胡一可，溫?雯，劉雅心，鄭?豪

基于GAN的城市快遞自提服務(wù)設(shè)施選址優(yōu)化研究

胡一可1，溫?雯1，劉雅心1，鄭?豪2

(1. 天津大學(xué)建筑學(xué)院，天津 300072；2. 賓夕法尼亞大學(xué)設(shè)計(jì)學(xué)院，費(fèi)城 19104)

快遞自提點(diǎn)作為社區(qū)服務(wù)設(shè)施，其選址落位影響著城市居民的生活便利程度，目前已經(jīng)成為不可或缺的服務(wù)設(shè)施類(lèi)型．爬取城市快遞自提點(diǎn)POI數(shù)據(jù)、城市人口密度數(shù)據(jù)與百度地圖城市空間形態(tài)影像數(shù)據(jù)，將矢量化處理后的道路數(shù)據(jù)通過(guò)sDNA計(jì)算道路接近度與穿行度兩種空間參數(shù)，并運(yùn)用ArcGIS平臺(tái)將POI數(shù)據(jù)生成點(diǎn)密度熱力圖，通過(guò)漁網(wǎng)工具劃分城市單元，對(duì)人口密度數(shù)據(jù)、道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度數(shù)據(jù)、自提點(diǎn)密度數(shù)據(jù)進(jìn)行矢量化重分類(lèi)處理．計(jì)算城市空間形態(tài)、人口密度、道路網(wǎng)絡(luò)測(cè)度與自提點(diǎn)的相關(guān)性，并以此建立天津社區(qū)生活圈自提點(diǎn)與城市空間數(shù)據(jù)集．探索自提點(diǎn)的選址規(guī)律，建立深度學(xué)習(xí)GAN模型．再通過(guò)計(jì)算Pix2PixHD算法訓(xùn)練過(guò)程的生成器與判別器的損失值來(lái)驗(yàn)證模型可行性．并使用成都城市空間數(shù)據(jù)集進(jìn)行測(cè)試以檢驗(yàn)?zāi)Ｐ蜏?zhǔn)確性，最后引入SVM、隨機(jī)森林、線性回歸模型進(jìn)行準(zhǔn)確性對(duì)比，結(jié)果顯示GAN模型具有較高的預(yù)測(cè)準(zhǔn)確度(余弦相似度0.89，dHash相似度0.78，SSIM相似度0.70)．通過(guò)人口密度和城市空間形態(tài)參數(shù)的GAN深度學(xué)習(xí)模型成功預(yù)測(cè)了自提點(diǎn)熱圖，驗(yàn)證了機(jī)器學(xué)習(xí)基于經(jīng)驗(yàn)與量化技術(shù)的決策能力．以尋求一種基于人工智能的城市社區(qū)生活圈快遞服務(wù)設(shè)施布局的生成方法，為未來(lái)社區(qū)服務(wù)設(shè)施選址提供了新思路．

快遞自提點(diǎn)；生成對(duì)抗網(wǎng)絡(luò)；社區(qū)服務(wù)設(shè)施；sDNA；城市空間形態(tài)

新型城鎮(zhèn)化階段要求城市發(fā)展重視生活品質(zhì)和需求，社區(qū)生活圈規(guī)劃從城市宜居的價(jià)值導(dǎo)向出發(fā)，以居民日常生活為對(duì)象，致力于改善生活環(huán)境，提高居民生活的滿意度與福祉[1]．為促進(jìn)社區(qū)居民公平、合理地共享資源，對(duì)社區(qū)服務(wù)設(shè)施空間布局進(jìn)行持續(xù)監(jiān)測(cè)和量化分析，是規(guī)劃設(shè)計(jì)中至關(guān)重要的環(huán)節(jié)．

隨著經(jīng)濟(jì)結(jié)構(gòu)的轉(zhuǎn)變與大數(shù)據(jù)產(chǎn)業(yè)的不斷發(fā)展，電商產(chǎn)業(yè)不斷升級(jí)，居民購(gòu)物方式逐漸轉(zhuǎn)變．在此背景下，建立社會(huì)化、信息化、智能化、國(guó)際化的物流體系已成為行業(yè)發(fā)展趨勢(shì)，快遞自提點(diǎn)及其相應(yīng)空間的重要價(jià)值被重視．快遞自提點(diǎn)(以下簡(jiǎn)稱(chēng)“自提點(diǎn)”)作為城市社區(qū)生活圈設(shè)施的重要組成部分，其自身的生長(zhǎng)邏輯、生存能力與社會(huì)、經(jīng)濟(jì)、居民行為等基本信息密切相關(guān)．近年來(lái)，伴隨著物流業(yè)的發(fā)展和城市便利程度的提升，相關(guān)研究也逐步完善．以往研究多關(guān)注自提點(diǎn)的形成因素，其形成往往受到居住人口密度[2-7]、道路可達(dá)性和通行性[4-6,8-11]、建筑密度與空間位置[12]、其他城市空間形態(tài)[4,9,12]，以及社會(huì)經(jīng)濟(jì)屬性(性別、年齡、學(xué)歷、收入)[3,7,12]等因素的影響．其中，城市空間形態(tài)包含了城市內(nèi)部各組成部分的合理布局[13]，集城市道路、水體、綠地、建筑信息于一體，是城市規(guī)劃與社區(qū)設(shè)施布局的重要依據(jù)之一．

同時(shí)，城市快遞設(shè)施布局的優(yōu)化研究也較為豐富，現(xiàn)有研究多通過(guò)建立多目標(biāo)評(píng)價(jià)模型結(jié)合進(jìn)化算法尋找最佳選址，例如結(jié)合遺傳算法[14]、粒子群算?法[15]、蟻群算法[16]和模擬退火算法[17]；也有研究基于公平最大化模型選擇重力模型構(gòu)建加權(quán)模型結(jié)合社會(huì)網(wǎng)絡(luò)分析[18]探索物流網(wǎng)絡(luò)自提點(diǎn)；結(jié)合自動(dòng)化理論進(jìn)行離散事件動(dòng)態(tài)系統(tǒng)建模[19]；或結(jié)合區(qū)位分配模型，如位置集合覆蓋模型、最大覆蓋模型和P-中心模型[20-21]，來(lái)從一批候選位置中根據(jù)優(yōu)化目標(biāo)選取最優(yōu)的設(shè)施布局區(qū)位．已有的非機(jī)器學(xué)習(xí)方法僅能算出優(yōu)化自提點(diǎn)的大致選區(qū)范圍，因前期數(shù)據(jù)收集難度較高而僅適用于示例城市，存在模型可復(fù)制性低、使用成本較高等問(wèn)題．

