城市地铁出行知识图谱嵌入表达的超参数选择

知识图谱作为人工智能技术与应用中重要的数据基础设施，已经成为地理科学领域的一个研究热点。目前对地理知识图谱进行嵌入表达时通常使用默认的超参数（如2层网络搜索深度），但是部分地理知识图谱的网络规模和拓扑特征与通用知识图谱不同，其合理性需进一步论证。为此，本文围绕城市轨道交通人地关系，基于地铁线路网络的拓扑结构特征，结合客流数据、POI（兴趣点）数据以及建成环境数据等构建地铁出行知识图谱；利用GraphSAGE模型学习实体的多维度特征嵌入，并结合POI数据对站点分类结果进行语义识别，对比验证适合地铁出行知识图谱嵌入表达的网络搜索深度。不同于默认的2层搜索深度，当搜索深度为3层时，本研究所构建的地铁出行知识图谱的节点嵌入效果最优。因此，地理知识图谱嵌入表达的超参数选择需要顾及时空和人类活动相关的网络规模和拓扑特征，要避免不加甄别地使用其他领域通用知识图谱的已有成果。使用3层搜索深度获得的地铁站点分类结果也更具合理的解释性，可为利用知识图谱和人工智能方法进行站点规划和客流预测提供基础。