基于GCN的城市分级模型的构建方法

本发明涉及城市分级体系，特别是一种基于gcn的城市分级模型的构建方法。

背景技术：

1、城市等级的概念已经存在了几个世纪，且随着城市化和人类社会的发展而不断演变。人们普遍认为，建立合理的城市分级体系有助于深入理解城市在地区、国家甚至全球范围内的地位和角色。同时，这种分级体系也为城市规划者、政策制定者、经济学家和研究人员提供了重要的分析框架，使其能够更好地比较和评估不同城市在社会和经济发展中所扮演的角色和作用。

2、自20世纪30年代以来，对城市分级体系的系统研究在城市地理学和城市规划领域备受关注。德国地理学家chr i sta l l er提出的“中心地理论”是这一领域最有影响力的基础理论之一。该理论强调，城市在分级体系中的等级与其规模(如人口和领土规模)相关联。随着城市之间联系的加强和全球化进程的发展，“城市网络”、“世界城市”、“全球城市”的概念日益流行，形成了基于网络的城市分级理论。该理论强调了城市不再是孤立的单元，城市间的联系对城市发展至关重要，因此城市分级应该考虑这种联系。

3、基于“中心地理论”，研究者们提出了一系列基于城市规模的城市分级方法。然而，基于规模的分级方法难以考虑城市间的联系。后来，研究者们提出了一系列基于网络的城市分级方法。主要有两种方式：一是利用属性数据(如城市的功能属性)建立城市分级体系；二是利用流量数据(如交通流量)建立城市分级体系城市。两种方式均存在局限一方面，基于属性数据的方法仅能在有限程度上解释城市之间的联系；另一方面，基于流量数据的方法则忽视了城市属性的重要作用。这表明，若要全面理解城市在城市网络中的地位，必须同时考虑这两种数据。然而，试图将这两者结合起来的模型面临着显著挑战，导致大多数研究仅停留在概念层面。

4、目前大数据和人工智能技术飞速发展，能够对城市进行多维度分析，包括人口、经济、交通、环境等多个方面，有望为城市分级提供更加精确和全面的方法。其中，图卷积神经网络(graph convo l ut i on network，gcn)是人工智能领域的前沿方向之一。gcn是一种针对图结构数据(如城市网络和社交网络)的强大分析方法，能够同时利用节点的特征和节点间的联系进行节点分类任务。近年来，gcn已被开发用于多个领域，并取得了不错的效果。

技术实现思路

1、为解决现有技术中存在的问题，本发明的目的是提供一种基于gcn的城市分级模型的构建方法，本发明同时考虑了城市属性数据和城市间交通流量数据，并基于gcn构建了城市分级模型。

2、为实现上述目的，本发明采用的技术方案是：一种基于gcn的城市分级模型的构建方法，包括以下步骤：

3、步骤1、构建城市网络图，其中城市网络图的节点和边分别代表城市和城市间的交通连接；节点的属性由城市属性数据组成，边的权重由城市间交通流量数据确定；

4、步骤2、确定gcn模型的输入和输出，并将数据转换为gcn模型所需的输入形式；

5、步骤3、对gcn模型进行训练和参数选择，根据验证集准确率对卷积层的维度和数量、训练集和验证集比例以及超参数进行调整，从而进一步构建和优化gcn模型。

6、作为本发明的进一步改进，所述步骤1具体如下：

7、将城市属性数据作为节点特征，城市间流量数据转换为邻接矩阵构建城市图；将交通流量数据转置相加的方式将邻接矩阵表示的有向图转换为无向图，赋予无向图中连接两个节点的边权重来描述节点之间的连接关系，权重的数值与邻接矩阵的数值相对应，获取两种城市间交通流量数据，包括高铁数和航班数，对高铁数和航班数进行处理，使其变为一个描述城市间连接关系的邻接矩阵。

8、作为本发明的进一步改进，对高铁数和航班数进行处理，使其变为一个描述城市间连接关系的邻接矩阵具体如下：

9、对数据进行归一化：将利用高铁流量数据和航班流量数据构建的对称的邻接矩阵分别归一化，并将归一化后的两个矩阵相加，归一化方法如下：

10、

11、式中xp,q是邻接矩阵的元素，p为行标签，q为列标签，xmax和xmin分别是xp,q所在行的最大值和最小值。

12、作为本发明的进一步改进，在步骤2中，所述gcn模型的输入包括节点特征矩阵、邻接矩阵、样本标签、训练集、验证集、测试集标记以及超参数，输出为城市等级。

13、作为本发明的进一步改进，采用knn的方法对原始城市属性数据进行填充，在填充过程中进行归一化，最后得到的数据每个属性的值都在0-1之间，从而直接将基于knn方法填充后的数据作为gcn模型输入的节点特征矩阵；