近年來(lái)，機(jī)器學(xué)習(xí)以自動(dòng)分析一類(lèi)或幾類(lèi)數(shù)據(jù)來(lái)獲取規(guī)律、發(fā)現(xiàn)作用機(jī)制、對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)[21].目前應(yīng)用機(jī)器學(xué)習(xí)解決社區(qū)設(shè)施布局選址方面的相關(guān)問(wèn)題已被學(xué)者關(guān)注：李珂[22]通過(guò)線性回歸、隨機(jī)森林等方法預(yù)測(cè)北京市快遞網(wǎng)點(diǎn)布局；原明清等[23]通過(guò)SVM研究上海市內(nèi)適合的餐飲選址區(qū)域，汪曉春等[24]通過(guò)在城市中劃分網(wǎng)格利用13類(lèi)設(shè)施建立ID3算法的決策樹(shù)以預(yù)測(cè)是否存在養(yǎng)老設(shè)施；胡蝶等[25]通過(guò)人流量、附近人口結(jié)構(gòu)、交通設(shè)施、競(jìng)爭(zhēng)力強(qiáng)度建立BP神經(jīng)網(wǎng)絡(luò)模型以預(yù)測(cè)小型餐飲店選址．同時(shí)，深度學(xué)習(xí)的生成對(duì)抗網(wǎng)絡(luò)(generative adversarial network，GAN)已成為研究城市空間的重要手段，其預(yù)測(cè)性特點(diǎn)可用于生成城市圖像或興趣點(diǎn)布局．包瑞清[26]應(yīng)用GAN的WGAN-GP算法生成地形并建立遮罩，預(yù)測(cè)未知區(qū)域的高程．Shen等[27]根據(jù)標(biāo)記的道路、綠地、河流等空間元素生成數(shù)據(jù)集以預(yù)測(cè)城市規(guī)劃圖中的建筑排布．Shou等[28]運(yùn)用GAN的Pix2PixHD算法與行人流量和城市空間數(shù)據(jù)預(yù)測(cè)街頭小販分布的熱圖．機(jī)器學(xué)習(xí)方法相較于傳統(tǒng)智能方法，可與大數(shù)據(jù)融合以提高模型效率，具有普適性高、可實(shí)時(shí)更新性強(qiáng)和便捷性高等優(yōu)點(diǎn)．

綜上所述，城市設(shè)施預(yù)測(cè)已形成通過(guò)大數(shù)據(jù)進(jìn)行地理空間分析或相關(guān)性分析，再通過(guò)優(yōu)化決策模型進(jìn)行預(yù)測(cè)的方法．然而，現(xiàn)有自提點(diǎn)研究多集中于地理學(xué)及交通學(xué)等領(lǐng)域，多基于區(qū)域核密度、標(biāo)準(zhǔn)差橢圓等空間統(tǒng)計(jì)學(xué)方法對(duì)城市自提點(diǎn)空間聚集程度進(jìn)行分析[6,29]，從城市規(guī)劃領(lǐng)域結(jié)合道路、建筑等城市空間形態(tài)對(duì)自提點(diǎn)布局進(jìn)行的研究較少．同時(shí)，鮮有研究將GAN算法運(yùn)用于社區(qū)服務(wù)設(shè)施選址生成，而訓(xùn)練后的深度學(xué)習(xí)算法可根據(jù)不斷更新發(fā)展的城市空間形態(tài)，對(duì)設(shè)施熱力分布進(jìn)行預(yù)判，為下一步的具體選址提供參考．因此，本研究以天津市外環(huán)路以?xún)?nèi)城區(qū)為研究范圍，運(yùn)用sDNA分析城市道路網(wǎng)絡(luò)空間形態(tài)，并通過(guò)ArcGIS平臺(tái)對(duì)人口密度、道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度、自提點(diǎn)密度數(shù)據(jù)進(jìn)行矢量化重分類(lèi)處理，對(duì)現(xiàn)存自提點(diǎn)空間布局規(guī)律與城市空間形態(tài)和人口密度的關(guān)系展開(kāi)探究．通過(guò)疊置分析制作城市空間形態(tài)訓(xùn)練集，點(diǎn)密度分析制作設(shè)施圖像訓(xùn)練集，通過(guò)深度學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)(GAN)的Pix2PixHD算法進(jìn)行訓(xùn)練，并驗(yàn)證模型有效性，最后運(yùn)用該模型預(yù)測(cè)其他城市的自提點(diǎn)空間落位．研究結(jié)果可為社區(qū)服務(wù)設(shè)施空間布局以及城市空間形態(tài)發(fā)展提供借鑒．

1?數(shù)據(jù)來(lái)源與分析方法

1.1?數(shù)據(jù)來(lái)源與整理

本研究采用自提點(diǎn)地理數(shù)據(jù)、人口密度數(shù)據(jù)與城市空間形態(tài)等多源異構(gòu)數(shù)據(jù)，制作訓(xùn)練數(shù)據(jù)集以輸入深度學(xué)習(xí)模型．圖1顯示了從數(shù)據(jù)來(lái)源、數(shù)據(jù)處理到訓(xùn)練數(shù)據(jù)集生成的處理過(guò)程技術(shù)路線．

1.1.1?自提點(diǎn)數(shù)據(jù)來(lái)源與預(yù)處理

本文以天津市外環(huán)路以?xún)?nèi)的自提點(diǎn)為研究對(duì)象，其數(shù)據(jù)來(lái)源于2020—2021年在該區(qū)域爬取的多源數(shù)據(jù)，選取高德地圖、百度地圖POI(points of interests)數(shù)據(jù)，并結(jié)合百度街景地圖手動(dòng)修正POI落位，得到共4254項(xiàng)非郵政自提點(diǎn)數(shù)據(jù)與467項(xiàng)郵政自提點(diǎn)數(shù)據(jù)．再經(jīng)數(shù)據(jù)清洗與處理，對(duì)依托類(lèi)型、服務(wù)對(duì)象與空間分布進(jìn)行分析，最終得到3683項(xiàng)有效數(shù)據(jù)．

