孫煥良，彭程，劉俊嶺，許景科

面向“15分鐘生活圈”社區(qū)結構的表示學習

孫煥良，彭程，劉俊嶺*，許景科

（沈陽建筑大學 信息與控制工程學院，沈陽 110168）（*通信作者電子郵箱liujl@sjzu.edu.cn）

利用城市大數據發(fā)現社區(qū)結構是城市計算中重要的研究方向。有效表示面向“15分鐘生活圈”社區(qū)的結構特征可以細粒度地評價生活圈社區(qū)周圍的設施情況，有利于城市規(guī)劃建設，創(chuàng)造宜居的生活環(huán)境。首先，定義了面向“15分鐘生活圈”的城市社區(qū)結構，并采用表示學習方法獲取生活圈社區(qū)的結構特征；然后，提出了生活圈社區(qū)結構的嵌入表示框架，框架中利用居民的出行軌跡數據確定興趣點（POI）與居民區(qū)的關系，構建反映不同時段居民出行規(guī)律的動態(tài)活動圖；最后，對構建的動態(tài)活動圖采用自編碼器進行表示學習得到生活圈社區(qū)潛在特征的向量表示，從而有效概括居民日常活動所形成的社區(qū)結構。針對生活圈社區(qū)便利性評價、相似性度量等應用，利用真實數據集進行了實驗評估，結果表明，分POI類別的日周期的潛在表示方法優(yōu)于星期周期的潛在表示方法，且前者的歸一化折損累計增益（NDCG）比后者最少提升了24.28%，最多提升了60.71%，驗證了所提方法的有效性。

表示學習；城市社區(qū)；15分鐘生活圈；社區(qū)結構；自編碼器

0 引言

城市社區(qū)結構反映了社區(qū)居民與周圍生活設施、興趣點（Points Of Interest， POI）之間的關系［1］?，F有對城市社區(qū)結構的研究可以分為兩大類：一類是通過對靜態(tài)的城市POI分布進行分析來探索城市空間配置［2-5］；另一類是通過對城市居民活動規(guī)律進行分析來識別城市區(qū)域功能，探索城市區(qū)域間的差異［6-7］?，F有相關工作大多從宏觀角度研究城市社區(qū)結構［6-8］。

目前，我國將現有居住區(qū)的近距離生活圈內設施品質提升作為規(guī)劃建設的重要目標［9］。2018年住建部《城市居住區(qū)規(guī)劃設計標準》中強調通過生活圈來劃分居住單元，重點規(guī)劃建設“15分鐘生活圈”內的設施，以提升居民的生活質量。其中，“15分鐘生活圈”社區(qū)是指從居民區(qū)步行15 min可達的空間區(qū)域，簡稱為生活圈社區(qū)。對生活圈社區(qū)結構進行量化分析可以從細粒度角度發(fā)現居民區(qū)周圍設施分布情況，學習生活圈社區(qū)結構特征，對完善社區(qū)周圍設施、便于城市建設和創(chuàng)造宜居的生活環(huán)境具有重要意義。

本文研究生活圈社區(qū)結構的表示方法，通過生活圈社區(qū)居民在周圍POI活動情況，采用表示學習技術發(fā)現生活圈社區(qū)結構。

圖1為生活圈社區(qū)結構示例，其中：圖1（a）為北京市區(qū)某生活圈社區(qū)附近的POI分布情況，是半徑為1 km的圓周范圍，中心為生活圈社區(qū)，周圍分布為不同類別的POI，如商場、學校、餐館和生活服務等；圖1（b）為該生活圈社區(qū)結構圖，表示為星型結構，中心為生活圈社區(qū)，四周為必要的POI，用線與中心連接。生活圈社區(qū)結構展示了其周圍必要的POI及居民對這些POI依賴的程度。

