融合多源时空知识图谱与图神经网络的智慧选址模型

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)

doi: 10.13209/j.0479-8023.2025.087

苏州市人工智能与社会治理技术重点实验室项目(SZS2023007)、苏州独墅湖科教创新区智能社会治理技术与创新应用平台项目(YZCXPT2023101)以及苏州工业园区领军人才计划(科教领军)资助

收稿日期: 2025-06-30;

修回日期: 2026-07-01

融合多源时空知识图谱与图神经网络的智慧选址模型

1. 中国人民大学智慧治理学院, 苏州 215123; 2. 中国人民大学信息学院, 北京 100872;† 通信作者, E-mail: maolj@ruc.edu.cn (毛亮坚), zhixuli@ruc.edu.cn (李直旭)

摘要针对现有的零售连锁门店选址方法存在人力与时间成本高、忽略地理空间交互关系以及高维非结构化特征处理粗糙的问题, 提出一种融合多源时空知识图谱与图神经网络(GNN)的连锁门店智慧选址模型(SmartSite)。首先, 搭建多源时空数据库(MSSTDB), 完成多源时空数据的采集与规范化治理; 然后, 构建多源时空知识图谱(MSSTKG), 实现时空实体与时空关系的精准抽取, 并依托图卷积网络(GCN)挖掘地理数据的深层特征表示; 最后, 引入注意力机制动态分配特征权重, 构建智能化选址模型。通过标准数据集对比实验与消融实验验证模型性能, 并将该模型应用于头部新零售连锁企业的门店选址场景。结果表明, 相较于传统的人工选址及常规数据驱动选址方法, 该模型可充分挖掘地理空间数据的关联特性, 显著地降低选址成本,产生良好的经济效益, 可为零售连锁企业门店选址决策提供决策参考。

关键词门店选址; 知识图谱(KG); 图神经网络(GNN); 多源时空数据

A Smart Site Selection Model Integrating Multisource Spatiotemporal Knowledge Graphs and Graph Neural Networks

1. School of Smart Governance, Renmin University of China, Suzhou 215123; 2. School of Information, Renmin University of China,Beijing 100872; † Corresponding authors, E-mail: maolj@ruc.edu.cn (MAO Liangjian), zhixuli@ruc.edu.cn (LI Zhixu)

Abstract To address the issues of high labor and time costs, neglect of geographic spatial interactions, and coarse handling of high-dimensional unstructured features in existing retail chain store site selection methods, this paper proposes a smart site selection model (SmartSite) that integrates multi-source spatiotemporal knowledge graphs and graph neural networks (GNNs). Specifically, a multi-source spatiotemporal database (MSSTDB) is first established to collect and standardize multi-source spatiotemporal data. Subsequently, a multi-source spatiotemporal knowledge graph (MSSTKG) is constructed to accurately extract spatiotemporal entities and their relationships, and a graph convolutional network (GCN) is employed to derive deep feature representations from geographic data. Finally, an attention mechanism is introduced to dynamically assign feature weights, thereby building an intelligent site selection model. The performance of the proposed model is validated through comparative experiments on benchmark datasets and ablation studies, and the model is further applied to a leading new retail chain enterprise's store location scenario.Experimental results show that, compared with traditional manual approaches and conventional data-driven methods,the proposed model can effectively exploit the correlations inherent in geographic spatial data, significantly reduce site selection costs, and deliver substantial economic benefits, offering a reliable decision-making reference for retail chain enterprises in store location planning.

Key words store site selection; knowledge graphs (KG); graph neural networks (GNN); multisource spatiotemporal data

在商业活动中, 门店选址是重要的决策事项。与随机选址相比, 最优化选址通常能吸引更多的顾客, 带来更多的经济效益。在门店选址决策的过程中, 需要获取大量相关信息, 例如待选区域的地理位置、周边环境、居民消费水平和消费习惯、其他同类商铺的位置和经营状况等。传统的门店选址多采用人工方式收集和分析数据, 大大增加人力及时间成本, 且因数据不精准而增加选址失误的风险, 无法满足现代社会高效决策的需求。

基于位置的移动设备服务的快速发展以及多源时空数据的广泛运用, 为数据驱动的选址策略提供了新的研究方向。数据驱动选址方法通常从时空数据中提取各种特征, 将其输入相应机器学习模型中计算选址得分。然而, 人工定义的特征仅涉及一两个方面(如店铺密度和人流等), 不能充分利用时空数据之间的复杂关系及其多样性特征。此外, 这些方法仅提供每个特征的重要性评分, 缺乏可解释的逻辑推理过程, 决策依据说服力不足, 难以满足企业实际选址的需求。