1.1.2?城市信息與人口數(shù)據(jù)來(lái)源與整理

現(xiàn)有城市規(guī)劃設(shè)計(jì)中日常生活服務(wù)功能的規(guī)模往往以服務(wù)距離或時(shí)間為依據(jù)，其中15min生活圈為城市社區(qū)配套設(shè)施研究提供了新的視角．結(jié)合既有對(duì)自提點(diǎn)取件行為的研究結(jié)論，與《城市居住區(qū)規(guī)劃設(shè)計(jì)標(biāo)準(zhǔn)》(GB 50180—2018)、天津市規(guī)劃和自然資源局《濱海新區(qū)十五分鐘生活圈實(shí)施規(guī)劃》中對(duì)15min社區(qū)生活圈策略的闡述，選定15min(800～1000m步行距離)作為統(tǒng)計(jì)半徑．使用Worldpop人口密度數(shù)據(jù)，并通過(guò)Python程序截獲百度地圖最高精度道路、建筑、水體、綠地各圖層地理信息，再使用ArcGIS平臺(tái)對(duì)百度地圖道路圖層進(jìn)行重分類(lèi)分析、緩沖區(qū)生成、ArcScan矢量化與線型網(wǎng)絡(luò)數(shù)據(jù)集生成處理，范圍涵蓋天津市外環(huán)路以?xún)?nèi)所有道路．

圖1?數(shù)據(jù)集處理流程

1.2?分析方法

1.2.1?城市道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度

基于自提點(diǎn)在道路上的分布受道路網(wǎng)絡(luò)空間關(guān)系的影響，本研究采用角度變化作為計(jì)算度量，道路長(zhǎng)度作為權(quán)重，同時(shí)選用15min步行距離(此處取1000m)的歐幾里德距離[35]作為sDNA的測(cè)算方法，以更準(zhǔn)確地表達(dá)城市網(wǎng)絡(luò)中路徑的實(shí)際長(zhǎng)短．圖2顯示了兩種測(cè)度分析結(jié)果，圖2(a)和(b)的線段顏色由深到淺分別代表城市道路從高至低的NQPDA與TPBtA數(shù)值變化．

1.2.2?自提點(diǎn)布局與人口密度、城市空間形態(tài)的關(guān)聯(lián)程度

將清洗后的自提點(diǎn)POI數(shù)據(jù)，使用點(diǎn)密度估計(jì)以15min步行范圍為半徑生成圖像，以作為生成對(duì)抗網(wǎng)絡(luò)的輸入圖像．再運(yùn)用ArcGIS漁網(wǎng)工具劃分15min步行范圍單元(1km×1km)，將自提點(diǎn)密度估計(jì)圖像、道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度圖像、人口密度圖像分別進(jìn)行空間落位，并求取漁網(wǎng)單元內(nèi)的柵格數(shù)據(jù)重分類(lèi)平均值．同時(shí)，統(tǒng)計(jì)每個(gè)漁網(wǎng)單元內(nèi)的水體密度、綠地密度、道路密度以及建筑密度．將所得多項(xiàng)計(jì)算結(jié)果進(jìn)行屬性表連接，并進(jìn)行歸一化處理．通過(guò)Person偏相關(guān)分析，探討自提點(diǎn)布局與人口密度、城市空間形態(tài)、道路網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)聯(lián)程度，較高的相關(guān)性說(shuō)明人口密度與城市空間形態(tài)對(duì)預(yù)測(cè)自提點(diǎn)分布模型的切實(shí)有效性．

1.2.3?深度學(xué)習(xí)的生成對(duì)抗網(wǎng)絡(luò)(GAN)模型

機(jī)器學(xué)習(xí)建立在傳統(tǒng)大數(shù)據(jù)分析方法之上，通過(guò)使用輸入數(shù)據(jù)和算法來(lái)估計(jì)未知結(jié)果，從數(shù)據(jù)中學(xué)習(xí)以提供對(duì)數(shù)據(jù)的見(jiàn)解與對(duì)城市的決策和預(yù)測(cè)．在機(jī)器學(xué)習(xí)模型中，生成對(duì)抗網(wǎng)絡(luò)是由蒙特利爾大學(xué)Goodfellow等[37]在2014年提出的深度學(xué)習(xí)架構(gòu)，由生成器和判別器組成，旨在通過(guò)生成的數(shù)據(jù)樣本信息與自然圖像來(lái)對(duì)后者的分布進(jìn)行建模，使GAN能夠?qū)W習(xí)和生成高階特征．運(yùn)用GAN建立社區(qū)自提點(diǎn)預(yù)測(cè)模型，需制作數(shù)據(jù)集以輸入生成器與判別器進(jìn)行訓(xùn)練，從而使輸入數(shù)據(jù)集在生成器中得到的生成圖像與輸出數(shù)據(jù)集中的真實(shí)圖像進(jìn)行對(duì)抗平衡，通過(guò)GAN記錄并學(xué)習(xí)自提點(diǎn)的分布規(guī)律以供預(yù)測(cè)其他地塊的自提點(diǎn)熱圖．

2?社區(qū)快遞服務(wù)設(shè)施的生成對(duì)抗網(wǎng)絡(luò)模型

2.1?訓(xùn)練數(shù)據(jù)集準(zhǔn)備

2.1.1?城市空間形態(tài)、居住人口密度與自提點(diǎn)的分布規(guī)律

使用ArcGIS漁網(wǎng)分析工具結(jié)合SPSS數(shù)理計(jì)算工具進(jìn)行城市空間形態(tài)、居住人口密度與自提點(diǎn)布局的Person偏相關(guān)分析(表1)．其中，道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度采用上述分析得出的NQPDA與TPBtA．結(jié)果表明綠地密度、水體密度與自提點(diǎn)布局之間有著顯著的負(fù)相關(guān)關(guān)系(＜0.01)，建筑密度、道路密度與自提點(diǎn)布局之間有顯著的正相關(guān)關(guān)系(＜0.01)，人口密度與自提點(diǎn)布局之間有著較為顯著的正相關(guān)關(guān)系(＜0.05)，NQPDA測(cè)度與自提點(diǎn)布局之間也有著顯著的負(fù)相關(guān)關(guān)系(＜0.01)，TPBtA測(cè)度與自提點(diǎn)布局之間未見(jiàn)顯著相關(guān)關(guān)系．故將人口密度數(shù)據(jù)、城市空間形態(tài)數(shù)據(jù)(建筑、道路、水體、綠地)、NQPDA測(cè)度納入GAN模型輸入數(shù)據(jù)集以作為訓(xùn)練圖像．

表1?城市空間形態(tài)、人口密度與自提點(diǎn)的相關(guān)性分析

Tab.1?Correlation analysis of urban spatial morphology，population density，and pickup points

