CN112907056B - 一种基于图神经网络的城市管理投诉事件预测方法及系统 - Google Patents

一种基于图神经网络的城市管理投诉事件预测方法及系统 Download PDF

Info

Publication number
CN112907056B
CN112907056B CN202110172121.4A CN202110172121A CN112907056B CN 112907056 B CN112907056 B CN 112907056B CN 202110172121 A CN202110172121 A CN 202110172121A CN 112907056 B CN112907056 B CN 112907056B
Authority
CN
China
Prior art keywords
matrix
neural network
complaint
time
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110172121.4A
Other languages
English (en)
Other versions
CN112907056A (zh
Inventor
唐海娜
张旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Chinese Academy of Sciences
Zhejiang Lab
Original Assignee
University of Chinese Academy of Sciences
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Chinese Academy of Sciences, Zhejiang Lab filed Critical University of Chinese Academy of Sciences
Priority to CN202110172121.4A priority Critical patent/CN112907056B/zh
Publication of CN112907056A publication Critical patent/CN112907056A/zh
Application granted granted Critical
Publication of CN112907056B publication Critical patent/CN112907056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图神经网络的城市管理投诉事件预测方法及系统，该方法设计了基于区域性质将城市资源表征成拓扑图的建模方案，利用城市空间的功能分区类别把城市分割成多个不规则边界的区域，并基于区域之间的空间连接关系构建基础邻接矩阵，基于区域之间的功能相似性构建功能相似性邻接矩阵。在此基础上使用基于多图融合的时空图神经网络同时捕捉时空信息，再通过全连接神经网络进行城市管理投诉事件的预测。本发明完整地保留了城市各区域间的功能相关性，并可以同步捕获城市管理投诉事件在空间维度和时间维度上的依赖关系，从而为预测不同时空窗口内城市管理投诉事件的发生数量提供了有效的技术方案。

