买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利一种用于学习城市区域嵌入的无监督区域表示学习方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119416854B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411451723.3，技术领域涉及：G06N3/088；该发明授权一种用于学习城市区域嵌入的无监督区域表示学习方法及系统是由陈超;邓明语;丁洁;张婉漪;李明妍;龙宪磊;古富强;郭松涛;蒲华燕;罗均设计研发完成，并于2024-10-17向国家知识产权局提交的专利申请。

本一种用于学习城市区域嵌入的无监督区域表示学习方法及系统在说明书摘要公布了：本发明涉及一种用于学习城市区域嵌入的无监督区域表示学习方法及系统，属于城市计算和智能系统技术领域。该方法具体包括以下步骤：S1、构建区域混合图网络，利用多模态数据来捕捉区域之间的成对和成组关系；S2、执行图和超图对比学习，通过并行的对比学习模块，分别从图和超图结构中学习区域节点的判别性表示以及区域间的高阶关系；S3、跨模块对比学习，通过控制器组件促进图和超图节点表示之间的信息交换，增强模型的学习能力；S4、优化模型参数，通过联合优化图损失、超图损失和跨模块损失，生成更有效的区域嵌入，以支持各种下游任务。本发明提供的技术方案提高了城市区域分析的准确性和效率，增强了模型对区域间复杂交互的捕捉能力。

本发明授权一种用于学习城市区域嵌入的无监督区域表示学习方法及系统在权利要求书中公布了：1.一种用于学习城市区域嵌入的无监督区域表示学习方法，其特征在于：该方法包括以下步骤： S1、构建区域混合图网络模型，利用多模态数据来捕捉区域之间的成对和成组关系； S2、执行图和超图对比学习，通过并行的对比学习模块，分别从图和超图结构中学习区域节点的判别性表示以及区域间的高阶关系； S3、跨模块对比学习，通过控制器组件促进图和超图节点表示之间的信息交换，增强模型的学习能力； S4、优化模型参数，通过联合优化图损失、超图损失和跨模块损失，生成更有效的区域嵌入，以支持各种下游任务；总体损失定义为其中λ1、λ2分别是衡量重要性的参数；经过模型训练得到最终的区域表示； 在步骤S1中，包括街景上下文嵌入步骤、成对边构造步骤，具体步骤如下： S11、街景上下文嵌入：利用街景图像数据，通过视觉编码器提取区域内的视觉特征，并将这些特征编码为区域的初始节点嵌入；采用Inception-V3架构，并导入预训练权重作为街景上下文嵌入的编码器；对于给定区域ri内的一组街景图像的最终视觉嵌入其中fη表示视觉编码器，a表示ri中随机采样的街景图像数量；所有区域的嵌入表示为 S12、成对边构造：基于区域之间的地理邻近性和人类流动性数据，构建混合图中的成对边；基于人类流动性构建矩阵表示区域ri和rj之间的标准化行程次数，基于地理邻居的邻接构造矩阵As∈{0,1}n×n；在初始边矩阵A'f中，通过KNN算法保留每个节点最相关的k1条边，得到更新后的边矩阵Af，随后，通过逐元素逻辑或运算得到融合邻接矩阵矩阵A中的元素aij值表示区域ri和rj之间是否存在链接边，这些边表示区域间的直接相互作用和空间关系，得到区域的图 S13、超边构造：为捕捉区域间的高阶关系，构造超边将多个区域节点组合在一起；首先基于人类流动性，从区域的源头和目的地两个视角，分别选择与每个区域最接近的k2个区域形成超边；所有这些超边集合构成了基于流动性数据的超边关联矩阵其次通过计算POI特征之间的余弦相似度，并选择最相似的k3个节点形成超边，类似地构造关联矩阵然后通过连接操作合并Hf和Hp生成最终的超边关联矩阵H＝Hf||Hp，其中m＝m1+m2；得到超图 