买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州大学

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。

主权项：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；所述局部隐特征的计算方法为： 其中，为地址位置li在时间段t内的局部隐特征，K表示多头注意力的数量，表示多头注意力中K组特征的拼接操作，σ是非线性激活函数，为时间段t-1内地址位置lj的局部隐特征，Nlli代表li的地理邻居集合，是所有地址位置之间共享且可学习的第k组特征的加权参数矩阵；为li和lj之间第k组局部隐特征的近似权重系数，的计算方法为： 其中，为所有边共享且可学习的第k组局部特征的加权参数矩阵，An为注意力机制的具体实现；所述全局隐特征的计算方法为： 其中，为地址位置li在时间段t内的全局隐特征，为时间段t-1内地址位置lj的全局隐特征，Ngli为li在地址关联图上的语义邻居，为所有边共享且可学习的第k组特征的加权参数矩阵；表示li和lj之间第k组全局隐特征的近似权重系数，的计算方法为： 其中，为所有边共享且可学习的第k组全局特征的加权参数矩阵；S3：使用长短时记忆网络构建地址位置的时间依赖关系；具体为：在时间段集T内的地址位置li的输入特征序列向量为其中其中||表示向量的拼接操作；地址位置li在时间段t-1的状态和在时间段t的状态间的时间依赖关系为： 其中，表示长短时记忆网络中的遗忘门，是输入门，为细胞状态，表示细胞更新，代表输出门，是输出，σ是激活函数；Wf、Wz、WC、Wo、bf、bz、bC和bo是需要学习的参数，代表向量连接操作，tanh为激活函数；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；具体为：S4-1：获取地址位置li的标量流行度值的概率分布向量S4-2：采用多头图注意力网络将现有地址位置的局部流行度和全局流行度传递给缺失流行度的地址位置，汇总现有邻居地址位置设施的流行度分布，在时间段t内、计算地址位置li∈Lu的局部空间流行度预测分布为： 在时间段t内，计算地址位置li∈Lu的全局空间流行度预测分布为： S4-3：获取地址位置li在时间段t-1内由长短时记忆网络输出的状态计算地址位置li在时间段t内的时间域流行度预测分布为： 其中，Wtd是所有长短时记忆网络输出状态共享且可学习的加权参数矩阵，Softmax表示Softmax函数操作；S4-4：融合所述和得到所述缺失流行度分布为： 其中，对于给定的流行度分布表示熵的计算方式，其中表示向量的第j个维度，p表示向量的维度数量；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。

全文数据：

权利要求：

百度查询： 苏州大学 城市服务设施自适应增量选址的方法和系统