胡一可，溫?雯，劉雅心，鄭?豪

基于GAN的城市快遞自提服務設施選址優(yōu)化研究

胡一可1，溫?雯1，劉雅心1，鄭?豪2

(1. 天津大學建筑學院，天津 300072；2. 賓夕法尼亞大學設計學院，費城 19104)

快遞自提點作為社區(qū)服務設施，其選址落位影響著城市居民的生活便利程度，目前已經成為不可或缺的服務設施類型．爬取城市快遞自提點POI數據、城市人口密度數據與百度地圖城市空間形態(tài)影像數據，將矢量化處理后的道路數據通過sDNA計算道路接近度與穿行度兩種空間參數，并運用ArcGIS平臺將POI數據生成點密度熱力圖，通過漁網工具劃分城市單元，對人口密度數據、道路網絡結構測度數據、自提點密度數據進行矢量化重分類處理．計算城市空間形態(tài)、人口密度、道路網絡測度與自提點的相關性，并以此建立天津社區(qū)生活圈自提點與城市空間數據集．探索自提點的選址規(guī)律，建立深度學習GAN模型．再通過計算Pix2PixHD算法訓練過程的生成器與判別器的損失值來驗證模型可行性．并使用成都城市空間數據集進行測試以檢驗模型準確性，最后引入SVM、隨機森林、線性回歸模型進行準確性對比，結果顯示GAN模型具有較高的預測準確度(余弦相似度0.89，dHash相似度0.78，SSIM相似度0.70)．通過人口密度和城市空間形態(tài)參數的GAN深度學習模型成功預測了自提點熱圖，驗證了機器學習基于經驗與量化技術的決策能力．以尋求一種基于人工智能的城市社區(qū)生活圈快遞服務設施布局的生成方法，為未來社區(qū)服務設施選址提供了新思路．

快遞自提點；生成對抗網絡；社區(qū)服務設施；sDNA；城市空間形態(tài)

新型城鎮(zhèn)化階段要求城市發(fā)展重視生活品質和需求，社區(qū)生活圈規(guī)劃從城市宜居的價值導向出發(fā)，以居民日常生活為對象，致力于改善生活環(huán)境，提高居民生活的滿意度與福祉[1]．為促進社區(qū)居民公平、合理地共享資源，對社區(qū)服務設施空間布局進行持續(xù)監(jiān)測和量化分析，是規(guī)劃設計中至關重要的環(huán)節(jié)．

隨著經濟結構的轉變與大數據產業(yè)的不斷發(fā)展，電商產業(yè)不斷升級，居民購物方式逐漸轉變．在此背景下，建立社會化、信息化、智能化、國際化的物流體系已成為行業(yè)發(fā)展趨勢，快遞自提點及其相應空間的重要價值被重視．快遞自提點(以下簡稱“自提點”)作為城市社區(qū)生活圈設施的重要組成部分，其自身的生長邏輯、生存能力與社會、經濟、居民行為等基本信息密切相關．近年來，伴隨著物流業(yè)的發(fā)展和城市便利程度的提升，相關研究也逐步完善．以往研究多關注自提點的形成因素，其形成往往受到居住人口密度[2-7]、道路可達性和通行性[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]，以及社會經濟屬性(性別、年齡、學歷、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)設施布局的重要依據之一．

同時，城市快遞設施布局的優(yōu)化研究也較為豐富，現有研究多通過建立多目標評價模型結合進化算法尋找最佳選址，例如結合遺傳算法[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建加權模型結合社會網絡分析[18]探索物流網絡自提點；結合自動化理論進行離散事件動態(tài)系統建模[19]；或結合區(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]，來從一批候選位置中根據優(yōu)化目標選取最優(yōu)的設施布局區(qū)位．已有的非機器學習方法僅能算出優(yōu)化自提點的大致選區(qū)范圍，因前期數據收集難度較高而僅適用于示例城市，存在模型可復制性低、使用成本較高等問題．