S14、混合图构建：在完成街景上下文嵌入和边构建过程的同时，结合前述步骤得到的边集和超边集得到基于区域的混合图作为框架的输入，混合图表示为 在步骤S2中，包括图超图增强、图超图表示和图超图对比损失函数3个步骤，具体包括： S21、图超图增强：利用数据增强技术对图和超图结构进行扰动，生成不同的视图，以模拟和缓解图和超图中的噪声问题；对图结构，通过从伯努利分布中采样一个随机掩蔽矩阵，以概率pm随机屏蔽节点特征矩阵X的部分维度、以概率pr随机删除图中的一些边，对原始图生成增强的两个图视图和类似地，对超图结构，以概率p'm随机屏蔽不同维度中的节点特征、以概率p'r随机删除中的某些超边，得到两个增强的超图视图和由于图和超图中的节点本质上代表区域，因此特征掩蔽对于两者相同，即 S22、图超图表示：使用图卷积网络GCN和超图神经网络HGNN作为编码器，从增强后的图和超图中学习节点和超边的表示；图表示学习关注于通过聚合邻居节点信息来更新每个节点的嵌入，将和输入到共享参数的图卷积网络GCN编码器中得到两种视图的节点嵌入矩阵Y1和Y2，然后将节点嵌入矩阵通过一个两层MLP的投影头投影到更小的潜在空间，得到投影后的嵌入矩阵和类似地，超图表示学习在生成的两个增强视图上，通过超图神经网络编码器进行节点和超边表示学习；通过迭代的方式，利用节点和超边的度矩阵，以及可训练的权重矩阵，更新节点和超边的嵌入；最终，得到两个视图的节点嵌入矩阵P1、P2以及超边嵌入矩阵Q1、Q2；使用两层MLP作为投影头，将节点和超边的嵌入分别投影到更小的潜在空间，得到相应视图的节点和超边的嵌入矩阵和 S23、图超图对比损失：设计对比损失函数来指导模型学习区分不同视图间相同区域的表示，并拉近不同视图中相似区域的表示；对于图对比学习，使用对比学习中的InfoNCE损失函数来计算节点级别的对比损失；对于任意节点vi，将其在第一视图中的嵌入作为锚点，第二个视图中的对应嵌入作为正样本，其他节点作为负样本，通过最大化正样本之间的相似性，并最小化锚点与负样本之间的相似性，计算节点级别对比损失即其中τv表示难负样本惩罚的温度参数，s·是余弦相似度函数，用于衡量两个表示之间的相似度，代表节点数量；类似地，对于超图对比学习，设计节点级、超边级和隶属度级对比损失，以捕获超图中的高阶关系，并促进学习具有高阶信息的表示；在获得投影后的节点和超边嵌入矩阵后，分别计算节点级别、超边级别和隶属关系级别的对比损失；节点级别对比损失通过最大化相同节点vi在不同视图中的表示和的相似性，同时最小化不同节点之间的相似性来计算，即其中超边级别对比损失通过最大化相同超边ei在不同视图中的表示和的相似性来计算，即其中τe是温度参数，代表超边数量；而隶属关系级别的对比损失则考虑节点与超边之间的关联，增强节点与超边的表示，即其中τm是温度参数，代表节点vi所属的超边数量，是通过双线性网络实现的判别器；最终，将三个级别的对比损失加权求和，得到总的超图对比损失 在步骤S3中，通过引入跨模块对比学习机制，进一步优化区域嵌入的质量和表达能力；具体包括： S31、信息融合：采用基于权重的融合机制，将来自不同模块的节点嵌入表示Zv和Zn进行加权融合，得到融合表示形式Zf＝αZv+1-αZn，即分别为和其中α∈0,1是用于平衡不同模块贡献的权重参数； S32、对比损失计算：引入融合对比损失，利用融合后的节点嵌入表示Zf，将和中相同的节点对作为正对，否则作为负对；将区域ri作为一个锚定节点，通过计算相同节点对之间的对比损失来定义融合对比损失然后将所有节点的对比损失综合，得到跨模块对比学习的总体损失函数其中τc为与lc对应的温度参数，以优化最终的节点表示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400030 重庆市沙坪坝区沙正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。