(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211175414.9 (22)申请日 2022.09.26 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 王璞　孙靓亚　赵雷　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 陈华红子 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 城市服务设施自适应增量选址的方法和系 统 (57)摘要 本发明涉及设施选址领域， 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。 权利要求书6页 说明书18页 附图2页 CN 115545758 A 2022.12.30 CN 115545758 A 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＝Ll∪Lu； 其中Ll表示已经存 在服务设施的地址位置集， Lu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 ri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ri内的地址位置表示为li， 城市路网中的用户行程轨迹集合表示为 Γ， 区域ri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ri在时间段t内的流入轨迹数量表 示为 将区域ri在时间段权　利　要　求　书 1/6 页 2 CN 115545758 A 2t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li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li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ri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ri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ui和用 户uj在社交媒体网络上相互关注， 则将用户ui和用户uj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|Ff(u)|超过了预设的阈值εf 的用户u作为名人 大V， Ff(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ri内所有名人大V的名人影响力推荐效应特征V(ri)＝{|Ff(u1)|,...,|Ff(ui) |,...,|Ff(um)|}， 其中， |Ff(ui)|表示社交媒体网络上关注名人大Vui的其他所有用户数量， m表示区域ri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ri内同类服务设施 地址位置lj在时间段t内的流行度， n为区域ri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ri内地址位置li的多维特 征向量 为：权　利　要　求　书 2/6 页 3 CN 115545758 A 3