مقاله یک نمایش یادگیری عمیق از مدل تعامل فضایی برای برنامه ریزی فضایی انعطاف پذیر خوشه های کسب و کار جامعه

چکیده

Existing Spatial Interaction Models (SIMs) are limited in capturing the complex and context-aware interactions between business clusters and trade areas. To address the limitation, we propose a SIM-GAT model to predict spatiotemporal visitation flows between community business clusters and their trade areas. The model innovatively represents the integrated system of business clusters, trade areas, and transportation infrastructure within an urban region using a connected graph. Then, a graph-based deep learning model, i.e., Graph AttenTion network (GAT), is used to capture the complexity and interdependencies of business clusters. We developed this model with data collected from the Miami metropolitan area in Florida. We then demonstrated its effectiveness in capturing varying attractiveness of business clusters to different residential neighborhoods and across scenarios with an eXplainable AI approach. We contribute a novel method supplementing conventional SIMs to predict and analyze the dynamics of inter-connected community business clusters. The analysis results can inform data-evidenced and place-specific planning strategies helping community business clusters better accommodate their customers across scenarios, and hence improve the resilience of community businesses.

چکیده به فارسی (ترجمه ماشینی)

مدلهای تعامل مکانی موجود (SIMS) در ضبط تعامل پیچیده و آگاه بین خوشه های تجاری و مناطق تجاری محدود هستند.برای پرداختن به محدودیت ، ما یک مدل SIM-GAT را برای پیش بینی جریان بازدید از مکانی بین خوشه های کسب و کار جامعه و مناطق تجاری آنها پیشنهاد می کنیم.این مدل به طور خلاقانه نشان دهنده سیستم یکپارچه خوشه های تجاری ، مناطق تجاری و زیرساخت های حمل و نقل در یک منطقه شهری با استفاده از یک نمودار متصل است.سپس ، از یک مدل یادگیری عمیق مبتنی بر نمودار ، یعنی شبکه توجه نمودار (GAT) ، برای ضبط پیچیدگی و وابستگی های متقابل خوشه های تجاری استفاده می شود.ما این مدل را با داده های جمع آوری شده از منطقه کلانشهر میامی در فلوریدا تهیه کردیم.ما سپس اثربخشی آن را در گرفتن جذابیت های مختلف خوشه های تجاری به محلات مختلف مسکونی و سناریوها با یک رویکرد هوش مصنوعی قابل توضیح نشان دادیم.ما برای پیش بینی و تجزیه و تحلیل پویایی خوشه های کسب و کار در جامعه بین ارتباط ، یک روش جدید را تکمیل می کنیم.نتایج تجزیه و تحلیل می تواند استراتژی های برنامه ریزی و برنامه ریزی خاص در محل را آگاه کند و به خوشه های کسب و کار جامعه کمک کند تا مشتریان خود را در سناریوها قرار دهند و از این رو باعث افزایش مقاومت در برابر مشاغل جامعه می شوند.