近年來，機器學習以自動分析一類或幾類數據來獲取規(guī)律、發(fā)現作用機制、對未知數據進行預測[21].目前應用機器學習解決社區(qū)設施布局選址方面的相關問題已被學者關注：李珂[22]通過線性回歸、隨機森林等方法預測北京市快遞網點布局；原明清等[23]通過SVM研究上海市內適合的餐飲選址區(qū)域，汪曉春等[24]通過在城市中劃分網格利用13類設施建立ID3算法的決策樹以預測是否存在養(yǎng)老設施；胡蝶等[25]通過人流量、附近人口結構、交通設施、競爭力強度建立BP神經網絡模型以預測小型餐飲店選址．同時，深度學習的生成對抗網絡(generative adversarial network，GAN)已成為研究城市空間的重要手段，其預測性特點可用于生成城市圖像或興趣點布局．包瑞清[26]應用GAN的WGAN-GP算法生成地形并建立遮罩，預測未知區(qū)域的高程．Shen等[27]根據標記的道路、綠地、河流等空間元素生成數據集以預測城市規(guī)劃圖中的建筑排布．Shou等[28]運用GAN的Pix2PixHD算法與行人流量和城市空間數據預測街頭小販分布的熱圖．機器學習方法相較于傳統智能方法，可與大數據融合以提高模型效率，具有普適性高、可實時更新性強和便捷性高等優(yōu)點．

綜上所述，城市設施預測已形成通過大數據進行地理空間分析或相關性分析，再通過優(yōu)化決策模型進行預測的方法．然而，現有自提點研究多集中于地理學及交通學等領域，多基于區(qū)域核密度、標準差橢圓等空間統計學方法對城市自提點空間聚集程度進行分析[6,29]，從城市規(guī)劃領域結合道路、建筑等城市空間形態(tài)對自提點布局進行的研究較少．同時，鮮有研究將GAN算法運用于社區(qū)服務設施選址生成，而訓練后的深度學習算法可根據不斷更新發(fā)展的城市空間形態(tài)，對設施熱力分布進行預判，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)路以內城區(qū)為研究范圍，運用sDNA分析城市道路網絡空間形態(tài)，并通過ArcGIS平臺對人口密度、道路網絡結構測度、自提點密度數據進行矢量化重分類處理，對現存自提點空間布局規(guī)律與城市空間形態(tài)和人口密度的關系展開探究．通過疊置分析制作城市空間形態(tài)訓練集，點密度分析制作設施圖像訓練集，通過深度學習生成對抗網絡(GAN)的Pix2PixHD算法進行訓練，并驗證模型有效性，最后運用該模型預測其他城市的自提點空間落位．研究結果可為社區(qū)服務設施空間布局以及城市空間形態(tài)發(fā)展提供借鑒．

1?數據來源與分析方法

1.1?數據來源與整理

本研究采用自提點地理數據、人口密度數據與城市空間形態(tài)等多源異構數據，制作訓練數據集以輸入深度學習模型．圖1顯示了從數據來源、數據處理到訓練數據集生成的處理過程技術路線．

1.1.1?自提點數據來源與預處理

本文以天津市外環(huán)路以內的自提點為研究對象，其數據來源于2020—2021年在該區(qū)域爬取的多源數據，選取高德地圖、百度地圖POI(points of interests)數據，并結合百度街景地圖手動修正POI落位，得到共4254項非郵政自提點數據與467項郵政自提點數據．再經數據清洗與處理，對依托類型、服務對象與空間分布進行分析，最終得到3683項有效數據．

1.1.2?城市信息與人口數據來源與整理

現有城市規(guī)劃設計中日常生活服務功能的規(guī)模往往以服務距離或時間為依據，其中15min生活圈為城市社區(qū)配套設施研究提供了新的視角．結合既有對自提點取件行為的研究結論，與《城市居住區(qū)規(guī)劃設計標準》(GB 50180—2018)、天津市規(guī)劃和自然資源局《濱海新區(qū)十五分鐘生活圈實施規(guī)劃》中對15min社區(qū)生活圈策略的闡述，選定15min(800～1000m步行距離)作為統計半徑．使用Worldpop人口密度數據，并通過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平臺對百度地圖道路圖層進行重分類分析、緩沖區(qū)生成、ArcScan矢量化與線型網絡數據集生成處理，范圍涵蓋天津市外環(huán)路以內所有道路．

圖1?數據集處理流程

1.2?分析方法

1.2.1?城市道路網絡結構測度

基于自提點在道路上的分布受道路網絡空間關系的影響，本研究采用角度變化作為計算度量，道路長度作為權重，同時選用15min步行距離(此處取1000m)的歐幾里德距離[35]作為sDNA的測算方法，以更準確地表達城市網絡中路徑的實際長短．圖2顯示了兩種測度分析結果，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數值變化．

1.2.2?自提點布局與人口密度、城市空間形態(tài)的關聯程度

將清洗后的自提點POI數據，使用點密度估計以15min步行范圍為半徑生成圖像，以作為生成對抗網絡的輸入圖像．再運用ArcGIS漁網工具劃分15min步行范圍單元(1km×1km)，將自提點密度估計圖像、道路網絡結構測度圖像、人口密度圖像分別進行空間落位，并求取漁網單元內的柵格數據重分類平均值．同時，統計每個漁網單元內的水體密度、綠地密度、道路密度以及建筑密度．將所得多項計算結果進行屬性表連接，并進行歸一化處理．通過Person偏相關分析，探討自提點布局與人口密度、城市空間形態(tài)、道路網絡結構的關聯程度，較高的相關性說明人口密度與城市空間形態(tài)對預測自提點分布模型的切實有效性．

