基于多模态图卷积网络的城市动态建模

对城市场所动态进行建模是一项具有挑战性的任务，因为其本质是多面的。需求是许多复杂且非线性特征（如邻里构成、实时事件和季节性）的函数。图卷积网络（GCNs）的近期进展取得了有前景的结果，因为它们构建了系统的图表示并利用了深度学习架构的潜力。然而，在时序环境中使用 GCNs 对网络的动态依赖关系进行建模的工作仍然有限。此外，在城市环境背景下，此前尚无利用动态 GCNs 支持场所需求分析与预测的工作。本文提出一种新颖的深度学习框架，旨在更好地建模城市场所的受欢迎程度与增长。利用来自位置技术平台 Foursquare 的纵向数据集，我们对伦敦和巴黎的个体场所及场所类型进行建模。首先，将城市表示为相连的场所网络，我们量化其结构并注意到这些零售网络中存在强烈的社区结构，这一观察凸显了本地零售商业生态系统中出现的合作与竞争力量之间的相互作用。接下来，我们提出将空间与拓扑特征整合进时序模型中的深度学习架构，该模型预测场所在下一时间步的需求。我们的实验表明，我们的模型能够学习场所需求的时空趋势，并持续优于基线模型。相较于最先进的深度学习模型，我们的模型在伦敦将 RSME 降低约 28%，在巴黎降低约 13%。我们的方法凸显了复杂网络测度与 GCNs 在构建城市环境预测模型中的威力。该模型可在零售部门中用于更好地建模场所需求与增长，具有众多应用。