注：*＜0.05；**＜0.01．

2.1.2?訓(xùn)練數(shù)據(jù)集生成

與此同時(shí)，居民作為城市日常生活的主角，從其視角出發(fā)，道路的寬窄與建筑的疏密等城市形態(tài)也是出行的重要考量因素．然而簡(jiǎn)單的線性回歸分析不能應(yīng)對(duì)多源大數(shù)據(jù)的不同維度，無(wú)法將城市空間的二維復(fù)雜排布表達(dá)在一維數(shù)據(jù)中．因此通過(guò)百度地圖爬取道路與建筑圖層信息，分別與上述sDNA測(cè)度與人口密度數(shù)據(jù)進(jìn)行疊加處理，再通過(guò)界線明確的RGB色彩分配(表2)實(shí)現(xiàn)計(jì)算機(jī)清晰識(shí)別區(qū)分．其中，RGB通道(紅、綠、藍(lán)通道)同時(shí)為0時(shí)代表城市基底，R通道255～0表示NQPDA由高到低的數(shù)量值，G通道代表綠地，B通道代表水體，RGB三通道同時(shí)為255～0的某一數(shù)值則表示建筑空間中由高到低的人口密度．在形態(tài)上，將道路圖層的NQPDA測(cè)度與原道路形態(tài)疊加，即保留原道路寬度等圖像信息．?dāng)?shù)據(jù)收集過(guò)程結(jié)束后，將城市地圖空間數(shù)據(jù)與自提點(diǎn)分布進(jìn)行坐標(biāo)轉(zhuǎn)換、信息疊置與切割處理(圖3)．同時(shí)，此處將自提點(diǎn)密度圖像制作為黑白圖像以提升訓(xùn)練效果，因?yàn)樵诙啻螌?shí)驗(yàn)后發(fā)現(xiàn)黑白圖像便于計(jì)算機(jī)清晰識(shí)別．所有圖像都將被模型切割為512像素×512像素的樣本，輸入圖像顯示城市空間形態(tài)，輸出圖像則反映城市自提點(diǎn)熱力圖，二者按照序號(hào)對(duì)應(yīng)且覆蓋相同的地理區(qū)域．

表2?城市空間形態(tài)地圖顏色標(biāo)注規(guī)則

Tab.2 Color labeling rules of the urban spatial pattern map

2.2?模型的訓(xùn)練

通過(guò)以上訓(xùn)練數(shù)據(jù)集生成與整理，采用GAN的Pix2PixHD算法來(lái)訓(xùn)練模型，運(yùn)用GAN中的兩個(gè)神經(jīng)網(wǎng)絡(luò)生成器(G)和判別器(D)使訓(xùn)練結(jié)果更為精準(zhǔn)，前者生成語(yǔ)義標(biāo)簽圖像供后者鑒別，而后者則被反復(fù)訓(xùn)練以區(qū)別真假圖像(見(jiàn)圖4)．生成器是卷積神經(jīng)網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)的組合，鑒別器由卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成．城市空間形態(tài)通過(guò)生成器映射得到潛在設(shè)施分布圖像，而判別器可將生成器得到的設(shè)施分布圖像(transformed)與實(shí)際圖像(ground truth)區(qū)分開(kāi)[38]．隨著迭代次數(shù)的遞增，模型將包含精度由粗到細(xì)的生成器、多尺度判別器和逐漸準(zhǔn)確的對(duì)抗學(xué)習(xí)目標(biāo)函數(shù)．

2.3?模型的結(jié)果與驗(yàn)證

模型在訓(xùn)練過(guò)程中遍歷了訓(xùn)練集中的6498張圖片，在其中每個(gè)訓(xùn)練的時(shí)間單元(Epoch)中，將有一張輸入圖像被發(fā)送至神經(jīng)網(wǎng)絡(luò)中，在結(jié)束前可通過(guò)輸出的圖像精度來(lái)判斷訓(xùn)練的完整性．圖5顯示了訓(xùn)練模型在幾個(gè)關(guān)鍵訓(xùn)練時(shí)間單元中的表現(xiàn)，在其由始至終的訓(xùn)練歷程中，生成圖像與真實(shí)圖像經(jīng)過(guò)了從不夠準(zhǔn)確到極少出錯(cuò)的過(guò)程．另外，在訓(xùn)練過(guò)程中模型將記錄生成器和判別器的損失值觀察其相互競(jìng)爭(zhēng)的過(guò)程以驗(yàn)證訓(xùn)練結(jié)果的準(zhǔn)確性，圖6顯示二者呈現(xiàn)出相互咬合此消彼長(zhǎng)的趨勢(shì)，可見(jiàn)模型的訓(xùn)練過(guò)程較為有效．

圖3?城市形態(tài)地圖(輸入)與自提點(diǎn)密度(輸出)的訓(xùn)練數(shù)據(jù)集

圖4?Pix2PixHD模型的生成器與判別器

圖5?不同時(shí)期的模型訓(xùn)練精準(zhǔn)度

圖6?Pix2PixHD訓(xùn)練過(guò)程損失值

3?社區(qū)快遞服務(wù)設(shè)施生成對(duì)抗網(wǎng)絡(luò)模型預(yù)測(cè)

3.1?預(yù)測(cè)數(shù)據(jù)集制作與模型的預(yù)測(cè)

為了進(jìn)一步探索模型運(yùn)行的準(zhǔn)確度并驗(yàn)證其適用性，本研究使用訓(xùn)練完的模型對(duì)其他城市進(jìn)行測(cè)試．為了提高預(yù)測(cè)的準(zhǔn)確性，本研究對(duì)9個(gè)國(guó)家中心城市[39]的自提點(diǎn)分布密度進(jìn)行計(jì)算，結(jié)果顯示成都市與天津市最具相似的快遞自提點(diǎn)分布密度；加之二者的郵政局?jǐn)?shù)具有相近的排行(國(guó)家統(tǒng)計(jì)局)，并有著相似的年末常住人口與線上消費(fèi)活躍度(知城數(shù)據(jù)平臺(tái))．故本研究選取成都市城市空間形態(tài)與自提點(diǎn)數(shù)據(jù)，使用相同數(shù)據(jù)處理方式準(zhǔn)備測(cè)試數(shù)據(jù)集輸入模型．為減少模型的個(gè)別誤差，增加模型的迭代次數(shù)，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性，第1次測(cè)試完成后將城市圖像向右下平移256個(gè)像素再次進(jìn)行圖像分割計(jì)算，并輸入測(cè)試數(shù)據(jù)集進(jìn)行2次測(cè)試，兩次測(cè)試的結(jié)果疊加可有效提高測(cè)試模型的真實(shí)性．圖7顯示了預(yù)測(cè)的成都城市自提點(diǎn)分布位置信息，可根據(jù)模型輸出的熱力地圖提供選址建議．

