本發(fā)明涉及城市分級體系，特別是一種基于gcn的城市分級模型的構(gòu)建方法。

背景技術(shù)：

1、城市等級的概念已經(jīng)存在了幾個世紀，且隨著城市化和人類社會的發(fā)展而不斷演變。人們普遍認為，建立合理的城市分級體系有助于深入理解城市在地區(qū)、國家甚至全球范圍內(nèi)的地位和角色。同時，這種分級體系也為城市規(guī)劃者、政策制定者、經(jīng)濟學家和研究人員提供了重要的分析框架，使其能夠更好地比較和評估不同城市在社會和經(jīng)濟發(fā)展中所扮演的角色和作用。

2、自20世紀30年代以來，對城市分級體系的系統(tǒng)研究在城市地理學和城市規(guī)劃領(lǐng)域備受關(guān)注。德國地理學家chr?i?sta?l?l?er提出的“中心地理論”是這一領(lǐng)域最有影響力的基礎理論之一。該理論強調(diào)，城市在分級體系中的等級與其規(guī)模(如人口和領(lǐng)土規(guī)模)相關(guān)聯(lián)。隨著城市之間聯(lián)系的加強和全球化進程的發(fā)展，“城市網(wǎng)絡”、“世界城市”、“全球城市”的概念日益流行，形成了基于網(wǎng)絡的城市分級理論。該理論強調(diào)了城市不再是孤立的單元，城市間的聯(lián)系對城市發(fā)展至關(guān)重要，因此城市分級應該考慮這種聯(lián)系。

3、基于“中心地理論”，研究者們提出了一系列基于城市規(guī)模的城市分級方法。然而，基于規(guī)模的分級方法難以考慮城市間的聯(lián)系。后來，研究者們提出了一系列基于網(wǎng)絡的城市分級方法。主要有兩種方式：一是利用屬性數(shù)據(jù)(如城市的功能屬性)建立城市分級體系；二是利用流量數(shù)據(jù)(如交通流量)建立城市分級體系城市。兩種方式均存在局限一方面，基于屬性數(shù)據(jù)的方法僅能在有限程度上解釋城市之間的聯(lián)系；另一方面，基于流量數(shù)據(jù)的方法則忽視了城市屬性的重要作用。這表明，若要全面理解城市在城市網(wǎng)絡中的地位，必須同時考慮這兩種數(shù)據(jù)。然而，試圖將這兩者結(jié)合起來的模型面臨著顯著挑戰(zhàn)，導致大多數(shù)研究僅停留在概念層面。

4、目前大數(shù)據(jù)和人工智能技術(shù)飛速發(fā)展，能夠?qū)Τ鞘羞M行多維度分析，包括人口、經(jīng)濟、交通、環(huán)境等多個方面，有望為城市分級提供更加精確和全面的方法。其中，圖卷積神經(jīng)網(wǎng)絡(graph?convo?l?ut?i?on?network，gcn)是人工智能領(lǐng)域的前沿方向之一。gcn是一種針對圖結(jié)構(gòu)數(shù)據(jù)(如城市網(wǎng)絡和社交網(wǎng)絡)的強大分析方法，能夠同時利用節(jié)點的特征和節(jié)點間的聯(lián)系進行節(jié)點分類任務。近年來，gcn已被開發(fā)用于多個領(lǐng)域，并取得了不錯的效果。

技術(shù)實現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種基于gcn的城市分級模型的構(gòu)建方法，本發(fā)明同時考慮了城市屬性數(shù)據(jù)和城市間交通流量數(shù)據(jù)，并基于gcn構(gòu)建了城市分級模型。

2、為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于gcn的城市分級模型的構(gòu)建方法，包括以下步驟：

3、步驟1、構(gòu)建城市網(wǎng)絡圖，其中城市網(wǎng)絡圖的節(jié)點和邊分別代表城市和城市間的交通連接；節(jié)點的屬性由城市屬性數(shù)據(jù)組成，邊的權(quán)重由城市間交通流量數(shù)據(jù)確定；