与数据驱动的选址方法相比, 以知识驱动的智能选址方法效果显著。知识图谱广泛运用于搜索引擎、问答系统、个性化推荐、机器翻译以及语义理解等各种智能化信息服务中, 是人工智能的基础设施和底层支撑。基于知识图谱的选址方法将时空数据整合到图结构中, 开发出强大的知识表示学习(KRL)方法, 避免了复杂的特征工程[1]。因此, 作为有前景的解决方案, 以知识驱动的选址方法脱颖而出, 但面临 4 项关键技术挑战, 该方法尚处于探索阶段。

1) 时空数据整合难度。针对选址目标, 需要整合来自政府公开数据、商业数据提供商、地图 API、社交媒体、传感器和企业内部数据等多源异构数据, 数据格式、标准和质量差异大, 且时空数据之间的关系复杂, 整合难度大。

2) 时空知识图谱本体构建复杂性。构建一个能准确地全面刻画选址领域(区域属性、消费者画像、商业设施、竞争关系、环境因素以及交通网络等)及其复杂关系(如地铁站出口 500 米内客流量大) 的时空知识图谱本体非常困难, 需要专家深度参与。

3) 复杂决策因素的融合。选址决策是综合考量人口、经济、竞争、交通、成本和品牌战略等多因素的复杂过程。如何利用知识图谱中丰富的关联信息, 有效地融合这些因素, 量化其影响权重并建模非线性关系, 成为核心挑战。

4) 可解释性与可信度。知识图谱模型(尤其是结合深度学习)的决策过程常常是“黑箱”。如何让选址决策者理解模型推荐某个位置的具体原因(例如, 哪些关键因素和关联触发此推荐), 提高模型的可信度和可接受性至关重要。

现有的知识图谱研究多聚焦于静态知识图谱,其中事实不随时间演化, 难以刻画现实城市环境中地理实体间的时空动态关联与移动变化特征, 直接制约其在动态选址场景下的适用性。为此, 本文提出一种融合多源时空知识图谱(STKG)与图神经网络的智慧选址模型, 旨在提升门店选址的智能化水平与决策准确性。该模型首先整合区域、兴趣点(POI)、品牌等多源时空数据, 构建面向选址决策的时空知识图谱, 建立描述城市环境、个体行为及其关联关系的本体化时空数据模型。在此基础上, 利用图卷积网络(GCN)从图谱中提取与选址目标高度相关的特征参数并进行训练拟合, 同时引入注意力机制, 动态地评估不同空间要素对选址吸引力的影响权重。最后, 结合零售连锁行业的业务特性, 设计一套多目标选址评价体系, 为模型决策提供可解释性支撑, 并为企业选址策略提供量化参考。本文的主要贡献如下。

1) 提出一种基于多源时空知识图谱的选址建模框架, 能够充分利用异构时空数据, 实现高效且可解释的选址推理。

2) 构建融合城市多源信息的时空知识图谱, 将城市关键元素及其复杂关联抽象为实体与关系, 为选址知识的发现提供结构化基础。

3) 设计基于图卷积网络与注意力机制的特征提取与权重分配方法, 有效地捕捉地理空间要素对选址决策的非线性影响。

4) 结合零售连锁行业的实际需求, 建立多目标选址评价体系, 并通过接入真实外部与内部数据集的广泛实验, 验证模型在实际场景中的有效性与优越性。

1 相关工作

1.1 传统的选址方法

传统的选址模型遵循两个步骤: 第一步, 初步筛选, 确定一组候选位置; 第二步, 做出决策, 根据预定义的标准找到最佳选择[2-3]。这两个步骤都需要遵循行业准则的主观判断[4-5]或由经验推导的数学公式(如重力模型[6-7])。20 世纪 70 年代以来, 地理信息系统(GIS)凭借其强大的空间分析能力, 深入地集成到这一流程中, 并在此过程中获得长足的发展和广泛的应用[8-9]。地理信息系统可以提供详细的空间数据, 并根据选定的标准(如与道路的邻近程度和人口密度)对地图进行分类。一种流行的选址方法是将 GIS 与模糊分析层次过程(FAHP)相结合的多准则决策(MCDM)技术, 广泛用于各类设施的选址, 包括垃圾填埋场、医院、大会和消防站。该方法遵循分析层次结构过程(AHP), 使用两两比较来确定决策过程中不同目标的优先级[10]。这些传统选址方法存在如下缺陷: 由于模型复杂度以及数据可用性的限制, 决定最佳选址的相关因素非常有限; 大多数情况下仍然需要专家意见的输入, 而这些意见往往是主观的; 缺乏设施层面的数据, 无法对结果进行客观的评估。