圖1 生活圈社區(qū)結構圖示例

實現生活圈社區(qū)結構的有效表示具有挑戰(zhàn)性，主要體現在：1）生活圈社區(qū)周圍分布大量的POI，僅統計POI數量并不能準確地描述生活圈社區(qū)結構，確定對居民日常生活必要的POI是一個挑戰(zhàn)；2）在居民日常生活中，不同POI的重要程度有差異，例如一個超市的重要性要大于一個銀行網點，因此評價POI的重要性也是具有挑戰(zhàn)性的工作；3）居民在生活圈內的活動具有周期性，構建生活圈社區(qū)活動圖并進行POI嵌入表示也是一個挑戰(zhàn)。

為了解決以上問題，本文比較分析了百度地圖路徑查詢、出租車軌跡及共享單車軌跡數據，采用行程距離較短可以反映居民日?；顒榆壽E的共享單車數據來構建居民活動圖；利用居民區(qū)到POI的軌跡數據標記生活圈社區(qū)必要的POI，結合居民訪問POI的頻率、居民區(qū)與POI的距離及POI的類別確定POI的重要性。

為了構建生活圈社區(qū)活動圖，本文分析了不同時段居民的出行規(guī)律，獲取相對穩(wěn)定的活動模式生成動態(tài)活動圖。對構建的動態(tài)活動圖集合采用自編碼器表示學習，得到了生活圈社區(qū)潛在特征的向量表示，有效概括了居民日常活動所形成的社區(qū)結構。

本文主要工作如下：

1）定義了面向“15分鐘生活圈”的社區(qū)結構，用于描述居民區(qū)周圍不同類別POI的必要性與重要性；

2）提出了生活圈社區(qū)結構的嵌入表示框架，框架中利用共享單車數據構建生活圈社區(qū)活動圖，采用自編碼器表示學習方法對POI進行嵌入表示；

3）針對生活圈社區(qū)便利性評價、相似性度量等應用，利用真實數據集進行實驗評估，驗證本文方法的有效性。

1 問題定義

以下給出相關定義，并形式化所提出的問題。

定義1給出的生活圈社區(qū)結構為一個星形圖，如圖1（b）所示：中心為生活圈社區(qū)，四周分布著不同類型的POI。每個POI有位置、類型及重要性等屬性，為居民提供日常生活相關的服務，居民可以短距離地出行訪問這些POI。

居民在生活圈社區(qū)周圍的活動是動態(tài)的，同時呈周期性變化［10］。例如，在工作日的早上居民大多上班，活動范圍在公交站和地鐵站附近，而在周末的早上居民會在市場周圍活動。因此，為了更好地描述生活圈社區(qū)結構，定義了生活圈社區(qū)活動圖，見定義2。

現有的社區(qū)結構表示方法，如文獻［8］中提出的表示方法無法直接應用于生活圈社區(qū)結構的表示?，F有社區(qū)結構表示關注大范圍城市社區(qū)結構，通過構建社區(qū)內反映各POI間聯通關系的圖結構進行表示學習。本文研究面向“15分鐘生活圈”社區(qū)，更關注生活圈社區(qū)周圍的POI分布，通過構建生活圈社區(qū)與POI間的星形活動圖進行表示學習。

2 相關工作

2.1 城市社區(qū)結構與功能劃分

隨著感知技術和計算環(huán)境的成熟，以城市大數據為基礎的城市計算得到廣泛關注，城市社區(qū)結構與功能計算是城市計算重要的研究方向［11］。

在城市社區(qū)結構方面，文獻［3］中使用街景圖片和POI對社區(qū)結構進行描述；文獻［8］中提出了一個集體嵌入框架，從人類移動的多個周期性時空圖中學習社區(qū)結構。

在城市功能區(qū)發(fā)現方面，文獻［4］中使用skip-gram模型和t-SNE技術，利用城市POI數據探索城市區(qū)域功能并實現可視化；文獻［6］中利用POI和出租車軌跡發(fā)現了城市的區(qū)域功能；文獻［7］中提出了一個概率潛在因素模型學習一個地區(qū)的城市功能組合。