1.2.3?深度學習的生成對抗網絡(GAN)模型

機器學習建立在傳統大數據分析方法之上，通過使用輸入數據和算法來估計未知結果，從數據中學習以提供對數據的見解與對城市的決策和預測．在機器學習模型中，生成對抗網絡是由蒙特利爾大學Goodfellow等[37]在2014年提出的深度學習架構，由生成器和判別器組成，旨在通過生成的數據樣本信息與自然圖像來對后者的分布進行建模，使GAN能夠學習和生成高階特征．運用GAN建立社區(qū)自提點預測模型，需制作數據集以輸入生成器與判別器進行訓練，從而使輸入數據集在生成器中得到的生成圖像與輸出數據集中的真實圖像進行對抗平衡，通過GAN記錄并學習自提點的分布規(guī)律以供預測其他地塊的自提點熱圖．

2?社區(qū)快遞服務設施的生成對抗網絡模型

2.1?訓練數據集準備

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

使用ArcGIS漁網分析工具結合SPSS數理計算工具進行城市空間形態(tài)、居住人口密度與自提點布局的Person偏相關分析(表1)．其中，道路網絡結構測度采用上述分析得出的NQPDA與TPBtA．結果表明綠地密度、水體密度與自提點布局之間有著顯著的負相關關系(＜0.01)，建筑密度、道路密度與自提點布局之間有顯著的正相關關系(＜0.01)，人口密度與自提點布局之間有著較為顯著的正相關關系(＜0.05)，NQPDA測度與自提點布局之間也有著顯著的負相關關系(＜0.01)，TPBtA測度與自提點布局之間未見顯著相關關系．故將人口密度數據、城市空間形態(tài)數據(建筑、道路、水體、綠地)、NQPDA測度納入GAN模型輸入數據集以作為訓練圖像．

表1?城市空間形態(tài)、人口密度與自提點的相關性分析

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

注：*＜0.05；**＜0.01．

2.1.2?訓練數據集生成

與此同時，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．然而簡單的線性回歸分析不能應對多源大數據的不同維度，無法將城市空間的二維復雜排布表達在一維數據中．因此通過百度地圖爬取道路與建筑圖層信息，分別與上述sDNA測度與人口密度數據進行疊加處理，再通過界線明確的RGB色彩分配(表2)實現計算機清晰識別區(qū)分．其中，RGB通道(紅、綠、藍通道)同時為0時代表城市基底，R通道255～0表示NQPDA由高到低的數量值，G通道代表綠地，B通道代表水體，RGB三通道同時為255～0的某一數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測度與原道路形態(tài)疊加，即保留原道路寬度等圖像信息．數據收集過程結束后，將城市地圖空間數據與自提點分布進行坐標轉換、信息疊置與切割處理(圖3)．同時，此處將自提點密度圖像制作為黑白圖像以提升訓練效果，因為在多次實驗后發(fā)現黑白圖像便于計算機清晰識別．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熱力圖，二者按照序號對應且覆蓋相同的地理區(qū)域．

表2?城市空間形態(tài)地圖顏色標注規(guī)則

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

2.2?模型的訓練

通過以上訓練數據集生成與整理，采用GAN的Pix2PixHD算法來訓練模型，運用GAN中的兩個神經網絡生成器(G)和判別器(D)使訓練結果更為精準，前者生成語義標簽圖像供后者鑒別，而后者則被反復訓練以區(qū)別真假圖像(見圖4)．生成器是卷積神經網絡和反卷積神經網絡的組合，鑒別器由卷積神經網絡構成．城市空間形態(tài)通過生成器映射得到潛在設施分布圖像，而判別器可將生成器得到的設施分布圖像(transformed)與實際圖像(ground truth)區(qū)分開[38]．隨著迭代次數的遞增，模型將包含精度由粗到細的生成器、多尺度判別器和逐漸準確的對抗學習目標函數．

2.3?模型的結果與驗證

模型在訓練過程中遍歷了訓練集中的6498張圖片，在其中每個訓練的時間單元(Epoch)中，將有一張輸入圖像被發(fā)送至神經網絡中，在結束前可通過輸出的圖像精度來判斷訓練的完整性．圖5顯示了訓練模型在幾個關鍵訓練時間單元中的表現，在其由始至終的訓練歷程中，生成圖像與真實圖像經過了從不夠準確到極少出錯的過程．另外，在訓練過程中模型將記錄生成器和判別器的損失值觀察其相互競爭的過程以驗證訓練結果的準確性，圖6顯示二者呈現出相互咬合此消彼長的趨勢，可見模型的訓練過程較為有效．

