城市的综合服务能力，同时还能缓解城市的交通压力和环境压力等，对城市各个方面都有着积极的作用。
[0003]现阶段大部分城市都已经发展到了一定的阶段，相应的服务设施也都存在于城市的不同区域中。例如，随着城市的不断发展，城市规模和居民数量都持续增加，连锁商店为了扩大经营规模，需要评估候选地址，然后继续开设不同的分店。因此服务设施的增量选址研究就变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市服务设施自适应增量选址的方法，其特征在于，包括：S1：获取包括城市路网结构和用户行为的输入数据，根据所述输入数据构建地址关联图；S2：使用图神经网络构建地址位置的空间关联关系，根据所述空间关联关系从所述地址关联图中提取地址位置的局部隐特征和全局隐特征；S3：使用长短时记忆网络构建地址位置的时间依赖关系；S4：根据所述局部隐特征、全局隐特征和时间依赖关系预测缺失流行度分布；S5：结合所述局部隐特征、全局隐特征和缺失流行度分布得到最终的流行度预测结果，根据所述最终的流行度预测结果进行目标设施的选址。2.根据权利要求1所述的城市服务设施自适应增量选址的方法，其特征在于：根据所述输入数据构建地址关联图，具体为：S1
‑
1：根据所述城市路网结构得到所有地址位置的集合L＝L
l
∪L
u
；其中L
l
表示已经存在服务设施的地址位置集，L
u
表示不存在服务设施的候选地址位置集；S1
‑
2：根据所述集合L和城市路网结构中的用户行为轨迹、城市的行政区划划分城市区域得到满足最小路网距离间隔的城市区域集合S1
‑
3：提取所述城市区域集合和所述用户行为中包含地址位置的特征得到三维张量S1
‑
3：将所述集合L中的所有地址位置作为图节点，地址位置之间的空间邻接关系作为图的边，构建地址关联图其中，节点集Λ＝L是所有地址位置的集合，A为节点集Λ的邻接矩阵。3.根据权利要求2所述的城市服务设施自适应增量选址的方法，其特征在于：根据所述集合L和城市路网结构中的用户行为轨迹、城市的行政区划划分城市区域得到满足最小路网距离间隔的城市区域集合具体为：S1
‑2‑
1：以城市行政市辖区的区划为单位对整个路网空间区域进行划分得到初始划分区域；S1
‑2‑
2：以集合L中的地址位置为中心、以路网道路为边界，使用聚类算法将区域内的所有用户行为轨迹聚集到相应的地址位置周围得到|L|个簇，||表示集合中元素的个数；S1
‑2‑
3：将所有相邻簇的最外侧行程轨迹之间具有最小路网距离间隔的道路作为对应区域的划分分隔线，使用所述划分分隔线划分所述初始划分区域得到城市区域集合r
i
为划分得到的第i个区域。4.根据权利要求3所述的城市服务设施自适应增量选址的方法，其特征在于：提取所述城市区域集合和所述用户行为中包含地址位置的特征得到三维张量具体为：S1
‑3‑
1：根据用户行为中的时空轨迹特征提取轨迹到地址位置的路网距离分布特征：S1
‑3‑1‑
1：将区域r
i
内的地址位置表示为l
i
，城市路网中的用户行程轨迹集合表示为Γ，区域r
i
在时间段t内的轨迹流入集合表示为轨迹流出集合表示为将区域r
i
在时间段t内的流入轨迹数量表示为在时间段t内的流入轨迹数量表示为将区域r
i
在时间段
t内的流出轨迹数量表示为t内的流出轨迹数量表示为S1
‑3‑1‑
2：计算集合中每一条轨迹与l
i
的路网空间往返道路距离得到所有的距离结果集合计算集合中每一条轨迹与l
i
的路网空间往返道路距离得到所有的距离结果集合S1
‑3‑1‑
3：使用高斯分布拟合中的距离数据分布情况，使用高斯分布拟合中的距离数据分布情况，将所述和作为轨迹到地址位置的路网距离分布特征；S1
‑3‑
2：根据用户行为中的轨迹用户的社交朋友关系数量和名人大V的推荐效力提取区域内的社交影响力特征：S1
‑3‑2‑
1：将区域r
i
在时间段t内行程轨迹集对应的产生用户集表示为将区域r
i
在时间段t内行程轨迹集对应的产生用户集表示为如果用户u
i
和用户u
j
在社交媒体网络上相互关注，则将用户u
i
和用户u
j
认定为朋友；计算对应的用户社交推荐特征为：计算对应的用户社交推荐特征为：其中，表示用户u在时间片t内的朋友集合；S1
‑3‑2‑
2：将用户u在社交媒体网络上被关注的用户数量|F
f
(u)|超过了预设的阈值ε
f
的用户u作为名人大V，F
f
(u)表示社交媒体网络上关注用户u的其他所有用户数量；计算区域r
i
内所有名人大V的名人影响力推荐效应特征V(r
i
)＝{|F
f
(u1)|,...,|F
f
(u
i
)|,...,|F
f
(u
m
)|}，其中，|F
f
(u
i
)|表示社交媒体网络上关注名人大Vu
i
的其他所有用户数量，m表示区域r
i
内名人大V的总数量；S1
‑3‑
3：获取同类设施竞争特征其中，表示区域r
i
内同类服务设施地址位置l
j
在时间段t内的流行度，n为区域r
i
内同类服务设施地址位置的个数；S1
‑3‑
4：结合所述城市区域集合和所述用户行为中所有包含地址位置的特征，得到在时间段t和城市区域r
i
内地址位置l
i
的多维特征向量为：
其中，和分别为高斯分布中的均值与方差平方，和分别为高斯分布中的均值与方差平方；S1
‑3‑
5：整个时间段集合T...

【专利技术属性】
技术研发人员：王璞，孙靓亚，赵雷，
申请(专利权)人：苏州大学，
类型：发明
国别省市：