Description

一种基于图神经网络的城市管理投诉事件预测方法及系统
技术领域
本发明涉及图神经网络以及城市计算领域，尤其涉及一种基于图神经网络的城市管理投诉事件预测方法及系统。
背景技术
为了满足城市感知和智能化城市管理服务的需求，城市管理者往往提供专门的投诉窗口，通过与公众的交互来及时获知城市中发生的事件。预测城市空间中投诉事件的数量往往具有重要的意义。基于可靠的预测分析结果，可以提前采取必要措施，有效规避可能的风险。
对于城市管理投诉事件的预测而言，首先需要对错综复杂的城市区域进行建模。当前主要包括基于路网的区域建模方法和基于网格划分的区域建模方法。其中，基于路网的区域建模方法通过公路设施对城市区域进行划分，基于网格划分的区域建模方法则往往将城市空间划分为大小相等的块状区域。这两种方法都忽略了区域的功能相关性，难以表示出隐藏在数据后面的潜在关联与联系。
此外，城市管理投诉事件的数量通常会随着时间和空间的推移而变换，早上和晚上的、不同区域的情况可能都会不同。传统的时间序列模型不能以动态的方式很好的捕捉复杂的时空相关性；图神经网络模型虽然能处理不同区域之间的影响，但是对于捕获时间维度上的依赖关系还存在局限性。
发明内容
本发明实施例的目的是提供一种基于图神经网络的城市管理投诉事件预测方法及系统，以解决相关技术不能很好捕捉时空相关性的技术问题，本方法设计了基于区域性质将城市空间表征成拓扑图的建模方案，并通过基于多图融合的时空图神经网络来捕捉城市管理投诉事件复杂的时空依赖关系。
根据本申请实施例的第一方面，提供一种基于图神经网络的城市管理投诉事件预测方法，包括：
采集城市空间的功能分区文件；
根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；
基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；
将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测。
根据本申请实施例的第二方面，提供一种基于图神经网络的城市管理投诉事件预测系统，包括：
采集模块，用于采集城市空间的功能分区文件；
划分模块，用于根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；
第一构建模块，用于基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
第二构建模块，用于基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
预处理模块，用于采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
第三构建模块，用于将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
捕捉模块，用于将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；
预测模块，用于将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请基于城市空间的地域临近性和功能相关性进行区域建模，划分粒度更细，关联性更强，特征更加明显。采用基于多图融合的时空图神经网络能够同步捕获城市管理投诉事件在空间维度和时间维度上的依赖关系，从而为预测城市管理投诉事件的发生提供了有效的技术方案，预测精度高，鲁棒性好。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于图神经网络的城市管理投诉事件预测方法的流程图。
图2是根据一示例性实施例示出的基于图神经网络的城市管理投诉事件预测模型示意图：
图3是根据一示例性实施例示出的根据分区性质对纽约市功能区域划分示意图：
图4是根据一示例性实施例示出的一种基于图神经网络的城市管理投诉事件预测系统的框图。
图5是根据一示例性实施例示出的预处理模块的框图。
图6是根据一示例性实施例示出的捕捉模块的框图。
具体实施方式
为使本发明的目的、原理、技术方案和优点更加清晰明白，以下将结合具体实施例，并参照附图对本发明做详细的说明。本具体实施例以纽约市为例，技术方案也同样适用于其他城市。
图1是根据一示例性实施例示出的一种基于图神经网络的城市管理投诉事件预测方法的流程图。图2是根据一示例性实施例示出的基于图神经网络的城市管理投诉事件预测模型示意图：参考图1和图2，本发明实施例提供一种基于图神经网络的城市管理投诉事件预测方法，该方法可以包括以下步骤：
步骤S101，采集城市空间的功能分区文件；
具体地，在此以纽约市为例，可以从纽约市城市规划委员会采集所述功能分区文件。纽约城市分区具体包含居民区、商业区、工业区、游乐园和其他区域。同时根据密度的不同又可以将住宅区从低密度到高密度被划分为10个不同的标准，工业区分为轻工业区、重工业区和位于两者之间的中等工业区，商业区分为小型零售和中心商业区，这些不同类别的分区共同组成了纽约市的城市结构。城市管理投诉事件在相同类型的分区上往往具有相似的表现模式，同理在不同类别的分区上又具有不同的表现模式，同时地理邻接的区域之间还通常会相互影响。