1.2 数据驱动的选址方法

随着大量基于位置的数据的积累和机器学习算法的发展, 人们开始探索数据驱动的地理空间分析方法。Xu 等[11]提出需求驱动的门店选址站(DD3S)模型, 使用基于位置的用户查询数据建立需求-供应模型, 查找候选站点, 然后根据预测的门店受欢迎程度对它们进行排序。区域特征在很大程度上取决于人们在该区域内的兴趣点(point of interests, POI)进行的活动类型, 可以用 POI 概况来表示, 区域特征在一定程度上影响 POI 的吸引力。例如, 新店的位置应该满足当地的需求。Liu 等[12]提出区域POI 需求识别(RPDI)框架, 根据人口统计、POI 概况和移动模式, 推导出一个地区不同类别的 POI 需求。零售门店的最佳选址方案是基于同一地区内不同类别门店相互吸引或排斥的情况进行判定[13], 不同类别的门店关系反映在区域的 POI 曲线和区域之间的流动模式上, 通过对这些 POI 曲线和流动模式进行聚类来识别地图上的功能区[14]。另一种数据驱动的地理空间分析方法是地理加权回归(GWR)。Fotheringham 等[15-16]提出一种地理加权回归模型, 根据回归点周围的观测值与回归点的接近程度, 赋予它们不同的权重。地理加权回归模型常用来预测房价[17]和交通流量[18], 也可以用于门店选址。

1.3 时空知识图谱

时空知识图谱是具有时空分布或位置隐喻的知识构成的有向图, 即以时空分布特征为核心的知识图谱, 涉及人类群体或个体、交通工具、建筑楼宇、兴趣点以及其他具有社会系统属性与地理空间分布隐喻的概念和实体。在大数据时代与深度学习不断发展的趋势下, 多源异质的大规模时空知识图谱构建以及基于图神经网络的知识图谱学习与计算成为时空数据分析的内在需求[19]。一方面, 知识图谱可以构建时空知识模型与复杂场景, 为知识-数据驱动的数据挖掘提供知识基础; 另一方面, 利用知识图谱中丰富的语义关系, 可以实现面向语义需求的智能检索和增强场景智能服务。目前, 国内有关时空知识图谱应用于门店选址场景的研究尚处于探索阶段。

1.4 图神经网络与时空分析

卷积图神经网络(GCN)是将传统卷积神经网络(convolutional neural networks, CNN)中的卷积操作推广到图结构数据上的一种神经网络模型。CNN在处理低维数据(如图像[20-22]和文本[23])方面具有优势, 这些数据具有网格结构, 可以方便地使用向量和矩阵建模。GCN 凭借处理图形数据的能力, 通过创建地理空间网络, 提供了一种使用地理空间和交通数据的新方法。

门店选址的主要标准之一是对顾客的吸引力,因此了解人们何时去何地旅行会非常有帮助。Yao 等[24]在关系图卷积网络(RGCN)[25]的启发下, 提出一种空间交互图卷积网络(SI-GCN)模型, 用于估算缺失的空间原点-目的地(OD)流。Zhao 等[26]将GCN 与长短期记忆(LSTM)相结合, 纳入交通数据的时间敏感性, 利用某一地点过去的交通相关特征对未来的交通模式进行预测, 将连接节点的特征聚合在图上, 进一步证明节点间可以通过交通网络相互影响。

2 多源时空数据库建设

2.1 多源时空数据的采集

本文提出的多源时空数据包括外部数据源和自有数据源, 其中, 外部数据源的数据与城市相关,包括描述城市建成环境的用地数据、地图路网数据、交通基础设施数据及其交通流量数据、地图兴趣点数据、描述个体行为的运营商数据以及房产中介数据, 自有数据源包括销售数据、客流数据以及进销存数据。

外部数据源的数据可以通过数据采集程序从网络资源中采集, 所采集的数据类型和数据源如表1所示。

除自建数据库外, 也接入第三方公共数据库, 包括政府职能部门(如市政、民政、房管、公安、工商、消防、交通和气象等)、高校、科研机构或商业组织等的政务公开数据库、地图数据库和品牌数据库等。