4、步驟2、確定gcn模型的輸入和輸出，并將數(shù)據(jù)轉(zhuǎn)換為gcn模型所需的輸入形式；

5、步驟3、對gcn模型進行訓練和參數(shù)選擇，根據(jù)驗證集準確率對卷積層的維度和數(shù)量、訓練集和驗證集比例以及超參數(shù)進行調(diào)整，從而進一步構(gòu)建和優(yōu)化gcn模型。

6、作為本發(fā)明的進一步改進，所述步驟1具體如下：

7、將城市屬性數(shù)據(jù)作為節(jié)點特征，城市間流量數(shù)據(jù)轉(zhuǎn)換為鄰接矩陣構(gòu)建城市圖；將交通流量數(shù)據(jù)轉(zhuǎn)置相加的方式將鄰接矩陣表示的有向圖轉(zhuǎn)換為無向圖，賦予無向圖中連接兩個節(jié)點的邊權(quán)重來描述節(jié)點之間的連接關(guān)系，權(quán)重的數(shù)值與鄰接矩陣的數(shù)值相對應，獲取兩種城市間交通流量數(shù)據(jù)，包括高鐵數(shù)和航班數(shù)，對高鐵數(shù)和航班數(shù)進行處理，使其變?yōu)橐粋€描述城市間連接關(guān)系的鄰接矩陣。

8、作為本發(fā)明的進一步改進，對高鐵數(shù)和航班數(shù)進行處理，使其變?yōu)橐粋€描述城市間連接關(guān)系的鄰接矩陣具體如下：

9、對數(shù)據(jù)進行歸一化：將利用高鐵流量數(shù)據(jù)和航班流量數(shù)據(jù)構(gòu)建的對稱的鄰接矩陣分別歸一化，并將歸一化后的兩個矩陣相加，歸一化方法如下：

10、

11、式中xp,q是鄰接矩陣的元素，p為行標簽，q為列標簽，xmax和xmin分別是xp,q所在行的最大值和最小值。

12、作為本發(fā)明的進一步改進，在步驟2中，所述gcn模型的輸入包括節(jié)點特征矩陣、鄰接矩陣、樣本標簽、訓練集、驗證集、測試集標記以及超參數(shù)，輸出為城市等級。

13、作為本發(fā)明的進一步改進，采用knn的方法對原始城市屬性數(shù)據(jù)進行填充，在填充過程中進行歸一化，最后得到的數(shù)據(jù)每個屬性的值都在0-1之間，從而直接將基于knn方法填充后的數(shù)據(jù)作為gcn模型輸入的節(jié)點特征矩陣；

14、所述鄰接矩陣為拉普拉斯矩陣，由鄰接矩陣對稱歸一化得到，首先根據(jù)城市圖的邊權(quán)重生成鄰接矩陣a；然后，將鄰接矩陣每列中的元素求和，并將求和值置于對角線上，同時將所有其他元素置零，即可得到度矩陣d；最后，進行對稱歸一化處理得到拉普拉斯矩陣，對稱歸一化的定義如下：

15、

16、所述樣本標簽表示為一個n×k的矩陣，其中n是節(jié)點的數(shù)量，k是類別的數(shù)量；每行對應一個節(jié)點，對于存在標簽的節(jié)點對應標簽類別所在的列為1，其余列為0，而沒有標簽的節(jié)點，所有列的值都為0；

17、所述訓練集、驗證集、測試集一起表示為一個n×3的矩陣，每行對應一個的節(jié)點，每列分別對應訓練集、驗證集、測試集，根據(jù)節(jié)點劃分在對應類別所在的列上設置為1，而其他列則設置為0；

18、所述超參數(shù)使用默認值作為初始值，在后續(xù)gcn模型訓練過程中進行調(diào)整。

19、作為本發(fā)明的進一步改進，在步驟3中，所述gcn模型包括兩個卷積層，第一層維度為20,第二層維度為5；對于第一層卷積層，采用relu函數(shù)作為卷積層中的激活函數(shù)，在最后一層卷積層中，將維度設置為5對應輸出的類別數(shù)量，并使用softmax函數(shù)作為激活函數(shù)，將多個神經(jīng)元的輸出，映射到(0,1)區(qū)間內(nèi)，從而來進行多分類。