本文屬于社區(qū)結構發(fā)現方向，現有相關工作如文獻［6，8］，主要關注大范圍城市社區(qū)結構的表示，對POI之間的聯通性或者POI的類別進行嵌入學習。本文研究針對居民的日常生活圈社區(qū)結構，通過構建生活圈社區(qū)與POI星形圖進行表示學習。

2.2 表示學習

表示學習是一種無監(jiān)督學習方法，旨在從復雜的高維數據中提取有效的低維特征，可以分為詞向量表示［12］、圖表示學習［13］、時空圖表示學習［14］。

表示學習最初的應用為自然語言處理領域，文獻［12］中提出了基于神經網絡的表示學習模型word2vec用于提取單詞的語義特征。

圖表示學習旨在學習一個低維向量用于表示頂點或圖［15］。圖表示學習算法可分為概率模型、流形學習方法與基于重構的算法。其中，概率模型的方法是通過無監(jiān)督學習層次的特征；流形學習算法采用基于訓練集最近鄰圖的非參數方法［16］；基于重構的算法采用自動編碼器的方法通過一系列非線性映射將原始特征表示中的實例投影到低維特征空間中，最小化原始和重構特征之間的損失［17］。

時空圖表示學習是時空環(huán)境下圖表示學習的發(fā)展［13］。如文獻［8］中提出了一個集體嵌入框架學習社區(qū)結構。

本文提出的生活圈社區(qū)結構表示是一種時空表示學習，重點考慮了居民區(qū)周圍POI必要性與重要性，通過對居民不同時間段與不同類型POI的活動來學習生活圈社區(qū)結構。

3 生活圈社區(qū)結構的嵌入表示方法

3.1 框架結構

本文的重點是開發(fā)一個生活圈社區(qū)結構圖的表示學習框架，以獲取由居民活動產生的生活圈社區(qū)結構的動態(tài)變化，具體結構如圖2所示。該框架由兩個部分組成：第一部分通過POI、居民出行軌跡和居民區(qū)數據構建了多個生活圈社區(qū)活動圖；第二部分將生活圈社區(qū)活動圖進行嵌入，并使用自動編碼器對活動圖進行表示。

圖2 生活圈社區(qū)結構表示學習框架

3.2 生活圈社區(qū)活動圖的構建

本文定義生活圈社區(qū)活動圖用于反映居民的活動規(guī)律，需要確定哪些POI是所在生活圈社區(qū)必要的POI，以及這些POI的重要性；同時，需要發(fā)現居民周期性的活動規(guī)律。因此，本文在構建生活圈社區(qū)活動圖時采用如下策略：首先，利用共享單車軌跡數據建立生活圈社區(qū)與POI的關系；其次，發(fā)現居民周期性的活動模式來劃分生活圈社區(qū)活動圖時間段；最后，根據POI與居民區(qū)的距離及領域知識對POI賦予權重。

3.2.1 生活圈社區(qū)與POI關系的建立

本文需要估計共享單車軌跡數據中居民到達某POI的可能性，并量化居民區(qū)與POI之間的移動連通性。因為居民騎行單車的下車點往往在POI附近，無法與POI重合；同時，居民傾向訪問與下車點距離近的POI。因此，本文采用文獻［17］中基于概率傳播的方法來估計居民到達POI的概率，如式（1）所示：

3.2.2 生活圈社區(qū)活動圖時間段劃分

為了更好地了解居民活動規(guī)律，需要對生活圈社區(qū)活動圖進行時間段劃分，獲取相對穩(wěn)定的活動模式。文獻［8］中將周一到周日的數據生成7個動態(tài)圖，本文獲取了更細粒度的時間片段，將每天的不同時段進行劃分。借鑒了文獻［18］中提出的主題模型方法來劃分片段，即通過滑動窗口以KL散度（Kullback-Leibler divergence）為度量對窗口進行劃分，如式（2）所示：