2.2 多源时空数据治理流程

采集到的多源时空数据可能存在大量无效或异常的数据, 这些数据可能是重复的、不完整的或错误的数据, 不仅会造成数据处理量大, 更会对后续数据处理造成干扰或污染, 影响数据处理结果的信度和效度。因此, 需要对这些无效数据进行纠正, 对多源时空数据进行治理。

多源时空数据治理的首要环节是数据清洗, 即剔除重复和冗余记录, 修正或移除不完整及错误数据, 保留有效数据并存储至服务器, 清洗流程依托可配置的规则集(依据数据类型、格式、来源及行业设定)。为保障清洗质量, 本文在预定义规则基础上制定一套完整的数据质量清洗规则。该规则通过对数据进行自相关和互相关有效性验证, 判断当前针对某个数据源、数据类型和数据格式的清洗规则是否需要修正。若需要, 则修正原有的数据清洗规则, 并根据更新后的规则对消费交易数据进行清洗。采用机器学习方法来训练数据清洗规则, 利用训练出来的规则来对多源数据进行数据清洗。

本文制定一套多源时空数据的数据标准, 包括品牌名称、公交车站的站点名称和兴趣点(POI)描述等数据标准。通过对多源时空数据中的品牌名称进行融合, 将与标准品牌名称对应的数据进行整合,使得多源数据中处于不同数据源中单一的、零散的品牌数据整合为统一的品牌数据。通过对多源时空数据中的站点名称进行融合, 将与标准站点名称对应的数据进行整合, 使得多源数据中处于不同数据源中单一的、零散的站点数据整合为统一的站点数据。

2.3 多源时空数据库(MSSTDB)

通过对多源时空数据进行采集和治理, 针对零售行业特性建立基本数据库(表2)。

3 方法

3.1 多源时空知识图谱的构建与表示

3.1.1 多源时空知识图谱的构建

将多源时空知识图谱(MSSTKG)视为一个有向图, 可以表示为G=(V,E,A,B,φ,ϕ,R), 其中 V是用户集与位置集的并集(U∩L), E 表示属于以下关系类型的边。每个实体 v∈V 属于一个实体类型 φ(v)∈ A, 每个边 e∈E 属于一个关系类型 ϕ(e)∈B。R 表示一个主体-关系-对象三元组的集合, 每个 r = (h, p, t)表示一个头实体-关系-尾实体的关系。

在构建 MSSTKG 时, 需确保每条边都能准确地反映用户与时空知识实体之间的关系, 并依此构造边的关系类型。用户与时空知识实体之间关系(边)的构造如表3 所示。

以区域关系定义与抽取为例, 定义用户与两个区域之间的空间关系, 将具有相似 POI 分布的区域进行连接。根据主要道路网络, 将城市划分为不相交的区域, 与等大小的网格划分相比, 这样划分更贴近人们的活动和城市功能单元。

以品牌相关连接为例, 对于“相关品牌”的关系, 事实上是从公共知识图谱 zhishi.me 中通过“相关页面”获取。对于“品牌关系”, POI 实体及其对应的“品牌”实体之间相互关联, 因此, 通过品牌关联的 POI 得到品牌的事实。其他关系链接也遵循上述定义, 并通过数据映射和聚合获得。由此构建的多源时空知识图谱(MSSTKG)包含多源城市数据之间的结构化知识。

3.1.2 多源时空知识图谱的图卷积嵌入表示

图卷积网络(GCN)采用多层邻居聚合机制, 在邻居聚合方面具有显著优势。使用 GCN 方法可以在知识图谱中运用图卷积操作来聚合邻居信息, 借助 GCN 提取知识图谱选址特征表示, 可以更好地建模用户对选址特征的偏好。

现有基于知识图谱嵌入(KGE)的方法直接利用知识图谱的信息来丰富推荐系统中的实体向量或用户向量表示, 通过 TransE, TransH 和 TransR 等方法,将实体或用户向量映射到低维向量空间中, 获得用户嵌入和实体嵌入向量表示, 从而进行推荐。然而,仅依赖学习到的低维密度表示是不够的, 因此根据Wang 等[27]提出的知识图谱的向量嵌入表示模型(knowledge graph convolutional network), 通过聚合知识图谱中的邻域信息来提取用户偏好特征。

知识图谱嵌入是一种将知识图谱中的实体和关系表示为向量嵌入的技术, 同时能够保留图谱的原有结构特征。本研究采用广泛使用的 TransR[28]方法, 对空间-时间知识图谱(STKG)进行嵌入。对于知识图谱中每个三元组(h, r, t)来说, 通过优化wreh+er≈wret来学习嵌入每个实体和关系, 其中w∈ RD1×D2 是关系 r 的转换矩阵, eh,er和et分别为h,r和t的嵌入向量表示, 通过wr, 可以将eh和et在关系空间中投影。