圖3?城市形態(tài)地圖(輸入)與自提點密度(輸出)的訓練數據集

圖4?Pix2PixHD模型的生成器與判別器

圖5?不同時期的模型訓練精準度

圖6?Pix2PixHD訓練過程損失值

3?社區(qū)快遞服務設施生成對抗網絡模型預測

3.1?預測數據集制作與模型的預測

為了進一步探索模型運行的準確度并驗證其適用性，本研究使用訓練完的模型對其他城市進行測試．為了提高預測的準確性，本研究對9個國家中心城市[39]的自提點分布密度進行計算，結果顯示成都市與天津市最具相似的快遞自提點分布密度；加之二者的郵政局數具有相近的排行(國家統計局)，并有著相似的年末常住人口與線上消費活躍度(知城數據平臺)．故本研究選取成都市城市空間形態(tài)與自提點數據，使用相同數據處理方式準備測試數據集輸入模型．為減少模型的個別誤差，增加模型的迭代次數，提高預測結果的準確性，第1次測試完成后將城市圖像向右下平移256個像素再次進行圖像分割計算，并輸入測試數據集進行2次測試，兩次測試的結果疊加可有效提高測試模型的真實性．圖7顯示了預測的成都城市自提點分布位置信息，可根據模型輸出的熱力地圖提供選址建議．

圖7?測試數據集準備與GAN測試結果

3.2?預測結果相似度檢驗

為進一步驗證模型預測的準確性，引入支持向量機(SVM)、隨機森林(Random Forest)、線性回歸(Linear Regression)3種機器學習算法進行對比，將訓練數據集像素點進行RGB三通道矢量化后輸入以上模型分別訓練，并以同樣的預測數據集進行設施熱點預測，將所得結果與本文Pix2PixHD模型進行準確性對比(圖8)．同時，通過Java程序將GAN預測圖像打散為數量不變位置隨機分布的像素點干擾圖像與預測圖像進行相似度計算．最后通過爬取測試城市真實POI數據以生成熱力圖，并采用余弦相似度、結構相似度度量與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行相似度檢驗，并進行歸一化處理．將GAN、SVM、Random Forest、Linear Regression模型生成預測值分別與真實值進行相似度對比，并將隨機生成與原始GAN預測值進行相似度對比(表3)，結果顯示城市自提點生成對抗網絡模型具有較理想的實踐應用效果．4種機器學習的設施平均預測準確性強度順序為GAN模型(0.77)＞Linear Regression模型(0.60)＞Random Forest模型(0.47)＞SVM模型(0.40)，同時根據GAN預測結果隨機生成的圖像與真實值相似度(0.41)＜GAN預測圖像與真實值相似度(0.77)，這說明了GAN預測方法的有效性．GAN模型相較于其他模型存在可以直接輸入圖像數據、訓練速度更快、運行數據量更精煉、預測結果更加準確等優(yōu)點．

圖8?真實值和不同模型測試結果對比

表3 余弦、結構相似度與OpenCV哈希算法歸一化結果比較

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

3.3?預測結果分析

神經網絡生成地圖顯示，多數情況下具有高人口密度和多路段交叉口的點更易引發(fā)自提點選址．在測試后合成數據集中，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密度較低，可能因為其附近存在河流與大量綠地空間；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，其自提點聚集較多；四道街和過街樓社區(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，其周圍也存在大量自提點聚集的現象．同時，在本次結果中沒有發(fā)現人口密度低且產生自提點集聚的情況．

為了更好地驗證何種要素能對自提點布局產生影響，本文進行了6組控制變量實驗(圖10)．單組實驗的輸入圖像中僅有一個要素發(fā)生變化，其他要素和輸入范圍不變．6組控制變量實驗如下：實驗a，將建筑刪除；實驗b，將人口密度增至最大值；實驗c，將sDNA值降至最低；實驗d，將道路刪除；實驗e，將綠地刪除；實驗f，將水體刪除．再分別對改變后的輸入數據進行圖像分割與預測，并對所得預測結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組實驗結果與原始預測結果進行平均灰度值比較，平均灰度值越高，則代表預測結果圖像色彩越白，自提點越多．結果表明，原始預測結果平均灰度值為169，改變條件后的預測結果平均灰度值較原始預測結果有所變化(實驗a：147；實驗b：170；實驗c：160；實驗d：148；實驗e：171；實驗f：176)．實驗得出建筑(實驗a)和道路(實驗d)存在會對自提點布局帶來正向影響，綠地(實驗e)和水體(實驗f)會對自提點布局帶來負向影響，人口密度(實驗b)的提升會使自提點數量小幅度增加，道路網絡結構測度(實驗c)的上升會使自提點數量較小幅度增加，即NQPDA(接近度)上升會使自提點分布數量增加．此時道路接近度較高，可吸引更多自提點，是因為二級道路往往比城市主干道更適合步行．