步骤S102，根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；解析所述功能分区文件中的属性信息，提取每个所述子区域的id、功能性质、边界地理坐标信息，并以JSON的格式进行存储，即为GeoJSON(一种基于JSON的地理空间数据交换格式)。
经以上处理，根据所述功能分区文件对纽约城市进行划分后的示意图如图3所示。
步骤S103，基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
具体地，所述基础邻接矩阵A1的节点数为所述子区域的个数，在地理上接壤的所述子区域在邻接矩阵中置1，没有接壤的所述子区域在邻接矩阵中置0。同时一个所述子区域在对其邻接所述子区域产生影响之外，我们认为它对其自身也同样也产生影响。为了能够让模型捕捉这种影响因子，在定义邻接矩阵时，一个所述子区域和其自身也是邻接的。将邻接矩阵的对角线置为1，表示每个所述子区域和自身的邻接关系：
Figure BDA0002939042870000061
步骤S104，基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
具体地，所述功能相似性邻接矩阵A2的节点数为所述子区域的个数。如果两个节点对应的所述子区域之间在功能上具有相似性，那么在所述功能相似性邻接矩阵对应位置置1，否则置0。然后再对所述功能相似性邻接矩阵进行剪枝操作，削减邻边的数量，避免在训练过程中过平滑。
Figure BDA0002939042870000062
步骤S105，采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
具体地，从纽约市311平台获取所述城市管理投诉事件原始数据。获取的数据中包含多种投诉类别，比如违规停车、噪声、交通拥堵、入室盗窃等。在此以违规停车投诉事件为例，纽约市311平台的接电记录对违规停车投诉数据进行整理，并记录违规停车投诉事件发生的类型、时间、坐标和辅助性信息。
对数据进行清洗，去除无效值。对所述城市管理投诉事件原始数据进行统计，分别统计各个所述子区域每一天某类别投诉事件的发生数量。每个投诉事件都携带地理坐标信息，在全部被划分后的所述子区域中进行检索，判断投诉事件发生的地点属于哪个所述子区域，对应所述子区域的投诉数据数量加一，得到所述预处理后的统计数据，并进一步得到正则化数据。
对所述预处理后的统计数据进行二值化处理，数量>＝N则置为1，否则置0，N是可以调节的超参数。得到所述预处理后的二值化数据。经过正则化处理之后可以有效的避免过拟合的产生以及减少网络误差。其次对二值化数据和原始数据进行组合可以充分的提高数据量，提高模型的鲁棒性。
步骤S106，将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
所述事件矩阵中行是所述子区域信息，列是时间步信息，值则表示不同所述子区域在不同时间步对应的特征信息。
步骤S107，将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；具体包括：
1)对所述基础邻接矩阵A1和所述相似性邻接矩阵A2分别在时间序列上进行扩展，将当前时间步节点前t时间步的节点状态设置为其一阶邻居，构建两个扩展时空图，该所述扩展时空图的节点个数是所述子区域个数的t倍。基于两个所述扩展时空图，构建包含时序信息的扩展基础邻接矩阵A1’和扩展功能相似性矩阵A2’。
Figure BDA0002939042870000071
Figure BDA0002939042870000072
其中，im代表第i个所述子区域的第m个时间步，in代表第i个所述子区域的第n个时间步，
Figure BDA0002939042870000081
代表第i个所述子区域在第m个时间步的状态，
Figure BDA0002939042870000082
代表第i个所述子区域在第n个时间步的状态；代表第每个所述子区域有两种不同类型的一阶邻居，一种是在空间上的邻居节点，一种是在时间上的邻居节点。
2)将所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’分别和所述事件矩阵送入图神经网络进行处理，同时捕捉时间和空间信息，其中所述GNN图神经网络中节点的特征表示按节点本身、空间邻居、时间邻居进行聚合，汇总之后进行非线性变换；针对所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’，将矩阵节点的邻域划分为3个子集S1、S2、S3，子集S1为节点本身，子集S2为节点在空间上的一阶邻居，子集S3为节点在时间上的一阶邻居。
Figure BDA0002939042870000083
Figure BDA0002939042870000084
在上述公式中，
Figure BDA0002939042870000085
表示节点u在图神经网络第k层的特征向量。
Figure BDA0002939042870000086
Figure BDA0002939042870000087
表示节点对应不同子集S1、S2、S3在图神经网络第k层的参数矩阵，σ是激活函数ReLU。AGGREGATE为聚合函数，采用max-pooling的方式。
通过公式不难发现，在该图神经网络中，每一个节点将自身的特征信息经过变换后发送给邻居节点，于此同时每个节点又将邻居节点的特征信息按节点本身、空间一阶邻居、时间一阶邻居进行聚合，在信息聚合汇总之后做一次非线性变换，用以更新自身的信息，从而达到增加模型表达能力的作用。