基于 TransR 模型的评分函数为

通过度量头实体 h 与尾实体 t 在关系 r 特定投影空间内的欧氏距离, 评估三元组(h, r, t)成立的置信度。g(h,r,t)的分数越低, 代表相似度越高, 相应三元组表示的连接越有可能存在。g(h,r,t)的分数越高,相应三元组(h,r,t)表示的连接大概率不存在。

TransR 通过成对排名损失来区分其相似一致性:

其中, T={(h,r,t,t′)|(h,r,t)∈G,(h,r,t′)∉G},(h,r,t′)是通过随机替换有效三元组中的一个实体构建的错误三元组, σ 是 sigmoid 函数。该层以三元组的粒度对实体和关系进行建模, 通过引入正则化约束, 并将其直接连接融入到表示中, 从而提升模型的表示能力。

3.2 智慧选址模型(SmartSite)

3.2.1 智慧选址模型的架构

本文在 DenseNet 深度网络推荐框架的基础上构建 SmartSite 选址模型, 利用 DenseNet 对用户与选址的外积交互特征进行多维高阶特征提取。He等[29]基于外部产品的神经协同过滤, 通过直接对用户和项目的输入数据进行外积交互操作, 获得外积交互矩阵。与 He 等[29]的方法不同的是, SmartSite模型在用户与选址隐式特征进行外积交互操作之前引入注意力模型, 用于学习用户与项目之间的关系, 从而对用户的偏好进行深层次的建模。SmartSite模型包含输入层、嵌入层、交互层、隐藏层和预测层, 模型架构如图1 所示。

3.2.2 智慧选址模型构建

在智慧选址模型 SmartSite 中, 假设用户集合 U ={u1, u2, …, uM}, 项目集合 I= {i1, i2, …, iN }, 对于每个用户 u, 都有其对应的交互过的项目子集

, 其中 R 是用户 u 交互过的项目数量。本研究主要通过用户 u 交互的历史项目列表Iu, 为其提供精准且多样化的选址推荐列表

}。

输入层为用户选址的特征向量

…,m} (ufj 为用户特征)、门店的特征向量

=1,2,…,n} (ifj 为项目特征)以及用户的历史选址集合 Iu。将用户选址特征集和候选门店特征集分别输入嵌入层, 通过式(3), 分别获取用户和候选门店的嵌入向量pu 和 qi:

其中, P∈Rm×k 为用户选址特征的嵌入矩阵, Q∈Rn×k为项目特征的嵌入矩阵, k 表示嵌入层隐式特征的维度, m 和 n 分别表示用户特征维度和项目特征维度。将嵌入向量 pu 和 qi 送入注意力(Attention)层后,通过注意力机制动态地分配权重, 学习到用户对自己历史列表中每个选址特定特征的偏好 ar→j :

其中, qij 是候选门店的输入特征序列{if1, if2, …, ifn}对应的隐层状态值;

和bar→j是需要学习的模型参数, 分别代表用户 ur 对项目 ik 中第j 个特征的影响权重和偏置量。将 ar→j 输入softmax 函数, 进行归一化处理, 得到归一化权重akr:

用户 ur 对历史列表中每个候选门店特征的偏好C 由项目特征编码的隐层向量qi={qij|j=1,2,...,k}按权重向量逐元素相乘得到:

最终, 注意力模型的输出是用户对每个候选门店特征的不同关注qi′∈Rk。本文在嵌入层和注意力模型基础上, 采用外积操作构建特征交互矩阵:

隐藏层作为 SmartSite 模型的特征提取主干网络, 目的是从特征交互矩阵中提取有用的信息, 隐藏层的输出g=fθ(E), 其中fθ 是一个从矩阵到向量的映射, θ 是整个 SmartSite 模型结构中的参数。通过 SmartSite 模型中的每一层都将前面所有层的信息作为输入, 因此特征更加多样化, 并且倾向于具有更丰富的模式, 同时融合高低阶特征, 提升推荐结果的准确性, SmartSite 模型最终根据