3.2.3 POI權重生成

為了能夠更好地區(qū)別不同POI對生活圈社區(qū)的影響，需要對POI賦予權重，權重越大說明POI的重要性越高。本文考慮了三個影響權重的因素，包括居民訪問的頻率、與居民區(qū)的距離以及類別情況，提出了一種權重計算方法，如式（3）所示：

3.3 生活圈社區(qū)結構的嵌入表示

在構建了多個不同時段的生活圈社區(qū)活動圖后，便可以進行活動圖嵌入表示，以發(fā)現不同生活圈社區(qū)中居民的日常生活規(guī)律所形成的社區(qū)結構。具體的表示方法如圖3所示。

圖3 生活圈社區(qū)結構的嵌入表示

4 實驗分析

4.1 數據準備與實驗參數

本文所采用的實驗數據集均為真實數據集，如表1所示。第一個數據集是從房地產在線（www.soufun.com）網站獲得的，共包含1.3萬多個居民生活圈社區(qū)。第二個數據集為北京市POI數據集，通過調用騰訊地圖API接口下載，共包括180多萬19類的POI對象。第三個數據集為軌跡數據，包括百度地圖路徑查詢軌跡、出租車軌跡及共享單車軌跡數據。其中：百度地圖路徑查詢軌跡數據來自百度大腦交通數據集；共享單車軌跡數據來自數據競賽社區(qū)www.biendata.xyz。

表1 實驗數據集

為了發(fā)現生活圈社區(qū)人們日常活動規(guī)律，本文分析了軌跡數據的分布情況。對軌跡長度進行了統計，共享單車的平均騎行距離是842 m，出租車的平均行駛距離是11 016 m，百度查詢的行程距離是15 302 m。出租車數據和百度查詢數據出行距離過大，無法真實反映居民在生活圈社區(qū)的日常生活活動，所以本文選用行程距離與15分鐘生活圈范圍基本相符的共享單車軌跡數據，并且考慮到共享單車的普及性，選取北京五環(huán)內的地區(qū)作為研究區(qū)域。表1給出了所使用的北京市相關數據集的詳細情況。在自編碼器編碼和解碼過程中，文本設置編碼和解碼的層數都為3，自編碼器訓練輪數epochs為20，每次訓練的樣本數量batch-size為64。

4.2 生活圈社區(qū)便利性評價

用生活圈社區(qū)便利性來度量本文表示學習方法的效果，生活圈社區(qū)便利性是指生活圈社區(qū)居民對周圍設施的滿意度和可達性［5］。文獻［5］中通過調查問卷及隨機森林等技術標記了北京市各區(qū)域的便利性評分，便利性從低到高分為1到5共5個等級。利用現有的表示方法與本文的表示方法分別對生活圈社區(qū)進行表示，生成表示向量，并將文獻［5］的標記結果作為所生成表示向量的便利性等級標簽；接著將表示向量作為預測屬性，利用五種現有學習排序算法對生活圈社區(qū)便利性進行預測，通過預測結果評價表示方法。

具體的表示方法如下，其中方法1、2為比較方法，3～5為本文提出的表示方法。

1）顯性特征（Explict Feature， EF）方法：該方法將生活圈社區(qū)的19類POI每類的總數作為特征。

2）星期周期的潛在表示方法WLF（Weekly Latent Feature）［8］：該方法采用共享單車數據中生活圈社區(qū)與POI間的軌跡數據，將一周作為一個周期，每天生成一個生活圈社區(qū)活動圖，再進行嵌入表示。

3）日周期的潛在表示方法DLF（Daily Latent Feature）：將一天通過滑動窗口劃分為多個時間段，不區(qū)分POI類別，構建生活圈社區(qū)活動圖并進行嵌入表示。

4）分POI類別的DLF表示方法（Daily Latent Category Feature， DLCF）：該方法在DLF方法基礎上增加了POI類別，綜合第2.2節(jié)提出的表示策略設計的方法。

