面向“15分钟生活圈”社区结构的表示学习

doi:10.11772/j.issn.1001-9081.2021091750

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1782-1788.DOI: 10.11772/j.issn.1001-9081.2021091750

所属专题：第十八届CCF中国信息系统及应用大会

• 第十八届CCF中国信息系统及应用大会 • 上一篇下一篇

面向“15分钟生活圈”社区结构的表示学习

孙焕良, 彭程, 刘俊岭(), 许景科

沈阳建筑大学信息与控制工程学院，沈阳 110168

收稿日期:2021-10-12 修回日期:2021-11-15 接受日期:2021-11-17 发布日期:2022-04-15 出版日期:2022-06-10
通讯作者: 刘俊岭
作者简介:孙焕良（1969—），男，黑龙江望奎人，教授，博士，博士生导师，CCF高级会员，主要研究方向：空间数据管理、数据挖掘
彭程（1994—），男，辽宁营口人，硕士研究生，CCF会员，主要研究方向：数据挖掘、表示学习
许景科（1976—），男，辽宁海城人，教授，博士，CCF会员，主要研究方向：时空数据库、数据挖掘。
基金资助:
国家自然科学基金资助项目(62073227);国家重点研发计划项目(2021YFF0306303);辽宁省自然科学基金资助项目(2019-MS-264);辽宁省教育厅项目(LJKZ0582)

Community structure representation learning for "15-minute living circle"

Huanliang SUN, Cheng PENG, Junling LIU(), Jingke XU

School of Information and Control Engineering，Shenyang Jianzhu University，Shenyang Liaoning 110168，China

Received:2021-10-12 Revised:2021-11-15 Accepted:2021-11-17 Online:2022-04-15 Published:2022-06-10
Contact: Junling LIU
About author:SUN Huanliang， born in 1969. Ph. D.， professor. His research interests include spatial data management， data mining.
PENG Cheng，born in 1994， M. S. candidate. His research interests include data mining， representation learning.
XU Jingke， born in 1976. Ph. D.， professor. His research interests include spatio-temporal database， data mining.
Supported by:
National Natural Science Foundation of China(62073227);National Key Research and Development Program of China(2021YFF0306303);Natural Science Foundation of Liaoning Province(2019-MS-264);Project of the Educational Department of Liaoning Province(LJKZ0582)

摘要/Abstract

摘要：

利用城市大数据发现社区结构是城市计算中重要的研究方向。有效表示面向“15分钟生活圈”社区的结构特征可以细粒度地评价生活圈社区周围的设施情况，有利于城市规划建设，创造宜居的生活环境。首先，定义了面向“15分钟生活圈”的城市社区结构，并采用表示学习方法获取生活圈社区的结构特征；然后，提出了生活圈社区结构的嵌入表示框架，框架中利用居民的出行轨迹数据确定兴趣点（POI）与居民区的关系，构建反映不同时段居民出行规律的动态活动图；最后，对构建的动态活动图采用自编码器进行表示学习得到生活圈社区潜在特征的向量表示，从而有效概括居民日常活动所形成的社区结构。针对生活圈社区便利性评价、相似性度量等应用，利用真实数据集进行了实验评估，结果表明，分POI类别的日周期的潜在表示方法优于星期周期的潜在表示方法，且前者的归一化折损累计增益（NDCG）比后者最少提升了24.28%，最多提升了60.71%，验证了所提方法的有效性。

关键词: 表示学习, 城市社区, 15分钟生活圈, 社区结构, 自编码器

Abstract:

The discovery of community structures using urban big data is an important research direction in urban computing. Effective representation of the structural characteristics of the communities in the "15-minute living circle" can be used to evaluate the facilities around the living circle communities in a fine-grained manner， which is conducive to urban planning as well as the construction and creation of a livable living environment. Firstly， the urban community structure oriented to "15-minute living circle" was defined， and the structural characteristics of the living circle communities were obtained by representation learning method. Then， the embedding representation framework of the living circle community structure was proposed， in which the relationship between the Points Of Interest （POI） and the residential area was determined by using the travel trajectory data of the residents， and a dynamic activity map reflecting the travel rules of the residents at different times was constructed. Finally， the representation learning to the constructed dynamic activity map was performed by an auto-encoder to obtain the vector representations of the potential characteristics of the communities in the living circle， thus effectively summarizing the community structure formed by the residents’ daily activities. Experimental evaluations were conducted using real datasets for applications such as community convenience evaluation and similarity metrics in living circles. The results show that the daily latent feature expression method based on POI categories is better than the weekly latent feature expression method. Compared to the latter， the minimum increase of Normalized Discounted Cumulative Gain （NDCG） of the former is 24.28% and the maximum increase of NDCG is 60.71%， which verifies the effectiveness of the proposed method.

Key words: representation learning, urban community, 15-minute living circle, community structure, auto-encoder

中图分类号:

TP391

孙焕良, 彭程, 刘俊岭, 许景科. 面向“15分钟生活圈”社区结构的表示学习[J]. 计算机应用, 2022, 42(6): 1782-1788.

Huanliang SUN, Cheng PENG, Junling LIU, Jingke XU. Community structure representation learning for "15-minute living circle"[J]. Journal of Computer Applications, 2022, 42(6): 1782-1788.

图/表 6

图1 生活圈社区结构图示例

Fig. 1 Example of community structure of living circle

图2 生活圈社区结构表示学习框架

Fig. 2 Representation learning framework of community structure of living circle

图3 生活圈社区结构的嵌入表示

Fig. 3 Embedding representation of community structure of living circle

表1 实验数据集

Tab. 1 Experimental datasets

名称

来源

描述

住宅

小区

房地产在线

www.soufun.com

共13 467个小区，包括小区名称、所属区域、经纬度等属性。

POI

腾讯地图

共19类1 871 019个POI，包括名称、类别和经纬度等属性

单车

轨迹

Mobike共享

单车数据

共3 214 096条单车轨迹数据，时间为2017年5月，包括骑行开始时间、起点与终点经纬度等属性

图4 生活圈社区便利性比较

Fig. 4 Comparison of convenience of living circle community

表2 生活圈社区POI分布

Tab. 2 POI distribution of living circle community

生活圈	购物	学校	医疗	餐饮	娱乐	交通	生活	文体
1	246	34	125	885	222	34	936	183
2	340	54	162	1 068	382	23	1 291	232
3	257	41	121	946	242	36	987	202

参考文献 24

1	JIANG S， ALVES A， RODRIGUES F， et al. Mining point of interest data from social networks for urban land use classification and disaggregation［J］. Computers， Environment and Urban Systems， 2015， 53：36-46. 10.1016/j.compenvurbsys.2014.12.001
2	宋正娜，陈雯，张桂香，等. 公共服务设施空间可达性及其度量方法［J］. 地理科学进展， 2010， 29（10）：1217-1224. 10.11820/dlkxjz.2010.10.009
	SONG Z N， CHEN W， ZHANG G X， et al. Spatial accessibility of public service facilities and its measurement approaches［J］. Progress in Geography， 2010， 29（10）：1217-1224. 10.11820/dlkxjz.2010.10.009
3	LIU X J， LONG Y. Automated identification and characterization of parcels with OpenStreetMap and points of interest［J］. Environment and Planning B： Planning and Design， 2015， 43（2）：341-360. 10.1177/0265813515604767
4	LIU K， YIN L， LU F， et al. Visualizing and exploring POI configurations of urban regions on POI-type semantic space［J］. Cities， 2020， 99： No.102610. 10.1016/j.cities.2020.102610
5	ZHANG X Y， DU S H， ZHANG J X. How do people understand convenience-of-living in cities？ a multiscale geographic investigation in Beijing［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2019， 148：87-102. 10.1016/j.isprsjprs.2018.12.016
6	ZHANG C， ZHANG K Y， YUAN Q， et al. Regions， periods， activities： uncovering urban dynamics via cross-modal representation learning［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017：361-370. 10.1145/3038912.3052601
7	FU Y J， LIU G N， PAPADIMITRIOU S， et al. Real estate ranking via mixed land-use latent models［C］// Proceedings of the 21st ACM SIGKD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2015：299-308. 10.1145/2783258.2783383
8	WANG P Y， FU Y J， ZHANG J W， et al. Learning urban community structures： a collective embedding perspective with periodic spatial-temporal mobility graphs［J］. ACM Transactions on Intelligent Systems and Technology， 2018， 9（6）： No.63. 10.1145/3209686
9	庄晓平，陶楠，王江萍. 基于POI数据的城市15分钟社区生活圈便利度评价研究-以武汉三区为例［J］. 华中建筑， 2020， 38（6）：76-79.
	ZHUANG X P， TAO N， WANG J P. The evaluation of the convenience of 15-minute community life circles based on POI data： taking three districts of Wuhan as an example［J］. Huazhong Architecture， 2020， 38（6）：76-79.
10	LI Z H， DING B L， HAN J W， et al. Mining periodic behaviors for moving objects［C］// Proceedings of the 16th ACM SIGKD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2010：1099-1108. 10.1145/1835804.1835942
11	BURGES C， SHAKED T， RENSHAW E， et al. Learning to rank using gradient descent［C］// Proceedings of the 22nd International Conference on Machine Learning. New York： ACM， 2005：89-96. 10.1145/1102351.1102363
12	BURGES C J C. From RankNet to LambdaRank to LambdaMART： an overview： MSR-TR- 2010-82［R/OL］. （2010-06）［2021-06-20］..
13	ZHANG Y， CAPRA L， WOLFSON O， et al. Urban computing： concepts， methodologies， and applications［J］. ACM Transactions on Intelligent Systems and Technology， 2014， 5（3）： No.38. 10.1145/2629592
14	COURVILLE A， BERGSTRA J， BENGIO Y. Unsupervised models of images by spike-and-slab RBMs［C］// Proceedings of the 28th International Conference on Machine Learning. Madison， WI： Omnipress， 2011：1145-1152.
15	MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space［EB/OL］. （2013-09-07）［2021-05-23］.. 10.3126/jiee.v3i1.34327
16	OU M D， CUI P， PEI J， et al. Asymmetric transitivity preserving graph embedding［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016：1105-1114. 10.1145/2939672.2939751
17	HINTON G E， ZEMEL R S. Autoencoders， minimum description length and Helmholtz free energy［C］// Proceedings of the 6th International Conference on Neural Information Processing Systems. San Francisco： Morgan Kaufmann Publishers Inc.， 1993： 3-10.
18	FU Y J， WANG P Y， DU J D， et al. Efficient region embedding with multi-view spatial networks： a perspective of locality constrained spatial autocorrelations［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019：906-913. 10.1609/aaai.v33i01.3301906
19	FU Y J， XIONG F， GE Y， et al. Exploiting geographic dependencies for real estate appraisal： a mutual perspective of ranking and clustering［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014：1047-1056. 10.1145/2623330.2623675
20	MEI Q Z， ZHAI C X. Discovering evolutionary theme patterns from text — an exploration of temporal text mining［C］// Proceedings of the 11th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2005：198-207. 10.1145/1081870.1081895
21	YE X Y， TAN H L， ZHANG Y Z， et al. Research on convenience index of urban life based on POI data［J］. Journal of Physics： Conference Series， 2020， 1646： No.012073. 10.1088/1742-6596/1646/1/012073
22	FRIEDMAN J H. Greedy function approximation： a gradient boosting machine［J］. The Annals of Statistics， 2001， 29（5）：1189-1232. 10.1214/aos/1013203451
23	FREUND Y， IYER R D， SCHAPIRE R E， et al. An efficient boosting algorithm for combining preferences［J］. Journal of Machine Learning Research， 2003， 4：933-969.
24	CAO Z， QIN T， LIU T Y， et al. Learning to rank： from pairwise approach to listwise approach［C］// Proceedings of the 24th International Conference on Machine Learning. New York： ACM， 2007：129-136. 10.1145/1273496.1273513

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[3]	邓凯丽, 魏伟波, 潘振宽. 改进掩码自编码器的工业缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2595-2603.
[4]	王清, 赵杰煜, 叶绪伦, 王弄潇. 统一框架的增强深度子空间聚类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1995-2003.
[5]	黎施彬, 龚俊, 汤圣君. 基于Graph Transformer的半监督异配图表示学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1816-1823.
[6]	李宗禹, 强思维, 郭晓波, 朱振峰. 重加权的对抗变分自编码器及其在工业因果效应估计中的应用[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1099-1106.
[7]	张卓, 陈花竹. 基于一致性和多样性的多尺度自表示学习的深度子空间聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 353-359.
[8]	刘世梁, 王义, 马应龙. 考虑社区规模不平衡的非重叠社区检测[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3396-3402.
[9]	朱云华, 孔兵, 周丽华, 陈红梅, 包崇明. 图对比学习引导的多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3267-3274.
[10]	蒋辉, 闫秋艳, 姜竹郡. 面向多元时间序列异常检测的对称正定自编码器方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3294-3299.
[11]	黄懿蕊, 罗俊玮, 陈景强. 基于对比学习和GIF标记的多模态对话回复检索[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 32-38.
[12]	王春雷, 王肖, 刘凯. 多模态知识图谱表示学习综述[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 1-15.
[13]	张琨, 杨丰玉, 钟发, 曾广东, 周世健. 基于混合代码表示的源代码脆弱性检测[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2517-2526.
[14]	王静红, 周志霞, 王辉, 李昊康. 双路自编码器的属性网络表示学习[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2338-2344.
[15]	刘震宇, 王朝坤, 郭高扬. 面向动态网络的介数中心度并行算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 1987-1993.

面向“15分钟生活圈”社区结构的表示学习

Community structure representation learning for "15-minute living circle"

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 24

相关文章 15

编辑推荐

Metrics