[发明专利]一种基于多视图深度残差神经网络的热点商圈预测方法

说明书

本发明公开了一种基于多视图深度残差神经网络的热点商圈预测方法。该方法基于在线点评软件的评论与签到数据，通过局部CNN提取商圈临近空间关系，结合残差神经网络避免模型过拟合，最终将信息输入LSTM模型，实现了对热点商圈的预测。本发明方法良好关联了商圈的空间分布，并综合了近期与周期时间关系，有精度高、实用性强等特点，可以为公共设施部署、交通导流、用地规划等提供决策支撑。

技术领域

本发明涉及热点商圈预测领域，尤其涉及一种基于多视图深度残差神经网络的热点商圈预测方法。

背景技术

商圈是众多商业个体的聚集，商圈的活跃度反映一个地区的商业发展情况。热点商圈预测属于时空关系预测，准确地预测热点商圈，有利于从业者把握商业发展趋势取得商业成功，帮助政府精准施策合理分配社会资源，规划城市布局。

在热点商圈预测时，传统的研究往往依赖专家的实地调查，主观性较强推广较难。对于商圈的预测大多利用时间序列分析方法，不能捕捉商圈之间的相互影响与商业区块活跃度在时间与空间高维的联系。受到近年来基于深度学习的图像与视频方面取得的成果启发，科研人员将深度学习技术的应用范围扩展至时空关系预测领域。然而目前将深度学习应用至时空关系预测时，主要存在两个问题：使用CNN对空间关系进行提取时，将整个地区上的信息作为输入而不能良好的反映邻近地区之间相互作用强，分隔地区之间相互作用弱的实际情况；使用LSTM对时间信息展开预测，忽视了这些信息在空间上的相互联系。

传统的商圈预测往往需要获取到店铺的营业额等经营情况，然而这涉及到商业机密以及商铺数量过多难以统计的问题。随着在线点评类软件的兴起，利用商铺的大数据进行商圈研究，在商圈的划定与分析方面有了一定的成果，但研究仅停留在了商业区块活跃度的分析，并未涉及到热点商圈的预测。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于多视图深度残差神经网络的热点商圈预测方法，可有效解决上述问题。本发明具体采用的技术方案如下：

一种基于多视图深度残差神经网络的热点商圈预测方法，包括以下步骤：

S1.定义商业区块：将需要进行预测的商业区块定义为边长分别为a与b的矩形区域；

S2.计算商铺活跃度：对商业区块内每家商铺τ的活跃度ε_τ通过在线点评软件的评论数量与签到数据相加进行计算，表示为：

S3.对商业区块进行栅格化处理：将商业区块自坐标系原点置于二维坐标系中，按照N米*N米的栅格对商业区块进行分割，在x轴与y轴方向分别分为与个栅格，栅格在x轴与y轴方向上的序号分别为i与j，将栅格记为P_ij；

S4.对每个栅格进行赋值：将每个栅格内包含的所有商铺的活跃度进行求和，表示该栅格的活跃度初始值；

S5.高斯平滑处理：按照二维高斯分布，将每个栅格的活跃度初始值分散至其周围k*k个栅格中，其中k取奇数，处理后栅格P_ij的活跃度表示为

S6.对商业区块进行切片得到切片矩阵，同时得到该商业区块的一维数组表示Y，具体包含以下子步骤：

S61.将经过平滑处理的商业区块栅格图放置于二维坐标系的第一象限中；

S62.从原点开始，切取k*k个栅格的切片，然后沿x轴正方向移动1个栅格后切取一个新的k*k切片，重复操作直到切片的右侧边缘到达商业区块边缘；

S63.沿坐标轴y方向移动1个栅格的距离并在移动后重复S62，不断重复移动(每次移动均重复S62)，直到切片的上侧边缘到达商业区块边缘，完成整个商业区块的切片，记切片的数量为Γ；

S64.利用Γ个切片的中心栅格值为该商业区块的一维数组表示Y赋值，Y中包含Γ个元素；