计算预测得分。整个模型需要学习的参数有 P, Q,

和 W。

在模型训练优化过程中, 输入每一个用户 u 及对应的项目集

是由从用户 u 交互的项目集 Iu 采样的 m 个样本以及从用户 u 未交互的项目集

中随机采样 s×m 个样本构成, 其中 s＞1。(s+1)×m 个样本经过模型计算, 得到对应的评分向量

。通过对 Yu 进行排序, 可获得模型对用户 u的一个Top-K 推荐列表

, 针对

中的项目, 按式(8)计算多样性

其中,

表示 a 和 b 两个候选门店的相似性。对于每个用户

的值越小, 推荐列表中门店越不相似, 推荐结果的多样性越好。在 SmartSite 模型中, 将

作为模型对用户 u 的推荐多样性预测值。同理, 针对每个用户 u 交互过的项目集 Iu, 根据式(9)计算项目集 Iu 中项目的相似程度 d(Iu), 且将d(Iu)的值作为模型对用户 u 的推荐多样性参考标记值:

通过多样性的预测值

以及在 Iu 上计算得到的多样性标记值 d(Iu)进行损失计算, 可反向调整SmartSite 模型推荐结果的计算模块, 最终实现推荐结果的准确性和多样性的同步优化。

3.2.3 智慧选址模型的特征权重与推荐结果

SmartSite 智慧选址模型通过 TransE, TransH 和TransR 等方法, 将实体或用户向量映射到低维向量空间中, 获得用户嵌入和实体嵌入向量表示。将多源时空知识图谱(MSSTKG)的本体之间关系进行特征提取, 利用 AHP 层次分析算法计算各个特征的影响权重。以电器零售门店选址为例, 提取的门店特征及其影响权重如表4 所示。

将用户选址特征集和候选门店特征集分别输入模型嵌入层, 利用 SmartSite 智慧选址模型对本文构建的多源时空数据库(MSSTDB)进行训练与推荐度预测, 并对预测结果进行排序, 给出最佳电器零售门店销量推荐度。以上海数据集为例的推荐结果如表5 所示。

4 实验与评价

4.1 数据集

实验数据集为本研究构建的多源时空数据库(MSSTDB)。选取上海和深圳两个城市的部分数据进行实验。

4.2 评价指标

本文选择平均精度(Acc@K)以及平均倒数秩(MRR)两个广泛使用的评估指标, 二者都是衡量推荐系统性能的重要标准, 能够全面而准确地反映模型在推荐任务中的表现。

1) 平均精度(Acc@K)是预测的 top-K 阳性样本中的真阳性样本率, K通常设置为 1, 5 或 10。

2) 平均倒数秩(MRR)衡量模型推荐的阳性样本在推荐列表中的平均倒数排名, 它关注阳性样本的排名是否靠前。如果阳性样本排在推荐列表的前列, 那么 MRR 的值就会较大。

3) 参数设置: 在本文模型中, 使用 Adam 优化器更新模型的所有参数, 学习率设为 0.003, dropout率设为 0.2, 隐藏状态和用户(POI)嵌入的维数设为10, 数据集的迭代轮数设为 50 次。时间衰减因子 α设置为 0.1, 空间因子 β 设置为 1000 时, 对候选门店的推荐性能达到最佳。近邻数 kp 设置为 100。

4.3 基准模型

为验证本文模型的有效性, 采用以下先进方法作为实验的基线。

1) STRNN[30]: 是一种将空间信息嵌入时间序列中来捕获时空数据之间关系的 RNN 模型, 可以有效地融合时间和空间因素来建模兴趣点。

2) DeepMove[31]: 是一个采用循环神经网络和注意力机制来捕捉复杂的序列转换关系的模型, 将注意层与门控循环单元(GRU)相结合, 捕获用户行为的周期性。

3) STGN[32]: 是对传统 LSTM 模型的一种重要改进, 在 LSTM 的基础上增设时间门和空间门, 借助这些门控机制, STGN 能够深入地挖掘兴趣点间的时空关联, 从而提升模型的预测和分析能力。

4) STAN[33]: 是一种双层注意力架构, 结合了时空相关性来学习非相邻位置和非连续访问之间的规律, 使之具备从全局轨迹层面上聚合时空不相邻访问点的能力。

5) Graph-Flashback[34]: 是一种利用时空上下文信息的循环神经网络模型, 通过对 RNN 中的隐藏状态进行闪回, 可以利用丰富的时空上下文信息,以便更好地捕获序列转换模式。

