论文：A Spatial and Adversarial Representation Learning Approach for Predicting Land Use of Zones with POIs
背景介绍
城市，作为一个复杂的空间与人文系统，其中存在着多种类型的兴趣点，如商场、银行等。兴趣点数据具有覆盖范围广、快速、获取简单等特点。
了解与表征城市对便利居民生活、高效利用土地资源、改善城市功能区感知以及助力智慧城市建设等有着重要支撑作用，具有重要的学术价值和现实意义。
随着城市的发展与扩张，城市区域常常会偏离原有类型。使用频繁更新的数据及时了解与表征城市区域，预测城市区域类型，对城市规划有着重要的意义。同时，其可以为人类移动轨迹预测、面向用户的位置推荐等城市相关任务提供辅助信息，具有重要的支撑作用。城市区域内包含非常多的兴趣点信息，我们的目标是通过挖掘区域内频繁更新的兴趣点数据，进行城市区域表征学习与区域类型预测。
现有方法往往先学习POI的表示，然后对区域内POI进行聚合以学习城市区域表征。这些方法损失了许多POI类别的潜在信息，并不能感知每个区域POI的空间配置和类别层次。我们根据区域中POI分布将区域表示成一个三维张量；再根据已知的类别层次结构以及分布在区域内的所有兴趣点为每一个区域构造区域语义树。通过这两种特征，分别挖掘区域空间信息与区域语义信息。
方法
我们提出的城市区域表征与分类模型，主要包含三个部分：区域空间特征挖掘、区域语义特征挖掘以及多元特征融合预测。
- 区域空间特征挖掘模块：利用卷积神经网络学习三维张量，捕捉兴趣点的局部位置关系，学习区域空间特征表示。
- 区域语义特征挖掘模块：利用一种深度自动编码器挖掘语义树，学习区域语义特征表示。我们构造语义模式提取器来获取高权重节点组成的子树，并基于生成对抗的思想进行挖掘，以捕捉语义树中的关键特征，。
- 多元特征融合预测模块：基于区域空间特征和语义特征，采用 Wide & Deep结构进行特征融合，然后输入到分类器中。
同时，区域的类型标签信息也可以回传给深度网络，进而增强区域特征表示。最后，针对城市中所有区域联合优化这三部分目标函数。在预测阶段，将区域内兴趣点位置以及区域内兴趣点语义树分别传给卷积神经网络和编码器来获得区域空间特征和区域语义特征，然后传入Wide & Deep网络来预测区域功能类型。
实验结果
下面是模型与其他方法的对比。