5）DLCF+EF：將DLCF與EF組合形成的方法。

本文選取了五種學習排序方法驗證本文表示方法的性能。具體學習排序算法包括：

1）Multiple Additive Regression Tree （MART）［20］：增強的樹模型，使用回歸樹在函數空間中執(zhí)行梯度下降。

2）RankBoost（RB）［21］：增強的成對排序方法，訓練多個弱排序器，并將它們的輸出組合為最終排序。

3）ListNet（LN）［22］：列表排序模型，以轉換top-排序似然為目標函數，采用神經網絡和梯度下降作為模型和算法。

4）RankNet（RN）［23］：使用神經網絡對潛在的概率成本函數進行建模。

5）LambdaMART（LM）［24］：基于RankNet通過LambdaRank改進的增強樹的版本，結合了MART和LambdaRank。

將以上五種表示方法和五種學習排序方法組合來進行比較，采用歸一化折損累計增益NDCG@（Normalized Discounted Cumulative Gain）評價排序結果，NDCG@值越大，評價排序的準確性越高。如圖4（a）～（d）所示，比較了五種表示方法和五種學習排序方法組合而成的25個組合的性能。通過實驗發(fā)現潛在特征和顯性特征結合時性能最優(yōu)，本文提出的框架所學習的潛在特征也優(yōu)于其他潛在特征學習表示，本文的框架的NDCG結果比其他框架最少提升了24.28%，最多提升了60.71%。結合生活圈社區(qū)的動態(tài)和靜態(tài)結構的信息可以更加有效地表示生活圈社區(qū)，使生活圈社區(qū)的便利性評價更加準確。

圖4 生活圈社區(qū)便利性比較

由圖4可知，DLF優(yōu)于WLF，原因是DLF對時間段的劃分更加符合居民的活動規(guī)律，能更好地描述生活圈社區(qū)結構的特征；DLCF優(yōu)于DLF，因為DLCF考慮了POI類別，因此能夠更清晰地表示不同類別的POI在不同時段的特征；組合方法DLCF+EF優(yōu)于DLCF，因為DLCF+EF將生活圈社區(qū)的靜態(tài)的顯性特征和動態(tài)的潛在特征相結合，能夠更加全面地描述生活圈社區(qū)。

通過實驗發(fā)現潛在特征和顯性特征結合時性能最優(yōu)，本文提出的框架所學習的潛在特征也優(yōu)于其他潛在特征學習表示。結合生活圈社區(qū)的動態(tài)和靜態(tài)結構的信息可以更加有效地表示生活圈社區(qū)，使生活圈社區(qū)的便利性評價更加準確。

4.3 生活圈社區(qū)相似性評價

生活圈社區(qū)表示可應用于居民生活圈社區(qū)的相似性分析。本文選取了朝陽區(qū)東四環(huán)附近3個真實生活圈社區(qū)，通過這3個生活圈社區(qū)的特征向量的余弦相似度來比較三者之間的相似性。生活圈社區(qū)1和2的余弦相似度為0.964 1，生活圈社區(qū)1和3的余弦相似度為0.889 7。表2給出了三個生活圈社區(qū)范圍為1 km內的不同類別POI分布數量，分析其顯性特征情況。

表2 生活圈社區(qū)POI分布

由表2可知，雖然生活圈社區(qū)1和2的POI分布相差較大，但是兩者在潛在特征方面比較相似。調查發(fā)現兩個現象可能導致它們潛特征相似：第一，在生活圈社區(qū)2的1 km范圍內有一家大型商場，商場里包含著許多購物類、餐飲類和生活服務類POI，使得在相應類別POI數量與生活圈社區(qū)1有較大差異。然而，大型商場與生活圈社區(qū)2相隔3個交通崗使得居民訪問數量較少，導致與生活圈社區(qū)1在相應類別POI分布的差異減小。第二，在生活圈社區(qū)1和2區(qū)域內均有重點中學，并且學校周圍分布著很多餐飲類和生活服務類POI，居民的日?；顒哟蟛糠旨性趯W校區(qū)域附近，因此即使POI分布差異較大，兩者的潛在特征仍然比較相似。