圖9?社區(qū)自提點設施預測典型空間

同時，結果顯示原始輸入數據通過模型預測的某些存在自提點的區(qū)域，實際尚未建成(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，可以成為運營機構優(yōu)先考慮的自提點選址．

4?結語與討論

本研究爬取城市自提點POI數據與百度地圖城市空間形態(tài)影像數據，將矢量化處理后的道路數據通過sDNA計算道路接近度與穿行度兩種空間參數．通過計算人口密度、城市空間形態(tài)、sDNA測度與自提點布局的相關性，得出三者分別與自提點設施點位有較為顯著的相關關系．因此，將人口密度和城市空間形態(tài)參數作為輸入數據集，自提點密度作為輸出數據集，建立社區(qū)快遞自提點設施選址的生成對抗網絡模型并進行訓練，可為新城建設和老城更新中的社區(qū)服務設施選址提供方法借鑒．記錄并計算訓練過程損失值，并使用初步訓練完成的網絡模型對成都市自提點設施空間落位進行預測，以驗證模型的有效性．最后，建立支持向量機、隨機森林、線性回歸自提點預測模型進行訓練和預測，所得結果說明GAN模型有更高的準確性．

本研究通過人口密度和城市空間形態(tài)參數的GAN深度學習模型成功預測了自提點站點的熱圖，驗證了機器學習基于經驗與量化技術的決策能力．同時，本團隊已創(chuàng)建了一個基于GAN的線上社區(qū)設施預測平臺CityLifeAI，該平臺可通過城市空間形態(tài)預測全國快遞自提點活躍指數熱圖，并仍在不斷更新強化其訓練集數據．未來城市的設計需要不斷引入企業(yè)注資，增加經濟來源以提高城市活力，該平臺可向政府與企業(yè)建議多個城市的自提點可選址區(qū)域．

自提點在城市中的地理選址是一項反映城市居民的集聚位置、日常偏好、經濟基礎與消費能力的重要研究，因此在未來的研究中還應該增加更多的考慮因素以更好地解釋其落位的根本原因，如城市居民的經濟區(qū)位分析、年齡分段地理分布等，以豐富指標類型，從而提高預測結果準確性．在未來，隨著信息的公開和專業(yè)領域的技術改進，可獲取更多可用于人工智算法的數據，可嘗試新方式獲取更準確的數據以豐富訓練數據集．最重要的是，本文的GAN研究方法在城市規(guī)劃領域有一定應用價值，可以用作預測其他類型的城市基礎設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．

感謝天津大學建筑學院場立方工作組丁夢月博士在本文寫作期間給予的幫助．

［1］ 肖作鵬，柴彥威，張?艷. 國內外生活圈規(guī)劃研究與規(guī)劃實踐進展述評[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，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］ 黃?濤. 基于GIS的快遞末端自提網點布局研究[D]. 西安：長安大學，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)服務設施落位優(yōu)化研究——以天津市英租界片區(qū)為例[J]. 現代城市研究，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. 公共服務設施布局優(yōu)化模型研究進展與展望[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. 基于機器學習的北京市快遞網點布局研究[D]. 北京：北京交通大學，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. 基于機器學習的上海市肯德基快餐店選址研究[C]//共享與品質——2018中國城市規(guī)劃年會論文集. 杭州，中國，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大數據與機器學習的養(yǎng)老設施規(guī)劃布局——以武漢市為例[J]. 經濟地理，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據融合空間網格的神經網絡模型[J]. 中國科技信息，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構的關系及其預測模型[J]. 中國園林，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數據的西安市快遞自提點空間格局及空間關系研究——以菜鳥驛站為例[J]. 地理科學，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. 城市街道網絡分析方法比較研究：以Space Syntax、sDNA和UNA為例[J]. 城市規(guī)劃學刊，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. 三維空間網絡分析在高密度城市中心區(qū)步行系統中的應用——以香港中環(huán)地區(qū)為例[J]. 國際城市規(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.

國家自然科學基金重點資助項目(52038007).

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

(責任編輯：金順愛)