圖7?測(cè)試數(shù)據(jù)集準(zhǔn)備與GAN測(cè)試結(jié)果

3.2?預(yù)測(cè)結(jié)果相似度檢驗(yàn)

為進(jìn)一步驗(yàn)證模型預(yù)測(cè)的準(zhǔn)確性，引入支持向量機(jī)(SVM)、隨機(jī)森林(Random Forest)、線性回歸(Linear Regression)3種機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比，將訓(xùn)練數(shù)據(jù)集像素點(diǎn)進(jìn)行RGB三通道矢量化后輸入以上模型分別訓(xùn)練，并以同樣的預(yù)測(cè)數(shù)據(jù)集進(jìn)行設(shè)施熱點(diǎn)預(yù)測(cè)，將所得結(jié)果與本文Pix2PixHD模型進(jìn)行準(zhǔn)確性對(duì)比(圖8)．同時(shí)，通過(guò)Java程序?qū)AN預(yù)測(cè)圖像打散為數(shù)量不變位置隨機(jī)分布的像素點(diǎn)干擾圖像與預(yù)測(cè)圖像進(jìn)行相似度計(jì)算．最后通過(guò)爬取測(cè)試城市真實(shí)POI數(shù)據(jù)以生成熱力圖，并采用余弦相似度、結(jié)構(gòu)相似度度量與OpenCV中均值哈希算法、差值哈希算法和感知哈希算法相似度算法進(jìn)行相似度檢驗(yàn)，并進(jìn)行歸一化處理．將GAN、SVM、Random Forest、Linear Regression模型生成預(yù)測(cè)值分別與真實(shí)值進(jìn)行相似度對(duì)比，并將隨機(jī)生成與原始GAN預(yù)測(cè)值進(jìn)行相似度對(duì)比(表3)，結(jié)果顯示城市自提點(diǎn)生成對(duì)抗網(wǎng)絡(luò)模型具有較理想的實(shí)踐應(yīng)用效果．4種機(jī)器學(xué)習(xí)的設(shè)施平均預(yù)測(cè)準(zhǔn)確性強(qiáng)度順序?yàn)镚AN模型(0.77)＞Linear Regression模型(0.60)＞Random Forest模型(0.47)＞SVM模型(0.40)，同時(shí)根據(jù)GAN預(yù)測(cè)結(jié)果隨機(jī)生成的圖像與真實(shí)值相似度(0.41)＜GAN預(yù)測(cè)圖像與真實(shí)值相似度(0.77)，這說(shuō)明了GAN預(yù)測(cè)方法的有效性．GAN模型相較于其他模型存在可以直接輸入圖像數(shù)據(jù)、訓(xùn)練速度更快、運(yùn)行數(shù)據(jù)量更精煉、預(yù)測(cè)結(jié)果更加準(zhǔn)確等優(yōu)點(diǎn)．

圖8?真實(shí)值和不同模型測(cè)試結(jié)果對(duì)比

表3 余弦、結(jié)構(gòu)相似度與OpenCV哈希算法歸一化結(jié)果比較

Tab.3 Comparison of the cosine，structural similarity，and OpenCV Hashing algorithm normalization results

3.3?預(yù)測(cè)結(jié)果分析

神經(jīng)網(wǎng)絡(luò)生成地圖顯示，多數(shù)情況下具有高人口密度和多路段交叉口的點(diǎn)更易引發(fā)自提點(diǎn)選址．在測(cè)試后合成數(shù)據(jù)集中，花牌坊社區(qū)(圖9中1)、望平社區(qū)(圖9中2)的人口密度與道路接近度較高但自提點(diǎn)密度較低，可能因?yàn)槠涓浇嬖诤恿髋c大量綠地空間；蓓蕾和芳華社區(qū)(圖9中3)、蜀漢街和洗面橋社區(qū)(圖9中4)的人口密度不高但道路接近度高，其自提點(diǎn)聚集較多；四道街和過(guò)街樓社區(qū)(圖9中5)、奧林和化成社區(qū)(圖9中6)人口密度較高但道路接近度適中，其周?chē)泊嬖诖罅孔蕴狳c(diǎn)聚集的現(xiàn)象．同時(shí)，在本次結(jié)果中沒(méi)有發(fā)現(xiàn)人口密度低且產(chǎn)生自提點(diǎn)集聚的情況．

為了更好地驗(yàn)證何種要素能對(duì)自提點(diǎn)布局產(chǎn)生影響，本文進(jìn)行了6組控制變量實(shí)驗(yàn)(圖10)．單組實(shí)驗(yàn)的輸入圖像中僅有一個(gè)要素發(fā)生變化，其他要素和輸入范圍不變．6組控制變量實(shí)驗(yàn)如下：實(shí)驗(yàn)a，將建筑刪除；實(shí)驗(yàn)b，將人口密度增至最大值；實(shí)驗(yàn)c，將sDNA值降至最低；實(shí)驗(yàn)d，將道路刪除；實(shí)驗(yàn)e，將綠地刪除；實(shí)驗(yàn)f，將水體刪除．再分別對(duì)改變后的輸入數(shù)據(jù)進(jìn)行圖像分割與預(yù)測(cè)，并對(duì)所得預(yù)測(cè)結(jié)果圖像求取平均灰度值．在灰度色彩模式中，顏色從黑(灰度值為0)到白(灰度值為255)分布．將6組實(shí)驗(yàn)結(jié)果與原始預(yù)測(cè)結(jié)果進(jìn)行平均灰度值比較，平均灰度值越高，則代表預(yù)測(cè)結(jié)果圖像色彩越白，自提點(diǎn)越多．結(jié)果表明，原始預(yù)測(cè)結(jié)果平均灰度值為169，改變條件后的預(yù)測(cè)結(jié)果平均灰度值較原始預(yù)測(cè)結(jié)果有所變化(實(shí)驗(yàn)a：147；實(shí)驗(yàn)b：170；實(shí)驗(yàn)c：160；實(shí)驗(yàn)d：148；實(shí)驗(yàn)e：171；實(shí)驗(yàn)f：176)．實(shí)驗(yàn)得出建筑(實(shí)驗(yàn)a)和道路(實(shí)驗(yàn)d)存在會(huì)對(duì)自提點(diǎn)布局帶來(lái)正向影響，綠地(實(shí)驗(yàn)e)和水體(實(shí)驗(yàn)f)會(huì)對(duì)自提點(diǎn)布局帶來(lái)負(fù)向影響，人口密度(實(shí)驗(yàn)b)的提升會(huì)使自提點(diǎn)數(shù)量小幅度增加，道路網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度(實(shí)驗(yàn)c)的上升會(huì)使自提點(diǎn)數(shù)量較小幅度增加，即NQPDA(接近度)上升會(huì)使自提點(diǎn)分布數(shù)量增加．此時(shí)道路接近度較高，可吸引更多自提點(diǎn)，是因?yàn)槎?jí)道路往往比城市主干道更適合步行．