3)对扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’进行剪枝操作，保留t个时间步中最后时间步的子图，其余的时间步进行剪枝遗弃，得到剪枝操作后的子图。
4)基于剪枝操作后的子图，重复步骤1)-步骤3)，得到节点的表示向量X1和X2。
5)将X1与X2进行连接，从而得到所述节点的表示向量。
步骤S108，将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测。
具体地，使用LSTM再次捕捉时序信息，以进一步提升模型的性能和准确率。
ft＝σg(Wfxt+Ufct-1+bf)
it＝σg(Wixt+Uict-1+bi)
ot＝σg(Woxt+Uoct-1+bo)
Figure BDA0002939042870000091
Figure BDA0002939042870000092
使用双层全连接神经网络对城市管理投诉事件数量进行预测。
在经过上述处理之后，每个节点可以获得其时间序列上t个时间步节点状态信息和空间关系上的邻居状态信息。在完成上述操作之后将数据送入双层全连接神经网络：
y＝f(x)＝wTx+b
y是预测的结果，w是全连接神经网络的参数矩阵，b是偏置项，经过全连接神经网络之后输入最终的预测结果，再使用交叉熵损失函数进行对参数进行调整：
Figure BDA0002939042870000093
与前述的一种基于图神经网络的城市管理投诉事件预测方法的实施例相对应，本申请还提供了一种基于图神经网络的城市管理投诉事件预测系统的实施例。
图4是根据一示例性实施例示出的一种基于图神经网络的城市管理投诉事件预测系统的框图。参照图4，该系统可以包括一下模块：
采集模块21，用于采集城市空间的功能分区文件；
划分模块22，用于根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；
第一构建模块23，用于基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
第二构建模块24，用于基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
预处理模块25，用于采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
第三构建模块26，用于将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
捕捉模块27，用于将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；
预测模块28，用于将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测。
如图5所示，上述预处理模块25包括以下子模块：
第一预处理子模块251，用于对所述城市管理投诉事件原始数据进行清洗，去除无效值，在对清洗后的所述城市管理投诉事件原始数据进行统计，分别统计各个所述子区域每一天某类别投诉事件的发生数量，其中每个投诉事件都携带有地理坐标信息；
第二预处理子模块252，用于根据所述投诉事件的地理坐标信息，在全部被划分后的所述子区域中进行检索，判断投诉事件发生的地点属于哪个所述子区域，对应所述子区域的投诉数据数量加一，得到所述预处理后的统计数据，并进一步得到正则化数据；
第三预处理子模块253，用于对所述正则化数据进行二值化处理，数量>＝N则置为1，否则置0，N是可以调节的超参数，得到二值化数据。
如图6所示，上述捕捉模块27可以包括以下子模块：
构建子模块271，用于对所述基础邻接矩阵A1和所述相似性邻接矩阵A2分别在时间序列上进行扩展，将当前时间步节点前t时间步的节点状态设置为其一阶邻居，构建两个扩展时空图，该所述扩展时空图的节点个数是所述子区域个数的t倍；基于两个所述扩展时空图，构建包含时序信息的扩展基础邻接矩阵A1’和扩展功能相似性矩阵A2’：
处理子模块272，用于将所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’分别和所述事件矩阵送入GNN图神经网络进行处理，同时捕捉时间和空间信息，其中所述GNN图神经网络中节点的特征表示按节点本身、空间邻居、时间邻居进行聚合，汇总之后进行非线性变换；
剪枝处理子模块273，用于对扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’进行剪枝操作，保留t个时间步中最后时间步的子图，其余的时间步进行剪枝遗弃，得到剪枝操作后的子图；
循环子模块274，用于基于剪枝操作后的子图，重复构建子模块、处理子模块和剪枝处理子模块，得到节点的表示向量X1和X2；
连接子模块275，用于将X1与X2进行连接，从而得到所述节点的表示向量。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的一种基于图神经网络的城市管理投诉事件预测方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的一种基于图神经网络的城市管理投诉事件预测方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (6)