生活圈社區(qū)1和3的POI分布數量十分相似，但其潛在特征差異較大。調查發(fā)現生活圈社區(qū)1的住宅區(qū)與3的住宅區(qū)距離相近，所以POI分布數量較為相似；然而，生活圈社區(qū)3的住宅離學校區(qū)域相對較遠，使得居民活動軌跡并不在學校區(qū)域周圍，表現為居民的訪問量較少。因此，即使兩者間的POI分布數量相似，但其潛在特征并不相似。

通過對生活圈社區(qū)潛在特征的學習，可以從動態(tài)的角度尋找相似的居民生活圈社區(qū)，發(fā)現不同居民區(qū)之間的潛在相似性，為比較生活圈社區(qū)的相似性提供了新方法。

5 結語

本文研究了面向“15分鐘生活圈”的城市社區(qū)結構問題，提出了生活圈社區(qū)結構的嵌入表示框架。該框架由生活圈社區(qū)活動圖及表示學習兩部分組成。采用可以反映居民日?；顒榆壽E的共享單車數據來建立活動圖中的關系，通過分析居民活動模式得到活動圖時間片段，對構建的動態(tài)活動圖采用自編碼器表示學習，得到生活圈社區(qū)潛在特征的向量表示。使用歸一化折損累計增益作為評價指標對生活圈社區(qū)的便利性進行評價，驗證了所以出框架的優(yōu)越性。接下來，對生活圈社區(qū)范圍進行更為細粒度的劃分和進行表示學習的研究將是我們進一步工作的重點。

[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.

[2] 宋正娜，陳雯，張桂香，等. 公共服務設施空間可達性及其度量方法［J］. 地理科學進展， 2010， 29（10）：1217-1224.（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.）

[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.

[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.

[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.

[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.

[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.

[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.

[9] 莊曉平，陶楠，王江萍. 基于POI數據的城市15分鐘社區(qū)生活圈便利度評價研究-以武漢三區(qū)為例［J］. 華中建筑， 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.

[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.

[12] BURGES C J C. From RankNet to LambdaRank to LambdaMART： an overview： MSR-TR-2010-82［R/OL］. （2010-06）［2021-06-20］.https：//www.microsoft.com/en-us/research/wp-content/uploads/2016/02/MSR-TR-2010-82.pdf.

[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.

[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］.https：//arxiv.org/pdf/1301.3781.pdf.

[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.

[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.

[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.

[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.

[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.

[22] FRIEDMAN J H. Greedy function approximation： a gradient boosting machine［J］. The Annals of Statistics， 2001， 29（5）：1189-1232.

[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.

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

SUN Huanliang， PENG Cheng， LIU Junling*， XU Jingke

（，，110168，）

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.

representation learning; urban community; 15-minute living circle; community structure; auto-encoder

This work is partially 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）.

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.

LIU Junling， born in 1972. Ph. D.， associate professor. Her research interests include spatio-temporal data query， data mining.

XU Jingke， born in 1976. Ph. D.， professor. His research interests include spatio-temporal database， data mining.

TP391

A

1001-9081（2022）06-1782-07

10.11772/j.issn.1001-9081.2021091750

2021?10?12；

2021?11?15；

2021?11?17。

國家自然科學基金資助項目（62073227）；國家重點研發(fā)計劃項目（2021YFF0306303）；遼寧省自然科學基金資助項目（2019-MS-264）；遼寧省教育廳項目（LJKZ0582）。

孫煥良（1969—），男，黑龍江望奎人，教授，博士，博士生導師，CCF高級會員，主要研究方向：空間數據管理、數據挖掘；彭程（1994—），男，遼寧營口人，碩士研究生，CCF會員，主要研究方向：數據挖掘、表示學習；劉俊嶺（1972—），女，遼寧沈陽人，副教授，博士，CCF會員，主要研究方向：時空數據查詢、數據挖掘；許景科（1976—），男，遼寧海城人，教授，博士，CCF會員，主要研究方向：時空數據庫、數據挖掘。