4.4 实验结果

表6 为上海数据集和深圳数据集的实验结果。可以看出, SmartSite 模型在两个数据集的 4 个指标上均表现出优于其他对比模型的性能, 验证了本文提出的 SmartSite 模型能有效地推荐最佳候选门店排名, 证明了 SmartSite 模型的有效性和先进性。与次优的 Graph-Flashback 模型相比, SmartSite 模型的Acc@1, Acc@5, Acc@10 和 MRR 指标在上海数据集上分别提升 16.07%, 24.83%, 21.59%和 31.76%, 在深圳数据集上分别提升 13.64%, 29.15%, 18.96%和30.95%。另外, 本文模型和 Graph-Flashback 模型均使用知识图谱进行嵌入表示, 实验结果比未使用知识图谱的模型有较大的提升, 验证了使用知识图谱对推荐结果有较大的提升效果。

4.5 消融实验

为验证本文提出的 SmartSite 模型的有效性, 分别在上海和深圳数据集上进行消融实验, 结果如图2 所示。SmartSite w/o LightGCN 变体表示对模型移除时空知识图谱部分, 使用 LightGCN[35]学习用户-门店选址之间的表示进行推荐。SmartSite w/o AHP变体表示移除 GNN 部分, 保留 AHP 层次分析部分。SmartSite w/o GNN 变体表示移除 AHP 层次分析模块, 保留 GNN 部分。SmartSite w/o CL 去掉对比学习部分, 保留推荐整体部分。

从消融实验结果可以看出, SmartSite 模型的表现优于其他变体实验效果。去掉时空知识图谱后, 模型效果在两个数据集上明显变差, 其中去掉 GNN部分的 SmartSite w/o AHP 变体在两个数据集上表现效果最差, 进一步验证了融合时空上下文的图神经网络对门店选址推荐的重要性。SmartSite 模型的效果优于仅采用图神经网络和 AHP 层次分析的对比模型, 也说明图神经网络和 AHP 层次分析对选址的必要性。

5 结论

本文提出一种融合多源时空知识图谱与图神经网络的连锁门店的智慧选址模型 SmartSite, 通过当地多源时空数据的特征与其他地区的关系来预测区域的吸引力, 解决了选择最具吸引力门店的选址问题。首先, 对多源时空数据进行采集与治理, 建立一套多源时空数据库(MSSTDB); 然后, 构建一个多源时空数据的知识图谱(MSSTKG), 用来识别时空实体和抽取时空关系, 使用图卷积网络(GCN)提取其特征表示; 接着, 构建智慧选址模型 Smart-Site, 利用注意力机制对特征动态分配权重; 最后,使用两个数据集进行对比实验和消融实验, 验证了模型的有效性。实验结果表明, 与传统的数据驱动选址方法相比, 利用知识图谱对地理信息进行特征提取, 充分挖掘地理数据之间的相关信息, 能够提高选址推荐的合理性, 显著地降低选址成本, 产生良好的经济效益, 为零售连锁企业门店选址决策提供决策参考。

本文提出的 SmartSite 智慧选址模型基于 DenseNet 模型, 无法彻底解决项目的冷启动问题, 未来的研究中将尝试开发基于内容的融合多目标推荐算法, 探索针对总体多样性和时序多样性建模的深度学习网络模型。同时, 与传统的数据驱动选址相结合, 利用 KRL 方法和特征工程来实现更强大的智慧选址功能。此外, 未来的研究中还将引入更多维度的数据源, 如实时交通流量、人口流动趋势以及社交媒体动态信息, 进一步增强模型对复杂环境的适应能力。同时, 将探索结合强化学习框架, 使模型能够动态调整选址策略, 适应不断变化的商业与社会需求。

[1] Ji Shaoxiong, Pan Shirui, Cambria E, et al. A survey on knowledge graphs: representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(2): 494-514

[2] Healey M J, Ilbery B W. Location and change: perspectives on economic geography. New York: Oxford University Press, 1990: 343-354

[3] Chang N B, Parvathinathan G, Breeden J B. Combining GIS with fuzzy multicriteria decision-making for landfill siting in a fast-growing urban region. Journal of Environmental Management, 2008, 87: 139-153

[4] Steingold F S. Legal guide for starting & running a small business. Berkeley: Nolo, 2011: 448

[5] Hayter R. The dynamics of industrial location: the factory, the firm and the production system. Hoboken:Wiley, 1997

[6] Huff D L. A probabilistic analysis of shopping center trade areas. Land Economics, 1963, 39(1): 81-90

[7] Herrington T D, Lu J. Application of gravity model for restaurants in Lowndes County, Georgia. Papers in Applied Geography, 2016, 2: 370-389

[8] Kiefer R W, Robbins M L. Computer-based land use suitability map. Journal of Surveying and Mapping Division, 1973, 99: 39-62