1.一种基于图神经网络的城市管理投诉事件预测方法，其特征在于，包括：
采集城市空间的功能分区文件；
根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；
基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；
将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测；
其中，将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量，包括：
(1) 对所述基础邻接矩阵A1和所述相似性邻接矩阵A2分别在时间序列上进行扩展，将当前时间步节点前t时间步的节点状态设置为其一阶邻居，构建两个扩展时空图，该所述扩展时空图的节点个数是所述子区域个数的t倍；基于两个所述扩展时空图，构建包含时序信息的扩展基础邻接矩阵A1’和扩展功能相似性矩阵A2’：
(2) 将所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’分别和所述事件矩阵送入GNN图神经网络进行处理，同时捕捉时间和空间信息，其中所述GNN图神经网络中节点的特征表示按节点本身、空间邻居、时间邻居进行聚合，汇总之后进行非线性变换；
(3) 对扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’进行剪枝操作，保留t个时间步中最后时间步的子图，其余的时间步进行剪枝遗弃，得到剪枝操作后的子图；
(4) 基于剪枝操作后的子图，重复(1)-(3)，得到节点的表示向量X1和X2；
(5)将X1与X2进行连接，从而得到所述节点的表示向量。
2.根据权利要求1所述的一种基于图神经网络的城市管理投诉事件预测方法，其特征在于，采集城市管理投诉事件原始数据，对所述城市管理投诉原始数据进行预处理，得到预处理后的正则化数据和二值化数据，包括：
对所述城市管理投诉事件原始数据进行清洗，去除无效值，在对清洗后的所述城市管理投诉事件原始数据进行统计，分别统计各个所述子区域每一天某类别投诉事件的发生数量，其中每个投诉事件都携带有地理坐标信息；
根据所述投诉事件的地理坐标信息，在全部被划分后的所述子区域中进行检索，判断投诉事件发生的地点属于哪个所述子区域，对应所述子区域的投诉数据数量加一，得到预处理后的统计数据，并进一步得到正则化数据；
对所述预处理后的统计数据进行二值化处理，数量>=N则置为1，否则置0，N是可以调节的超参数，得到二值化数据。
3.一种基于图神经网络的城市管理投诉事件预测系统，其特征在于，包括：
采集模块，用于采集城市空间的功能分区文件；
划分模块，用于根据所述功能分区文件，按照功能类别将城市空间划分为多个相互独立的子区域；
第一构建模块，用于基于多个所述子区域之间的空间连接关系，构建基础邻接矩阵A1；
第二构建模块，用于基于多个所述子区域之间的功能相似性，构建功能相似性邻接矩阵A2；
预处理模块，用于采集城市管理投诉事件原始数据，对所述城市管理投诉事件原始数据进行预处理，得到预处理后的正则化数据和二值化数据；
第三构建模块，用于将所述预处理后的正则化数据和二值化数据以及星期信息组合，构建成事件矩阵；
捕捉模块，用于将所述事件矩阵分别与所述基础邻接矩阵A1和功能相似性矩阵A2进行组合，输入到基于多图融合的时空图神经网络中，使用所述基于多图融合的时空图神经网络捕捉时空信息，得到节点的表示向量；
预测模块，用于将所述节点的表示向量提供给循环神经网络，再通过全连接神经网络进行城市管理投诉事件的预测；
其中所述捕捉模块包括：
构建子模块，用于对所述基础邻接矩阵A1和所述相似性邻接矩阵A2分别在时间序列上进行扩展，将当前时间步节点前t时间步的节点状态设置为其一阶邻居，构建两个扩展时空图，该所述扩展时空图的节点个数是所述子区域个数的t倍；基于两个所述扩展时空图，构建包含时序信息的扩展基础邻接矩阵A1’和扩展功能相似性矩阵A2’：
处理子模块，用于将所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’分别和所述事件矩阵送入GNN图神经网络进行处理，同时捕捉时间和空间信息，其中所述GNN图神经网络中节点的特征表示按节点本身、空间邻居、时间邻居进行聚合，汇总之后进行非线性变换；
剪枝处理子模块，用于对扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’进行剪枝操作，保留t个时间步中最后时间步的子图，其余的时间步进行剪枝遗弃，得到剪枝操作后的子图；
循环子模块，用于基于剪枝操作后的子图，重复构建子模块、处理子模块和剪枝处理子模块，得到节点的表示向量X1和X2；
连接子模块，用于将X1与X2进行连接，从而得到所述节点的表示向量。
4.根据权利要求3所述的一种基于图神经网络的城市管理投诉事件预测系统，其特征在于，所述预处理模块包括：
第一预处理子模块，用于对所述城市管理投诉事件原始数据进行清洗，去除无效值，在对清洗后的所述城市管理投诉事件原始数据进行统计，分别统计各个所述子区域每一天某类别投诉事件的发生数量，其中每个投诉事件都携带有地理坐标信息；
第二预处理子模块，用于根据所述投诉事件的地理坐标信息，在全部被划分后的所述子区域中进行检索，判断投诉事件发生的地点属于哪个所述子区域，对应所述子区域的投诉数据数量加一，得到所述预处理后的统计数据，并进一步得到正则化数据；
第三预处理子模块，用于对所述正则化数据进行二值化处理，数量>=N则置为1，否则置0，N是可以调节的超参数，得到二值化数据。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-2中任一项所述方法的步骤。
CN202110172121.4A 2021-02-08 2021-02-08 一种基于图神经网络的城市管理投诉事件预测方法及系统 Active CN112907056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110172121.4A CN112907056B (zh) 2021-02-08 2021-02-08 一种基于图神经网络的城市管理投诉事件预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110172121.4A CN112907056B (zh) 2021-02-08 2021-02-08 一种基于图神经网络的城市管理投诉事件预测方法及系统

