申请/专利权人：朱递;刘瑜

申请日：2019-12-09

公开（公告）日：2024-04-16

公开（公告）号：CN110991914B

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q30/0202;G06N3/0464;G06N3/042;G06N3/045;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.04.09#专利申请权的转移;2020.05.05#实质审查的生效;2020.04.10#公开

摘要：一种基于图卷积神经网络的设施选址方法，利用输入的待选址设施类别、当前目标范围内已有建成设施的空间布局以及可观测到的人类活动强度信息，对所有候选位置点位进行预测评估，从而选择最优点位作为选址结果输出。技术上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。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。

主权项：1.一种基于图卷积神经网络的设施选址方法，其特征在于，包括以下步骤：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；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}；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；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；具体为：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；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-αWE，其中，WL表示设施位置之间的空间邻近程度，WE表示设施位置之间的环境相似性程度，并计算W的归一化拉普拉斯矩阵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，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*作为测试集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；最后一层输出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；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最后一层输出的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；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；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。

全文数据：

权利要求：

百度查询： 朱递;刘瑜 一种基于图卷积神经网络的设施选址方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD