[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

权利要求书

1.一种基于图神经网络的城市管理投诉事件预测方法，其特征在于，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；

其中，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，包括：

(1) 对所述基础邻接矩阵A1和所述相似性邻接矩阵A2分别在时间序列上进行扩展，将当前时间步节点前t时间步的节点状态设置为其一阶邻居，构建两个扩展时空图，该所述扩展时空图的节点个数是所述子区域个数的t倍；基于两个所述扩展时空图，构建包含时序信息的扩展基础邻接矩阵A1’和扩展功能相似性矩阵A2’：

(2) 将所述扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’分别和所述事件矩阵送入GNN图神经网络进行处理，同时捕捉时间和空间信息，其中所述GNN图神经网络中节点的特征表示按节点本身、空间邻居、时间邻居进行聚合，汇总之后进行非线性变换；

(3) 对扩展基础邻接矩阵A1’、扩展功能相似性矩阵A2’进行剪枝操作，保留t个时间步中最后时间步的子图，其余的时间步进行剪枝遗弃，得到剪枝操作后的子图；

(4) 基于剪枝操作后的子图，重复(1)-(3)，得到节点的表示向量X1和X2；

(5)将X1与X2进行连接，从而得到所述节点的表示向量。

2.根据权利要求1所述的一种基于图神经网络的城市管理投诉事件预测方法，其特征在于，采集城市管理投诉事件原始数据，对所述城市管理投诉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，包括：

对所述城市管理投诉事件原始数据进行清洗，去除无效值，在对清洗后的所述城市管理投诉事件原始数据进行统计，分别统计各个所述子区域每一天某类别投诉事件的发生数量，其中每个投诉事件都携带有地理坐标信息；

根据所述投诉事件的地理坐标信息，在全部被划分后的所述子区域中进行检索，判断投诉事件发生的地点属于哪个所述子区域，对应所述子区域的投诉数据数量加一，得到预处理后的统计数据，并进一步得到正则化数据；

对所述预处理后的统计数据进行二值化处理，数量=N则置为1，否则置0，N是可以调节的超参数，得到二值化数据。