[发明专利]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

说明书

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。

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；