圖9?社區(qū)自提點(diǎn)設(shè)施預(yù)測(cè)典型空間

同時(shí)，結(jié)果顯示原始輸入數(shù)據(jù)通過(guò)模型預(yù)測(cè)的某些存在自提點(diǎn)的區(qū)域，實(shí)際尚未建成(如福字街和大慈寺社區(qū)(圖9中7)、草堂路社區(qū)(圖9中8)等)，其所處環(huán)境人口密度較大且道路接近度較高，可以成為運(yùn)營(yíng)機(jī)構(gòu)優(yōu)先考慮的自提點(diǎn)選址．

4?結(jié)語(yǔ)與討論

本研究爬取城市自提點(diǎn)POI數(shù)據(jù)與百度地圖城市空間形態(tài)影像數(shù)據(jù)，將矢量化處理后的道路數(shù)據(jù)通過(guò)sDNA計(jì)算道路接近度與穿行度兩種空間參數(shù)．通過(guò)計(jì)算人口密度、城市空間形態(tài)、sDNA測(cè)度與自提點(diǎn)布局的相關(guān)性，得出三者分別與自提點(diǎn)設(shè)施點(diǎn)位有較為顯著的相關(guān)關(guān)系．因此，將人口密度和城市空間形態(tài)參數(shù)作為輸入數(shù)據(jù)集，自提點(diǎn)密度作為輸出數(shù)據(jù)集，建立社區(qū)快遞自提點(diǎn)設(shè)施選址的生成對(duì)抗網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，可為新城建設(shè)和老城更新中的社區(qū)服務(wù)設(shè)施選址提供方法借鑒．記錄并計(jì)算訓(xùn)練過(guò)程損失值，并使用初步訓(xùn)練完成的網(wǎng)絡(luò)模型對(duì)成都市自提點(diǎn)設(shè)施空間落位進(jìn)行預(yù)測(cè)，以驗(yàn)證模型的有效性．最后，建立支持向量機(jī)、隨機(jī)森林、線性回歸自提點(diǎn)預(yù)測(cè)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，所得結(jié)果說(shuō)明GAN模型有更高的準(zhǔn)確性．

本研究通過(guò)人口密度和城市空間形態(tài)參數(shù)的GAN深度學(xué)習(xí)模型成功預(yù)測(cè)了自提點(diǎn)站點(diǎn)的熱圖，驗(yàn)證了機(jī)器學(xué)習(xí)基于經(jīng)驗(yàn)與量化技術(shù)的決策能力．同時(shí)，本團(tuán)隊(duì)已創(chuàng)建了一個(gè)基于GAN的線上社區(qū)設(shè)施預(yù)測(cè)平臺(tái)CityLifeAI，該平臺(tái)可通過(guò)城市空間形態(tài)預(yù)測(cè)全國(guó)快遞自提點(diǎn)活躍指數(shù)熱圖，并仍在不斷更新強(qiáng)化其訓(xùn)練集數(shù)據(jù)．未來(lái)城市的設(shè)計(jì)需要不斷引入企業(yè)注資，增加經(jīng)濟(jì)來(lái)源以提高城市活力，該平臺(tái)可向政府與企業(yè)建議多個(gè)城市的自提點(diǎn)可選址區(qū)域．

自提點(diǎn)在城市中的地理選址是一項(xiàng)反映城市居民的集聚位置、日常偏好、經(jīng)濟(jì)基礎(chǔ)與消費(fèi)能力的重要研究，因此在未來(lái)的研究中還應(yīng)該增加更多的考慮因素以更好地解釋其落位的根本原因，如城市居民的經(jīng)濟(jì)區(qū)位分析、年齡分段地理分布等，以豐富指標(biāo)類(lèi)型，從而提高預(yù)測(cè)結(jié)果準(zhǔn)確性．在未來(lái)，隨著信息的公開(kāi)和專(zhuān)業(yè)領(lǐng)域的技術(shù)改進(jìn)，可獲取更多可用于人工智算法的數(shù)據(jù)，可嘗試新方式獲取更準(zhǔn)確的數(shù)據(jù)以豐富訓(xùn)練數(shù)據(jù)集．最重要的是，本文的GAN研究方法在城市規(guī)劃領(lǐng)域有一定應(yīng)用價(jià)值，可以用作預(yù)測(cè)其他類(lèi)型的城市基礎(chǔ)設(shè)施并將其在地圖中可視化定位的工具．該模型為政府和企業(yè)提供了參考以進(jìn)行快速高效的城市決策，也為居民提供了選擇生活環(huán)境的重要依據(jù)．

感謝天津大學(xué)建筑學(xué)院場(chǎng)立方工作組丁夢(mèng)月博士在本文寫(xiě)作期間給予的幫助．

［1］ 肖作鵬，柴彥威，張?艷. 國(guó)內(nèi)外生活圈規(guī)劃研究與規(guī)劃實(shí)踐進(jìn)展述評(píng)[J]. 規(guī)劃師，2014，30(10)：89-95.

Xiao Zuopeng，Chai Yanwei，Zhang Yan. Overseas life circle planning and practice[J]. Planners，2014，30(10)：89-95(in Chinese).

［2］ Morganti E，Dablanc L，F(xiàn)ortin F. Final deliveries for online shopping：The deployment of pickup point net-works in urban and suburban areas[J]. Research in Transportation Business & Management，2014，11：23-31.

［3］ De Oliveira L K，Morganti E，Dablanc L，et al. Analy-sis of the potential demand of automated delivery stations for e-commerce deliveries in Belo Horizonte，Brazil[J]. Research in Transportation Economics，2017，65：34-43.

［4］ Xue S，Li G，Yang L，et al. Spatial pattern and influ-encing factor analysis of attended collection and delivery points in Changsha City，China[J]. Chinese Geographi-cal Science，2019，29(6)：1078-1094.

［5］ Kedia A，Kusumastuti D，Nicholson A. Acceptability of collection and delivery points from consumers’ perspective：A qualitative case study of Christchurch City[J]. Case Studies on Transport Policy，2017，5(4)：587-595.

［6］ Mehmood M S，Li G，Xue S，et al. Spatial differentia-tion and influencing factors of attended collection and de-livery points in Nanjing City，China[J]. International Journal of Civil Infrastructure，2020，3：24-40.

［7］ Weltevreden J W J. B2C e-commerce logistics：The rise of collection-and-delivery points in the Netherlands[J]. International Journal of Retail & Distribution Manage-ment，2008，36(8)：638-660.

［8］ Schwerdfeger S，Boysen N. Optimizing the changing locations of mobile parcel lockers in last-mile distribution[J]. European Journal of Operational Research，2020，285(3)：1077-1094.

［9］ 黃?濤. 基于GIS的快遞末端自提網(wǎng)點(diǎn)布局研究[D]. 西安：長(zhǎng)安大學(xué)，2017.

Huang Tao. Study on the Layout of Express Self-Pickup Network Based on GIS[D]. Xi’an：Chang’an Univer-sity，2017(in Chinese).

［10］ Edoardo F，Daniele M，Gianpiero C，et al. Comparative analysis of models and per-formance indicators for optimal service facility location[J]. Transportation Research Part E：Logistics and Transportation Review，2021，145：102174.

［11］ 孔俊婷，李?倩，倪麗麗，等. 基于空間句法的老城區(qū)商業(yè)服務(wù)設(shè)施落位優(yōu)化研究——以天津市英租界片區(qū)為例[J]. 現(xiàn)代城市研究，2020(5)：10-16.

Kong Junting，Li Qian，Ni Lili，et al. Study on location optimization of commercial service facilities in old city based on spatial syntax：A case study of the British Concession Area of Tianjin[J]. Modern Urban Research，2020(5)：10-16(in Chinese).

［12］ Liu S，Liu Y，Zhang R，et al. Heterogeneity of spatial distribution and factors influencing unattended locker points in Guangzhou，China：The case of hive box[J]. ISPRS International Journal of Geo-Information，2021，10(6)：409.

［13］ 魏?偉，洪夢(mèng)謠，謝?波. 基于供需匹配的武漢市15分鐘生活圈劃定與空間優(yōu)化[J]. 規(guī)劃師，2019，35(4)：11-17.

Wei Wei，Hong Mengyao，Xie Bo. Demand-supply matching oriented 15-minute community life circle demarcation and spatial optimization，Wuhan[J]. Plan-ners，2019，35(4)：11-17(in Chinese).

［14］ Zhou L，Wang X，Ni L，et al. Location-routing prob-lem with simultaneous home delivery and customer’s pickup for city distribution of online shopping purchases [J]. Sustainability，2016，8(8)：828.

［15］ Hua X，Hu X，Yuan W. Research optimization on logis-tics distribution center location based on adaptive particle swarm algorithm[J]. OPTIK，2016，127(20)：8443-8450.

［16］ Ting C J，Chen C H. A multiple ant colony optimization algorithm for the capacitated location routing prob-lem[J]. International Journal of Production Economics，2013，141(1)：34-44.

［17］ Vincent F Y，Lin S Y. A simulated annealing heuristic for the open location-routing problem[J]. Computers & Operations Research，2015，62：184-196.

［18］ Yan L，Wen Y，Teo K L，et al. Construction of re-gional logistics weighted network model and its robust optimization：Evidence from China[J]. Complexity，2020，2020：2109423.

［19］ Aized T，Srai J S. Hierarchical modelling of last mile logistic distribution system[J]. The International Journal of Advanced Manufacturing Technology，2014，70(5/6/7/8)：1053-1061.

［20］ 陶卓霖，程?楊，戴特奇，等. 公共服務(wù)設(shè)施布局優(yōu)化模型研究進(jìn)展與展望[J]. 城市規(guī)劃，2019，43(8)：60-68，88.

Tao Zhuolin，Cheng Yang，Dai Teqi，et al. Reserch progress and prospect of public service facilities layout optimization models[J]. City Planning Review，2019，43(8)：60-68，88(in Chinese).

［21］ Tang X，Zhang J，Xu P. A multi-objective optimization model for sustainable logistics facility location[J]. Transportation Research Part D：Transport and Envi-ronment，2013，22：45-48.

［22］ 李?珂. 基于機(jī)器學(xué)習(xí)的北京市快遞網(wǎng)點(diǎn)布局研究[D]. 北京：北京交通大學(xué)，2019.

Li Ke. Machine Learning in the Distribution of Beijing Express Outlets[D]. Beijing：Beijing Jiaotong Univer-sity，2019(in Chinese). 

［23］ 原明清，洪亮平. 基于機(jī)器學(xué)習(xí)的上海市肯德基快餐店選址研究[C]//共享與品質(zhì)——2018中國(guó)城市規(guī)劃年會(huì)論文集. 杭州，中國(guó)，2018：1019-1030.

Yuan Mingqing，Hong Liangping. Research on location selection of Shanghai KFC fast food restaurant based on machine learning[C]//Sharing and Quality—Proceedings of the 2018 China Urban Planning Annual Conference. Hangzhou，China，2018：1019-1030(in Chinese).

［24］ 汪曉春，熊?峰，王振偉，等. 基于POI大數(shù)據(jù)與機(jī)器學(xué)習(xí)的養(yǎng)老設(shè)施規(guī)劃布局——以武漢市為例[J]. 經(jīng)濟(jì)地理，2021，41(6)：1-8.

Wang Xiaochun，Xiong Feng，Wang Zhenwei，et al. Planning and layout of facilities for the elders based on POI and machine learning：A case study of Wuhan[J]. Economic Geography，2021，41(6)：1-8(in Chinese).

［25］ 胡?蝶，曾?婧，崔海波，等. 小型餐飲選址中多源數(shù)據(jù)融合空間網(wǎng)格的神經(jīng)網(wǎng)絡(luò)模型[J]. 中國(guó)科技信息，2021(11)：106-110.

Hu Die，Zeng Jing，Cui Haibo，et al. Multi-source data fusion spatial grid in small catering site selection neural network model[J]. China Science and Technology Information，2021(11)：106-110(in Chinese).

［26］ 包瑞清. 地表溫度與城市空間分布結(jié)構(gòu)的關(guān)系及其預(yù)測(cè)模型[J]. 中國(guó)園林，2020，36(10)：69-74.

Bao Ruiqing. The relationship between surface tempera-ture and urban spatial distribution structure and its pre-diction model[J]. Chinese Landscape Architecture，2020，36(10)：69-74(in Chinese).

［27］ Shen J，Liu C，Ren Y，et al. Machine learning assisted urban filling[C]//Proceedings of the 25th International Conference on Computer-Aided Architectural Design Research in Asia(CAADRIA). Bangkok，Thailand，2020：681-690.

［28］ Shou X，Chen P，Zheng H. Predicting the heat map of street vendors from pedestrian flow through machine learning[C]//Proceedings of the 26th International Conference on Computer-Aided Architectural Design Research in Asia(CAADRIA). Hong Kong，China，2021：569-578.

［29］ 李?鋼，楊?蘭，賀建雄，等. 基于POI數(shù)據(jù)的西安市快遞自提點(diǎn)空間格局及空間關(guān)系研究——以菜鳥(niǎo)驛站為例[J]. 地理科學(xué)，2018，38(12)：2024-2030.

Li Gang，Yang Lan，He Jianxiong，et al. The spatial pattern and organization relation of the pickup points based on POI data in Xi’an：Focus on cainiao stations [J]. Scientia Geographica Sinica，2018，38(12)：2024-2030(in Chinese).

［30］ Chiaradia A J. From the syntax of space to spatial DNA[J]. Connection：The Architecture and Design Journal of the Young Architects Forum，2014，12(2)：8.

［31］ Cooper C H V，Harvey I，Orford S，et al. Testing the ability of multivariate hybrid spatial network analysis to predict the effect of a major urban redevelopment on pedestrian flows[EB/OL]. https：//www. researchgate. net/publication/324078037，2021-08-30.

［32］ Zhang X，Melbourne S，Sarkar C，et al. Effects of green space on walking：Does size，shape and density matter?[J]. Urban Studies，2020，57(16)：3402-3420.

［33］ Ozuduru B H，Webster C J，Chiaradia A J F，et al. Associating street-network centrality with spontaneous and planned subcentres[J]. Urban Studies，2020，58：2059-2078.

［34］ 宋小冬，陶?穎，潘潔雯，等. 城市街道網(wǎng)絡(luò)分析方法比較研究：以Space Syntax、sDNA和UNA為例[J]. 城市規(guī)劃學(xué)刊，2020(2)：19-24.

Song Xiaodong，Tao Ying，Pan Jiewen，et al. A com-parison of analytical methods for urban street network：Taking Space Syntax，sDNA and UNA as examples[J]. Urban Planning Forum，2020(2)：19-24(in Chinese).

［35］ 張靈珠，晴安藍(lán). 三維空間網(wǎng)絡(luò)分析在高密度城市中心區(qū)步行系統(tǒng)中的應(yīng)用——以香港中環(huán)地區(qū)為例[J]. 國(guó)際城市規(guī)劃，2019，34(1)：46-53.

Zhang Lingzhu，Chiaradia Alain. Three-dimensional spatial network analysis and its application in a high den-sity city area，Central Hong Kong[J]. Urban Planning International，2019，34(1)：46-53(in Chinese).

［36］ Chiaradia A，Cooper C，Webster C. sDNA a software for spatial design network analysis[EB/OL]. http:// www.cardiff.ac.uk/sdna，2014-06-13.

［37］ Goodfellow I，Pouget-Abadie J，Mirza M，et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems，2014，27.

［38］ Wang T C，Liu M Y，Zhu J Y，et al. High-resolution image synthesis and semantic manipulation with condi-tional gans[C]// Proceedings of the IEEE Conference On Computer Vision and Pattern Recognition. USA，2018：8798-8807.

［39］ 中華人民共和國(guó)城鄉(xiāng)規(guī)劃法[EB/OL]. http://www.gov. cn/ziliao/flfg/2007-10/28/content_788494.htm.

The Urban and Rural Planning Law of the People’s Re-public of China[EB/OL]. http://www.gov.cn/ziliao/flfg/ 2007-10/28/content_788494.htm(in Chinese).

Location Optimization of Urban Express Pickup Service Facilities Based on GAN

Hu Yike1，Wen Wen1，Liu Yaxin1，Zheng Hao2

(1. School of Architecture，Tianjin University，Tianjin 300072，China；2. School of Design，University of Pennsylvania，Philadelphia 19104，USA)

As a community service facility，the location of express pickup points affects the convenience of urban residents and has become an indispensable type of service facility. The points of interest(POI)data of urban pickup points，urban population density data，and image data of the urban spatial morphology of Baidu Maps are obtained. The vectorized road data are used to calculate the two spatial parameters of road network quantity penalized for distance(NQPD)and two phase betweenness(TPBt)through spatial design network analysis(sDNA). The ArcGIS platform is used to generate the point density heat map of POI data，and the urban units are divided by fishnet tools. The population density data，road network structure measurement data，and self-raised point density data are vectorized and reclassified. The correlation between urban spatial form，population density，and pickup points is calculated，and the pickup points and the urban spatial dataset of the Tianjin community life circle are established. The location law of pickup points is explored，and a deep-learning generative adversarial network(GAN)model is established. Thereafter，the Pix2PixHD algorithm training process generator and discriminator loss values are calculated to verify the feasibility of the model. Next，the Chengdu urban spatial dataset is used to test the accuracy of the model. Finally，support vector machines，random forests，and linear regression models are introduced，and the accuracy of these models is compared with that of the deep-learning GAN model. The results showed that the deep-learning GAN model had higher prediction accuracy(cosine similarity＝0.89，dHash similarity＝0.79，and SSIM similarity＝0.68). Through the deep-learning GAN model of population density and urban spatial morphology parameters，the pickup point heat map is successfully predicted，and the decision-making capability of machine learning based on experience and quantification technology is verified. A method based on artificial intelligence for generating the layout of express pickup service facilities in urban community life circles will provide a new idea for the location selection of community service facilities in the future.

express pickup points；generative adversarial network(GAN)；community service facility；spatial design network analysis(sDNA)；urban spatial morphology

10.11784/tdxbz202109024

TU984.12

A

0493-2137(2022)12-1237-12

2021-09-17；

2022-01-19.

胡一可（1978—??），男，博士，教授，563537280@qq.com.

溫?雯，wenw@tju.edu.cn.

國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(52038007).

Supported by the Key Program of the National Natural Science Foundation of China(No. 52038007).

(責(zé)任編輯：金順愛(ài))