[9] Dobson J E. A regional screening procedure for land use suitability analysis. Geographical Review, 1979,69: 224-234

[10] Saaty T L. The analytic hierarchy process: planning,priority setting, resource allocation. New York: Mc-Graw-Hill, 1980

[11] Xu M, Wang T, Wu Z, et al. Demand driven store site selection via multiple spatial-temporal data // Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York: ACM, 2016: 1-10

[12] Liu Y, Liu C, Lu X, et al. Point-of-interest demand modeling with human mobility patterns // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2017: 947-955

[13] Jensen P. Network-based predictions of retail store commercial categories and optimal locations. Physical Review E, 2006, 74: 035101

[14] Yuan N J, Zheng Y, Xie X, et al. Discovering urban functional zones using latent activity trajectories. IEEE Transactions on Knowledge and Data Engineering,2015, 27: 712-725

[15] Fotheringham A S, Charlton M E, Brunsdon C. Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environment and Planning A, 1998, 30: 1905-1927

[16] Fotheringham A S, Brunsdon C. Geographically weighted regression: the analysis of spatially varying relationships. Hoboken: Wiley, 2002

[17] Zhang L, Cheng J, Jin C. Spatial interaction modeling of OD flow data: comparing geographically weighted negative binomial regression (GWNBR) and OLS (GWOLSR). ISPRS International Journal of Geo-Information, 2019, 8(5): no. 220

[18] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks // Proceedings of the 5th International Conference on Learning Representations. Toulon, 2017: 1-14

[19] 张永军, 王飞, 李彦胜, 等. 遥感知识图谱创建及其典型场景应用技术. 遥感学报, 2023, 27(2): 249-266

[20] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.New York: IEEE, 2016: 770-778

[21] Guo L, Wan R, Su G M, et al. Multi-scale feature guided low-light image enhancement // Proceedings of the 2021 IEEE International Conference on Image Processing (ICIP). New York: IEEE, 2021: 554-558

[22] Wang Y, Wan R, Yang W, et al. Low-light image enhancement with normalizing flow // Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2022, 36: 2604-2612

[23] Wang T, Wu D J, Coates A, et al. End-to-end text recognition with convolutional neural networks // Proceedings of the 21st International Conference on Pattern Recognition (ICPR2012). New York: IEEE, 2012:3304-3308

[24] Yao X, Gao Y, Zhu D, et al. Spatial origin-destination flow imputation using graph convolutional networks.IEEE Transactions on Intelligent Transportation Systems, 2020, 22: 7474-7484

[25] Schlichtkrull M, Kipf T N, Bloem P, et al. Modeling relational data with graph convolutional networks // European Semantic Web Conference. Cham: Springer, 2018: 593-607

[26] Zhao L, Song Y, Zhang C, et al. T-GCN: a temporal graph convolutional network for traffic prediction.IEEE Transactions on Intelligent Transportation Systems, 2020, 21: 3848-3858

[27] Wang H, Zhao M, Xie X, et al. Knowledge graph convolutional networks for recommender systems // Proceedings of the World Wide Web Conference. New York: ACM, 2019: 3307-3313

[28] Lin Y, Liu Z, Sun M, et al. Learning entity and relation embeddings for knowledge graph completion // Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2015: 2181-2187

[29] He X N, Du X Y, Wang X, et al. Outer product based neural collaborative filtering // Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. San Francisco: Morgan Kaufmann, 2018: 2227-2233

[30] Liu Q, Wu S, Wang L, et al. Predicting the next location: a recurrent model with spatial and temporal contexts. // Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2016:194-200

[31] Feng J, Li Y, Zhang C, et al. Deepmove: predicting human mobility with attentional recurrent networks //Proceedings of the 2018 World Wide Web Conference.New York: ACM, 2018: 1459-1468

[32] Zhao P, Luo A, Liu Y, et al. Where to go next: a spatiotemporal gated network for next POI recommendation.IEEE Transactions on Knowledge and Data Engineering, 2020, 34(5): 2512-2524

[33] Luo Y, Liu Q, Liu Z. STAN: spatio-temporal attention network for next location recommendation // Proceedings of the Web Conference 2021. New York: ACM,2021: 2177-2185

[34] Rao X, Chen L, Liu Y, et al. Graph-flashback network for next location recommendation // Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York: ACM, 2022: 1463-1471

[35] He X, Deng K, Wang X, et al. LightGCN: simplifying and powering graph convolution network for recommendation // Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2020:639-648