[发明专利]一种城市异构节点分类的图网络结构方法

说明书

本发明公开了一种城市异构节点分类的图网络结构方法，属于大数据以及智慧城市网络构建技术领域。通过创建城市异构图，引入基于图卷积神经网络和结构信息进行训练，包括：获取构建城市异构图所需的数据以及标签信息并构建城市异构图；对城市异构图进行预处理，获得输入数据的集合；根据得到的输入数据集构建前预训练模型；将前预训练模型部分迁移到后预训练模型中并根据输入数据集构建后预训练模型；将后预训练模型整体迁移到微调模型中并根据输入数据集构建微调模型。所述方法解决了城市事件分类中标签不足的问题，实现了利用不同类型的数据源来进行综合事件分类的效果，在城市事件分类中具有广阔的应用前景。

技术领域

本发明涉及一种城市异构节点分类的图网络结构方法，属于大数据以及智慧城市网络构建技术领域。

背景技术

在智慧城市建设中，建立事件处理的公共服务系统是重要的一环。这一系统被应用于市长专线等政府平台，接受市民反映的各种问题。系统的具体流程包括对于每日反映的事件，先由相关人员根据事件的内容和性质进行分类，再根据类别将事件派发到对应的部门。但是由于这种人工分类方法的分类准确率低，效率不高，如何对事件进行高效的分类仍存在挑战。

目前的城市事件自动化分类方法主要基于文本数据，没有综合考虑其他类型的数据，例如城市地点数据、网站数据、移动APP数据、和监控抓拍的视频数据。另一方面，城市事件具有动态变化的特性，导最新的事件层出不穷，而由于这些事件的标签数据不足，并且现有的分类方法需要大量的标签数据来训练模型，导致了在处理最新出现的事件时，无法获得较高的准确率。

总之，上述已有的城市事件自动化分类技术虽然比人工分类的方法具有更高的效率，然而在处理最新事件时，仍然存在处理数据单一，标签数据不足的技术缺陷。

发明内容

本发明的目的在于解决现有城市事件分类系统由于处理数据单一、标签数据不足而导致的分类准确率较差的问题，提出了一种城市异构节点分类的图网络结构方法。

本发明是通过以下技术方案实现的：

所述城市异构节点分类的图网络结构方法，包括如下步骤：

步骤一：获取构建城市异构图所需的数据以及标签信息并构建城市异构图，具体包括如下子步骤：

步骤1.1：收集投诉过事件市民的相关数据以及市民所在地区范围内所有活跃设施的地理位置坐标序列；

其中，市民的相关数据包括投诉事件类型、微博或各种地图软件的账号；活跃设施的类型包括但不限于医院、公园、公司和城市监控摄像头；

步骤1.2：基于步骤1.1中微博或各种地图软件的LBS获取市民的轨迹数据；

其中，LBS即移动位置服务，轨迹数据中市民的行动轨迹是由经度和纬度组成的位置序列表示；

步骤1.3：根据步骤1.1中所有活跃设施的地理位置坐标收集对应设施的标签信息；

其中，对应设施包括但不限于医院、公园、公司以及城市摄像头；所述对应设施的标签，具体为：医院的标签信息包括但不限于价格是否亲民；公园的标签信息包括但不限于不文明现象是否严重、基础设施是否完善；公司的标签信息包括但不限于是否存在拖欠工资现象；城市摄像头的标签信息包括但不限于交通是否拥堵、偷盗问题是否突出；

步骤1.4：将步骤1.2轨迹数据中的市民和步骤1.3中的活跃设施分别抽象为用户节点和位置节点，基于轨迹数据构建城市异构图；

其中，城市异构图，具体构建过程为：基于轨迹数据构建用户节点和位置节点、位置节点和位置节点之间的边，并将事件类型和活跃设施的标签数据分别和具体的节点相对应；

步骤二：对城市异构图进行预处理，获得输入数据的集合，具体包括如下子步骤：