Publications (2)

Publication Number Publication Date
CN112907056A CN112907056A (zh) 2021-06-04
CN112907056B true CN112907056B (zh) 2022-07-12

Family

ID=76122713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110172121.4A Active CN112907056B (zh) 2021-02-08 2021-02-08 一种基于图神经网络的城市管理投诉事件预测方法及系统

Country Status (1)

Country Link
CN (1) CN112907056B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932544B (zh) * 2024-01-29 2024-08-23 福州城投新基建集团有限公司 基于多源传感器数据融合的预测方法、装置和存储介质
CN117726195B (zh) * 2024-02-07 2024-05-07 创意信息技术股份有限公司 城市管理事件数量变化预测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10771488B2 (en) * 2018-04-10 2020-09-08 Cisco Technology, Inc. Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs)
CN108805345A (zh) * 2018-06-01 2018-11-13 广西师范学院 一种基于深度卷积神经网络模型的犯罪时空风险预测方法
CN111612206B (zh) * 2020-03-30 2022-09-02 清华大学 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN112257934A (zh) * 2020-10-26 2021-01-22 辽宁工程技术大学 一种基于时空动态神经网络的城市人流预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图卷积网络的路网短时交通流预测研究;陈喜群等;《交通运输系统工程与信息》;20200815(第04期);全文 *

Also Published As

Publication number Publication date
CN112907056A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN111612206B (zh) 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN110322064B (zh) 城市出行需求预测方法
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
CN112907056B (zh) 一种基于图神经网络的城市管理投诉事件预测方法及系统
CN103077604B (zh) 交通传感器管理方法和系统
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN115796331A (zh) 基于多模态城市知识图谱的城市资源预测方法及系统
James Citywide estimation of travel time distributions with Bayesian deep graph learning
CN112529294A (zh) 个体随机出行目的地预测模型的训练方法、介质和设备
Jiang et al. Crowd flow prediction for social internet-of-things systems based on the mobile network big data
Song et al. Sparse trip demand prediction for shared E-scooter using spatio-temporal graph neural networks
Zhang et al. Off-deployment traffic estimation—a traffic generative adversarial networks approach
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN118133084A (zh) 基于分层图卷积网络的无监测站区域空气质量预测方法和装置
CN109918468A (zh) 基于墨卡托投影的物联网设备位置数据区域筛选方法
CN117975710A (zh) 一种交通流流量预测方法、装置、设备及存储介质
Bappee et al. Analyzing the impact of foursquare and streetlight data with human demographics on future crime prediction
CN109472115B (zh) 基于地理信息的大规模复杂网络建模方法及装置
CN115761519B (zh) 指标预测方法、装置、设备、存储介质及程序产品
Honarvar et al. Particular matter prediction using synergy of multiple source urban big data in smart cities
CN115938112A (zh) 交通需求预测方法、系统、电子设备及计算机存储介质
Wu et al. Clustering in geo-social networks
CN116822706B (zh) 一种候选地址流行度预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant