基于GAN的城市快递自提服务设施选址优化研究

胡一可，温 雯，刘雅心，郑 豪

基于GAN的城市快递自提服务设施选址优化研究

胡一可1，温 雯1，刘雅心1，郑 豪2

(1. 天津大学建筑学院，天津 300072；
2. 宾夕法尼亚大学设计学院，费城 19104)

快递自提点作为社区服务设施，其选址落位影响着城市居民的生活便利程度，目前已经成为不可或缺的服务设施类型．爬取城市快递自提点POI数据、城市人口密度数据与百度地图城市空间形态影像数据，将矢量化处理后的道路数据通过sDNA计算道路接近度与穿行度两种空间参数，并运用ArcGIS平台将POI数据生成点密度热力图，通过渔网工具划分城市单元，对人口密度数据、道路网络结构测度数据、自提点密度数据进行矢量化重分类处理．计算城市空间形态、人口密度、道路网络测度与自提点的相关性，并以此建立天津社区生活圈自提点与城市空间数据集．探索自提点的选址规律，建立深度学习GAN模型．再通过计算Pix2PixHD算法训练过程的生成器与判别器的损失值来验证模型可行性．并使用成都城市空间数据集进行测试以检验模型准确性，最后引入SVM、随机森林、线性回归模型进行准确性对比，结果显示GAN模型具有较高的预测准确度(余弦相似度0.89，dHash相似度0.78，SSIM相似度0.70)．通过人口密度和城市空间形态参数的GAN深度学习模型成功预测了自提点热图，验证了机器学习基于经验与量化技术的决策能力．以寻求一种基于人工智能的城市社区生活圈快递服务设施布局的生成方法，为未来社区服务设施选址提供了新思路．

快递自提点；
生成对抗网络；
社区服务设施；
sDNA；
城市空间形态

新型城镇化阶段要求城市发展重视生活品质和需求，社区生活圈规划从城市宜居的价值导向出发，以居民日常生活为对象，致力于改善生活环境，提高居民生活的满意度与福祉[1]．为促进社区居民公平、合理地共享资源，对社区服务设施空间布局进行持续监测和量化分析，是规划设计中至关重要的环节．

随着经济结构的转变与大数据产业的不断发展，电商产业不断升级，居民购物方式逐渐转变．在此背景下，建立社会化、信息化、智能化、国际化的物流体系已成为行业发展趋势，快递自提点及其相应空间的重要价值被重视．快递自提点(以下简称“自提点”)作为城市社区生活圈设施的重要组成部分，其自身的生长逻辑、生存能力与社会、经济、居民行为等基本信息密切相关．近年来，伴随着物流业的发展和城市便利程度的提升，相关研究也逐步完善．以往研究多关注自提点的形成因素，其形成往往受到居住人口密度[2-7]、道路可达性和通行性[4-6,8-11]、建筑密度与空间位置[12]、其他城市空间形态[4,9,12]，以及社会经济属性(性别、年龄、学历、收入)[3,7,12]等因素的影响．其中，城市空间形态包含了城市内部各组成部分的合理布局[13]，集城市道路、水体、绿地、建筑信息于一体，是城市规划与社区设施布局的重要依据之一．

同时，城市快递设施布局的优化研究也较为丰富，现有研究多通过建立多目标评价模型结合进化算法寻找最佳选址，例如结合遗传算法[14]、粒子群算 法[15]、蚁群算法[16]和模拟退火算法[17]；
也有研究基于公平最大化模型选择重力模型构建加权模型结合社会网络分析[18]探索物流网络自提点；
结合自动化理论进行离散事件动态系统建模[19]；
或结合区位分配模型，如位置集合覆盖模型、最大覆盖模型和P-中心模型[20-21]，来从一批候选位置中根据优化目标选取最优的设施布局区位．已有的非机器学习方法仅能算出优化自提点的大致选区范围，因前期数据收集难度较高而仅适用于示例城市，存在模型可复制性低、使用成本较高等问题．

近年来，机器学习以自动分析一类或几类数据来获取规律、发现作用机制、对未知数据进行预测[21].目前应用机器学习解决社区设施布局选址方面的相关问题已被学者关注：李珂[22]通过线性回归、随机森林等方法预测北京市快递网点布局；
原明清等[23]通过SVM研究上海市内适合的餐饮选址区域，汪晓春等[24]通过在城市中划分网格利用13类设施建立ID3算法的决策树以预测是否存在养老设施；
胡蝶等[25]通过人流量、附近人口结构、交通设施、竞争力强度建立BP神经网络模型以预测小型餐饮店选址．同时，深度学习的生成对抗网络(generative adversarial network，GAN)已成为研究城市空间的重要手段，其预测性特点可用于生成城市图像或兴趣点布局．包瑞清[26]应用GAN的WGAN-GP算法生成地形并建立遮罩，预测未知区域的高程．Shen等[27]根据标记的道路、绿地、河流等空间元素生成数据集以预测城市规划图中的建筑排布．Shou等[28]运用GAN的Pix2PixHD算法与行人流量和城市空间数据预测街头小贩分布的热图．机器学习方法相较于传统智能方法，可与大数据融合以提高模型效率，具有普适性高、可实时更新性强和便捷性高等优点．

综上所述，城市设施预测已形成通过大数据进行地理空间分析或相关性分析，再通过优化决策模型进行预测的方法．然而，现有自提点研究多集中于地理学及交通学等领域，多基于区域核密度、标准差椭圆等空间统计学方法对城市自提点空间聚集程度进行分析[6,29]，从城市规划领域结合道路、建筑等城市空间形态对自提点布局进行的研究较少．同时，鲜有研究将GAN算法运用于社区服务设施选址生成，而训练后的深度学习算法可根据不断更新发展的城市空间形态，对设施热力分布进行预判，为下一步的具体选址提供参考．因此，本研究以天津市外环路以内城区为研究范围，运用sDNA分析城市道路网络空间形态，并通过ArcGIS平台对人口密度、道路网络结构测度、自提点密度数据进行矢量化重分类处理，对现存自提点空间布局规律与城市空间形态和人口密度的关系展开探究．通过叠置分析制作城市空间形态训练集，点密度分析制作设施图像训练集，通过深度学习生成对抗网络(GAN)的Pix2PixHD算法进行训练，并验证模型有效性，最后运用该模型预测其他城市的自提点空间落位．研究结果可为社区服务设施空间布局以及城市空间形态发展提供借鉴．

1.1 数据来源与整理

本研究采用自提点地理数据、人口密度数据与城市空间形态等多源异构数据，制作训练数据集以输入深度学习模型．图1显示了从数据来源、数据处理到训练数据集生成的处理过程技术路线．

1.1.1 自提点数据来源与预处理

本文以天津市外环路以内的自提点为研究对象，其数据来源于2020—2021年在该区域爬取的多源数据，选取高德地图、百度地图POI(points of interests)数据，并结合百度街景地图手动修正POI落位，得到共4254项非邮政自提点数据与467项邮政自提点数据．再经数据清洗与处理，对依托类型、服务对象与空间分布进行分析，最终得到3683项有效数据．

1.1.2 城市信息与人口数据来源与整理

现有城市规划设计中日常生活服务功能的规模往往以服务距离或时间为依据，其中15min生活圈为城市社区配套设施研究提供了新的视角．结合既有对自提点取件行为的研究结论，与《城市居住区规划设计标准》(GB 50180—2018)、天津市规划和自然资源局《滨海新区十五分钟生活圈实施规划》中对15min社区生活圈策略的阐述，选定15min(800～1000m步行距离)作为统计半径．使用Worldpop人口密度数据，并通过Python程序截获百度地图最高精度道路、建筑、水体、绿地各图层地理信息，再使用ArcGIS平台对百度地图道路图层进行重分类分析、缓冲区生成、ArcScan矢量化与线型网络数据集生成处理，范围涵盖天津市外环路以内所有道路．

图1 数据集处理流程

1.2 分析方法

1.2.1 城市道路网络结构测度

基于自提点在道路上的分布受道路网络空间关系的影响，本研究采用角度变化作为计算度量，道路长度作为权重，同时选用15min步行距离(此处取1000m)的欧几里德距离[35]作为sDNA的测算方法，以更准确地表达城市网络中路径的实际长短．图2显示了两种测度分析结果，图2(a)和(b)的线段颜色由深到浅分别代表城市道路从高至低的NQPDA与TPBtA数值变化．

1.2.2 自提点布局与人口密度、城市空间形态的关联程度

将清洗后的自提点POI数据，使用点密度估计以15min步行范围为半径生成图像，以作为生成对抗网络的输入图像．再运用ArcGIS渔网工具划分15min步行范围单元(1km×1km)，将自提点密度估计图像、道路网络结构测度图像、人口密度图像分别进行空间落位，并求取渔网单元内的栅格数据重分类平均值．同时，统计每个渔网单元内的水体密度、绿地密度、道路密度以及建筑密度．将所得多项计算结果进行属性表连接，并进行归一化处理．通过Person偏相关分析，探讨自提点布局与人口密度、城市空间形态、道路网络结构的关联程度，较高的相关性说明人口密度与城市空间形态对预测自提点分布模型的切实有效性．

1.2.3 深度学习的生成对抗网络(GAN)模型

机器学习建立在传统大数据分析方法之上，通过使用输入数据和算法来估计未知结果，从数据中学习以提供对数据的见解与对城市的决策和预测．在机器学习模型中，生成对抗网络是由蒙特利尔大学Goodfellow等[37]在2014年提出的深度学习架构，由生成器和判别器组成，旨在通过生成的数据样本信息与自然图像来对后者的分布进行建模，使GAN能够学习和生成高阶特征．运用GAN建立社区自提点预测模型，需制作数据集以输入生成器与判别器进行训练，从而使输入数据集在生成器中得到的生成图像与输出数据集中的真实图像进行对抗平衡，通过GAN记录并学习自提点的分布规律以供预测其他地块的自提点热图．

2.1 训练数据集准备

2.1.1 城市空间形态、居住人口密度与自提点的分布规律

使用ArcGIS渔网分析工具结合SPSS数理计算工具进行城市空间形态、居住人口密度与自提点布局的Person偏相关分析(表1)．其中，道路网络结构测度采用上述分析得出的NQPDA与TPBtA．结果表明绿地密度、水体密度与自提点布局之间有着显著的负相关关系(＜0.01)，建筑密度、道路密度与自提点布局之间有显著的正相关关系(＜0.01)，人口密度与自提点布局之间有着较为显著的正相关关系(＜0.05)，NQPDA测度与自提点布局之间也有着显著的负相关关系(＜0.01)，TPBtA测度与自提点布局之间未见显著相关关系．故将人口密度数据、城市空间形态数据(建筑、道路、水体、绿地)、NQPDA测度纳入GAN模型输入数据集以作为训练图像．

表1 城市空间形态、人口密度与自提点的相关性分析

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

注：*＜0.05；
**＜0.01．

2.1.2 训练数据集生成

与此同时，居民作为城市日常生活的主角，从其视角出发，道路的宽窄与建筑的疏密等城市形态也是出行的重要考量因素．然而简单的线性回归分析不能应对多源大数据的不同维度，无法将城市空间的二维复杂排布表达在一维数据中．因此通过百度地图爬取道路与建筑图层信息，分别与上述sDNA测度与人口密度数据进行叠加处理，再通过界线明确的RGB色彩分配(表2)实现计算机清晰识别区分．其中，RGB通道(红、绿、蓝通道)同时为0时代表城市基底，R通道255～0表示NQPDA由高到低的数量值，G通道代表绿地，B通道代表水体，RGB三通道同时为255～0的某一数值则表示建筑空间中由高到低的人口密度．在形态上，将道路图层的NQPDA测度与原道路形态叠加，即保留原道路宽度等图像信息．数据收集过程结束后，将城市地图空间数据与自提点分布进行坐标转换、信息叠置与切割处理(图3)．同时，此处将自提点密度图像制作为黑白图像以提升训练效果，因为在多次实验后发现黑白图像便于计算机清晰识别．所有图像都将被模型切割为512像素×512像素的样本，输入图像显示城市空间形态，输出图像则反映城市自提点热力图，二者按照序号对应且覆盖相同的地理区域．

表2 城市空间形态地图颜色标注规则

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

2.2 模型的训练

通过以上训练数据集生成与整理，采用GAN的Pix2PixHD算法来训练模型，运用GAN中的两个神经网络生成器(G)和判别器(D)使训练结果更为精准，前者生成语义标签图像供后者鉴别，而后者则被反复训练以区别真假图像(见图4)．生成器是卷积神经网络和反卷积神经网络的组合，鉴别器由卷积神经网络构成．城市空间形态通过生成器映射得到潜在设施分布图像，而判别器可将生成器得到的设施分布图像(transformed)与实际图像(ground truth)区分开[38]．随着迭代次数的递增，模型将包含精度由粗到细的生成器、多尺度判别器和逐渐准确的对抗学习目标函数．

2.3 模型的结果与验证

模型在训练过程中遍历了训练集中的6498张图片，在其中每个训练的时间单元(Epoch)中，将有一张输入图像被发送至神经网络中，在结束前可通过输出的图像精度来判断训练的完整性．图5显示了训练模型在几个关键训练时间单元中的表现，在其由始至终的训练历程中，生成图像与真实图像经过了从不够准确到极少出错的过程．另外，在训练过程中模型将记录生成器和判别器的损失值观察其相互竞争的过程以验证训练结果的准确性，图6显示二者呈现出相互咬合此消彼长的趋势，可见模型的训练过程较为有效．

图3 城市形态地图(输入)与自提点密度(输出)的训练数据集

图4 Pix2PixHD模型的生成器与判别器

图5 不同时期的模型训练精准度

图6 Pix2PixHD训练过程损失值

3.1 预测数据集制作与模型的预测

为了进一步探索模型运行的准确度并验证其适用性，本研究使用训练完的模型对其他城市进行测试．为了提高预测的准确性，本研究对9个国家中心城市[39]的自提点分布密度进行计算，结果显示成都市与天津市最具相似的快递自提点分布密度；
加之二者的邮政局数具有相近的排行(国家统计局)，并有着相似的年末常住人口与线上消费活跃度(知城数据平台)．故本研究选取成都市城市空间形态与自提点数据，使用相同数据处理方式准备测试数据集输入模型．为减少模型的个别误差，增加模型的迭代次数，提高预测结果的准确性，第1次测试完成后将城市图像向右下平移256个像素再次进行图像分割计算，并输入测试数据集进行2次测试，两次测试的结果叠加可有效提高测试模型的真实性．图7显示了预测的成都城市自提点分布位置信息，可根据模型输出的热力地图提供选址建议．

图7 测试数据集准备与GAN测试结果

3.2 预测结果相似度检验

为进一步验证模型预测的准确性，引入支持向量机(SVM)、随机森林(Random Forest)、线性回归(Linear Regression)3种机器学习算法进行对比，将训练数据集像素点进行RGB三通道矢量化后输入以上模型分别训练，并以同样的预测数据集进行设施热点预测，将所得结果与本文Pix2PixHD模型进行准确性对比(图8)．同时，通过Java程序将GAN预测图像打散为数量不变位置随机分布的像素点干扰图像与预测图像进行相似度计算．最后通过爬取测试城市真实POI数据以生成热力图，并采用余弦相似度、结构相似度度量与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进行相似度检验，并进行归一化处理．将GAN、SVM、Random Forest、Linear Regression模型生成预测值分别与真实值进行相似度对比，并将随机生成与原始GAN预测值进行相似度对比(表3)，结果显示城市自提点生成对抗网络模型具有较理想的实践应用效果．4种机器学习的设施平均预测准确性强度顺序为GAN模型(0.77)＞Linear Regression模型(0.60)＞Random Forest模型(0.47)＞SVM模型(0.40)，同时根据GAN预测结果随机生成的图像与真实值相似度(0.41)＜GAN预测图像与真实值相似度(0.77)，这说明了GAN预测方法的有效性．GAN模型相较于其他模型存在可以直接输入图像数据、训练速度更快、运行数据量更精炼、预测结果更加准确等优点．

图8 真实值和不同模型测试结果对比

表3 余弦、结构相似度与OpenCV哈希算法归一化结果比较

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

3.3 预测结果分析

神经网络生成地图显示，多数情况下具有高人口密度和多路段交叉口的点更易引发自提点选址．在测试后合成数据集中，花牌坊社区(图9中1)、望平社区(图9中2)的人口密度与道路接近度较高但自提点密度较低，可能因为其附近存在河流与大量绿地空间；
蓓蕾和芳华社区(图9中3)、蜀汉街和洗面桥社区(图9中4)的人口密度不高但道路接近度高，其自提点聚集较多；
四道街和过街楼社区(图9中5)、奥林和化成社区(图9中6)人口密度较高但道路接近度适中，其周围也存在大量自提点聚集的现象．同时，在本次结果中没有发现人口密度低且产生自提点集聚的情况．

为了更好地验证何种要素能对自提点布局产生影响，本文进行了6组控制变量实验(图10)．单组实验的输入图像中仅有一个要素发生变化，其他要素和输入范围不变．6组控制变量实验如下：实验a，将建筑删除；
实验b，将人口密度增至最大值；
实验c，将sDNA值降至最低；
实验d，将道路删除；
实验e，将绿地删除；
实验f，将水体删除．再分别对改变后的输入数据进行图像分割与预测，并对所得预测结果图像求取平均灰度值．在灰度色彩模式中，颜色从黑(灰度值为0)到白(灰度值为255)分布．将6组实验结果与原始预测结果进行平均灰度值比较，平均灰度值越高，则代表预测结果图像色彩越白，自提点越多．结果表明，原始预测结果平均灰度值为169，改变条件后的预测结果平均灰度值较原始预测结果有所变化(实验a：147；
实验b：170；
实验c：160；
实验d：148；
实验e：171；
实验f：176)．实验得出建筑(实验a)和道路(实验d)存在会对自提点布局带来正向影响，绿地(实验e)和水体(实验f)会对自提点布局带来负向影响，人口密度(实验b)的提升会使自提点数量小幅度增加，道路网络结构测度(实验c)的上升会使自提点数量较小幅度增加，即NQPDA(接近度)上升会使自提点分布数量增加．此时道路接近度较高，可吸引更多自提点，是因为二级道路往往比城市主干道更适合步行．

图9 社区自提点设施预测典型空间

同时，结果显示原始输入数据通过模型预测的某些存在自提点的区域，实际尚未建成(如福字街和大慈寺社区(图9中7)、草堂路社区(图9中8)等)，其所处环境人口密度较大且道路接近度较高，可以成为运营机构优先考虑的自提点选址．

本研究爬取城市自提点POI数据与百度地图城市空间形态影像数据，将矢量化处理后的道路数据通过sDNA计算道路接近度与穿行度两种空间参数．通过计算人口密度、城市空间形态、sDNA测度与自提点布局的相关性，得出三者分别与自提点设施点位有较为显著的相关关系．因此，将人口密度和城市空间形态参数作为输入数据集，自提点密度作为输出数据集，建立社区快递自提点设施选址的生成对抗网络模型并进行训练，可为新城建设和老城更新中的社区服务设施选址提供方法借鉴．记录并计算训练过程损失值，并使用初步训练完成的网络模型对成都市自提点设施空间落位进行预测，以验证模型的有效性．最后，建立支持向量机、随机森林、线性回归自提点预测模型进行训练和预测，所得结果说明GAN模型有更高的准确性．

本研究通过人口密度和城市空间形态参数的GAN深度学习模型成功预测了自提点站点的热图，验证了机器学习基于经验与量化技术的决策能力．同时，本团队已创建了一个基于GAN的线上社区设施预测平台CityLifeAI，该平台可通过城市空间形态预测全国快递自提点活跃指数热图，并仍在不断更新强化其训练集数据．未来城市的设计需要不断引入企业注资，增加经济来源以提高城市活力，该平台可向政府与企业建议多个城市的自提点可选址区域．

自提点在城市中的地理选址是一项反映城市居民的集聚位置、日常偏好、经济基础与消费能力的重要研究，因此在未来的研究中还应该增加更多的考虑因素以更好地解释其落位的根本原因，如城市居民的经济区位分析、年龄分段地理分布等，以丰富指标类型，从而提高预测结果准确性．在未来，随着信息的公开和专业领域的技术改进，可获取更多可用于人工智算法的数据，可尝试新方式获取更准确的数据以丰富训练数据集．最重要的是，本文的GAN研究方法在城市规划领域有一定应用价值，可以用作预测其他类型的城市基础设施并将其在地图中可视化定位的工具．该模型为政府和企业提供了参考以进行快速高效的城市决策，也为居民提供了选择生活环境的重要依据．

感谢天津大学建筑学院场立方工作组丁梦月博士在本文写作期间给予的帮助．

［1］ 肖作鹏，柴彦威，张 艳. 国内外生活圈规划研究与规划实践进展述评[J]. 规划师，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，Fortin 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］ 黄 涛. 基于GIS的快递末端自提网点布局研究[D]. 西安：长安大学，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，倪丽丽，等. 基于空间句法的老城区商业服务设施落位优化研究——以天津市英租界片区为例[J]. 现代城市研究，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 伟，洪梦谣，谢 波. 基于供需匹配的武汉市15分钟生活圈划定与空间优化[J]. 规划师，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 杨，戴特奇，等. 公共服务设施布局优化模型研究进展与展望[J]. 城市规划，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. 基于机器学习的北京市快递网点布局研究[D]. 北京：北京交通大学，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. 基于机器学习的上海市肯德基快餐店选址研究[C]//共享与品质——2018中国城市规划年会论文集. 杭州，中国，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］ 汪晓春，熊 峰，王振伟，等. 基于POI大数据与机器学习的养老设施规划布局——以武汉市为例[J]. 经济地理，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. 小型餐饮选址中多源数据融合空间网格的神经网络模型[J]. 中国科技信息，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. 地表温度与城市空间分布结构的关系及其预测模型[J]. 中国园林，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 钢，杨 兰，贺建雄，等. 基于POI数据的西安市快递自提点空间格局及空间关系研究——以菜鸟驿站为例[J]. 地理科学，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 颖，潘洁雯，等. 城市街道网络分析方法比较研究：以Space Syntax、sDNA和UNA为例[J]. 城市规划学刊，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］ 张灵珠，晴安蓝. 三维空间网络分析在高密度城市中心区步行系统中的应用——以香港中环地区为例[J]. 国际城市规划，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］ 中华人民共和国城乡规划法[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.

温 雯，wenw@tju.edu.cn.

国家自然科学基金重点资助项目(52038007).

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

(责任编辑：金顺爱)