20、作為本發(fā)明的進一步改進，在步驟3中，根據(jù)驗證集準確率對卷積層的維度和數(shù)量、訓練集和驗證集比例以及超參數(shù)進行調(diào)整具體如下：

21、根據(jù)具體情況進行調(diào)整，通過多次劃分數(shù)據(jù)集為不同的訓練集和驗證集，根據(jù)驗證集準確率找到最合適的比例以平衡模型的擬合能力和泛化能力。

22、本發(fā)明的有益效果是：

23、本發(fā)明中，gcn作為一種針對圖結(jié)構(gòu)數(shù)據(jù)的強大分析工具，能夠同時考慮城市屬性數(shù)據(jù)和城市間流量數(shù)據(jù)構(gòu)建合理的城市分級體系，可進一步推動人們對城市分級體系的理解。

技術(shù)特征：

1.一種基于gcn的城市分級模型的構(gòu)建方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，所述步驟1具體如下：

3.根據(jù)權(quán)利要求2所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，對高鐵數(shù)和航班數(shù)進行處理，使其變?yōu)橐粋€描述城市間連接關(guān)系的鄰接矩陣具體如下：

4.根據(jù)權(quán)利要求1所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，在步驟2中，所述gcn模型的輸入包括節(jié)點特征矩陣、鄰接矩陣、樣本標簽、訓練集、驗證集、測試集標記以及超參數(shù)，輸出為城市等級。

5.根據(jù)權(quán)利要求4所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，采用knn的方法對原始城市屬性數(shù)據(jù)進行填充，在填充過程中進行歸一化，最后得到的數(shù)據(jù)每個屬性的值都在0-1之間，從而直接將基于knn方法填充后的數(shù)據(jù)作為gcn模型輸入的節(jié)點特征矩陣；

6.根據(jù)權(quán)利要求5所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，在步驟3中，所述gcn模型包括兩個卷積層，第一層維度為20,第二層維度為5；對于第一層卷積層，采用relu函數(shù)作為卷積層中的激活函數(shù)，在最后一層卷積層中，將維度設置為5對應輸出的類別數(shù)量，并使用softmax函數(shù)作為激活函數(shù)，將多個神經(jīng)元的輸出，映射到(0,1)區(qū)間內(nèi)，從而來進行多分類。

7.根據(jù)權(quán)利要求6所述的基于gcn的城市分級模型的構(gòu)建方法，其特征在于，在步驟3中，根據(jù)驗證集準確率對卷積層的維度和數(shù)量、訓練集和驗證集比例以及超參數(shù)進行調(diào)整具體如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于GCN的城市分級模型的構(gòu)建方法，包括：構(gòu)建城市網(wǎng)絡圖，其中城市網(wǎng)絡圖的節(jié)點和邊分別代表城市和城市間的交通連接；節(jié)點的屬性由城市屬性數(shù)據(jù)組成，邊的權(quán)重由城市間交通流量數(shù)據(jù)確定；確定GCN模型的輸入和輸出，并將數(shù)據(jù)轉(zhuǎn)換為GCN模型所需的輸入形式；對GCN模型進行訓練和參數(shù)選擇，根據(jù)驗證集準確率對卷積層的維度和數(shù)量、訓練集和驗證集比例以及超參數(shù)進行調(diào)整，從而進一步構(gòu)建和優(yōu)化GCN模型；本發(fā)明同時考慮了城市屬性數(shù)據(jù)和城市間交通流量數(shù)據(jù)，并基于GCN構(gòu)建了城市分級模型。

技術(shù)研發(fā)人員：藍天,李志林,吳智偉,王皓宇,曾廣俊
受保護的技術(shù)使用者：西南交通大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10