14、所述邻接矩阵为拉普拉斯矩阵，由邻接矩阵对称归一化得到，首先根据城市图的边权重生成邻接矩阵a；然后，将邻接矩阵每列中的元素求和，并将求和值置于对角线上，同时将所有其他元素置零，即可得到度矩阵d；最后，进行对称归一化处理得到拉普拉斯矩阵，对称归一化的定义如下：

15、

16、所述样本标签表示为一个n×k的矩阵，其中n是节点的数量，k是类别的数量；每行对应一个节点，对于存在标签的节点对应标签类别所在的列为1，其余列为0，而没有标签的节点，所有列的值都为0；

17、所述训练集、验证集、测试集一起表示为一个n×3的矩阵，每行对应一个的节点，每列分别对应训练集、验证集、测试集，根据节点划分在对应类别所在的列上设置为1，而其他列则设置为0；

18、所述超参数使用默认值作为初始值，在后续gcn模型训练过程中进行调整。

19、作为本发明的进一步改进，在步骤3中，所述gcn模型包括两个卷积层，第一层维度为20,第二层维度为5；对于第一层卷积层，采用relu函数作为卷积层中的激活函数，在最后一层卷积层中，将维度设置为5对应输出的类别数量，并使用softmax函数作为激活函数，将多个神经元的输出，映射到(0,1)区间内，从而来进行多分类。

20、作为本发明的进一步改进，在步骤3中，根据验证集准确率对卷积层的维度和数量、训练集和验证集比例以及超参数进行调整具体如下：

21、根据具体情况进行调整，通过多次划分数据集为不同的训练集和验证集，根据验证集准确率找到最合适的比例以平衡模型的拟合能力和泛化能力。

22、本发明的有益效果是：

23、本发明中，gcn作为一种针对图结构数据的强大分析工具，能够同时考虑城市属性数据和城市间流量数据构建合理的城市分级体系，可进一步推动人们对城市分级体系的理解。

技术特征：

1.一种基于gcn的城市分级模型的构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于gcn的城市分级模型的构建方法，其特征在于，所述步骤1具体如下：

3.根据权利要求2所述的基于gcn的城市分级模型的构建方法，其特征在于，对高铁数和航班数进行处理，使其变为一个描述城市间连接关系的邻接矩阵具体如下：

4.根据权利要求1所述的基于gcn的城市分级模型的构建方法，其特征在于，在步骤2中，所述gcn模型的输入包括节点特征矩阵、邻接矩阵、样本标签、训练集、验证集、测试集标记以及超参数，输出为城市等级。

5.根据权利要求4所述的基于gcn的城市分级模型的构建方法，其特征在于，采用knn的方法对原始城市属性数据进行填充，在填充过程中进行归一化，最后得到的数据每个属性的值都在0-1之间，从而直接将基于knn方法填充后的数据作为gcn模型输入的节点特征矩阵；

6.根据权利要求5所述的基于gcn的城市分级模型的构建方法，其特征在于，在步骤3中，所述gcn模型包括两个卷积层，第一层维度为20,第二层维度为5；对于第一层卷积层，采用relu函数作为卷积层中的激活函数，在最后一层卷积层中，将维度设置为5对应输出的类别数量，并使用softmax函数作为激活函数，将多个神经元的输出，映射到(0,1)区间内，从而来进行多分类。

7.根据权利要求6所述的基于gcn的城市分级模型的构建方法，其特征在于，在步骤3中，根据验证集准确率对卷积层的维度和数量、训练集和验证集比例以及超参数进行调整具体如下：

技术总结本发明公开了一种基于GCN的城市分级模型的构建方法，包括：构建城市网络图，其中城市网络图的节点和边分别代表城市和城市间的交通连接；节点的属性由城市属性数据组成，边的权重由城市间交通流量数据确定；确定GCN模型的输入和输出，并将数据转换为GCN模型所需的输入形式；对GCN模型进行训练和参数选择，根据验证集准确率对卷积层的维度和数量、训练集和验证集比例以及超参数进行调整，从而进一步构建和优化GCN模型；本发明同时考虑了城市属性数据和城市间交通流量数据，并基于GCN构建了城市分级模型。技术研发人员：蓝天,李志林,吴智伟,王皓宇,曾广俊受保护的技术使用者：西南交通大学技术研发日：技术公布日：2024/10/10