基于图神经网络自监督聚类的城市巡逻案件紧急度分类方法

《PLOS One》：An urban patrol case urgency classification method based on self-supervised clustering of a graph neural network

　　

对城市巡逻案件的准确评估在维护城市安全和提升城市治理效率方面发挥着重要作用。城市巡逻案件的危害等级可通过其紧急度水平反映，优先处理高紧急度案件有助于降低公共安全潜在风险。然而，在可靠紧急度标签有限或不可获取的情况下，评估城市巡逻案件的紧急度水平仍具挑战性。为解决此问题，本文提出一种基于图神经网络（Graph Neural Network，GNN）自监督聚类的城市巡逻案件紧急度分类方法。首先，从城市巡逻案件中构建案件关系图；随后预训练一个基于图注意力机制（Graph Attention，GAT）的自编码器以学习节点表示，并使用K-means初始化聚类中心；最后，联合优化表示学习和聚类过程，在不使用人工标注标签进行训练的前提下识别面向紧急度的聚类。实验采用来自中国郑州的6126条城市巡逻案件记录进行验证。所提方法实现了0.7458的召回率（Recall）、0.7465的精确率（Precision）、0.7424的准确率（ACC）、0.7403的F1分数（F1-score）以及0.4517的归一化互信息（Normalized Mutual Information，NMI）。与最强基线方法TADW相比，所提方法在上述指标上分别提升了0.0617、0.0479、0.0650、0.0690和0.0407。这些结果表明，该方法能够有效学习与紧急度相关的潜在表示，并提升城市巡逻案件的分类质量。

论文解读文章

一、研究背景与问题

随着城市化进程加速，城市安全问题日益凸显。城市管理人员通过街道巡逻发现城市建设中的各类问题，形成大量巡逻案件数据。多个城市巡逻案件可能在同一时期发生，需根据事件的紧急度水平进行优先级排序，优先处理高危害事件，以减少对人身安全的影响。然而，在实际城市管理场景中，大规模专家标注的紧急度标签数据极为稀缺，且标签本身具有主观性——不同调度人员常对相似案件赋予不同的紧急度等级，导致监督信号不一致且含噪声。此外，紧急度水平可视为嵌入案件特征分布中的潜在分组结构：具有相似时空特征、事件类型和上下文属性的巡逻案件往往需要相似的响应优先级。因此，如何在无可靠紧急度标签的条件下有效评估案件紧急度，成为亟待解决的关键问题。

二、研究内容与结论

研究人员提出了一种基于图神经网络自监督聚类的城市巡逻案件紧急度分类方法。该方法将紧急度分类构建为一个无监督的图聚类问题，通过构建案件关系图、预训练图注意力自编码器、K-means初始化聚类中心以及端到端联合优化表示学习与聚类目标，在完全不使用历史紧急度标签进行训练的条件下，成功识别出与紧急度相关的聚类结构。实验采用中国郑州的6126条真实城市巡逻案件记录进行验证，结果表明该方法在召回率、精确率、准确率、F1分数和归一化互信息等指标上均优于所有对比基线方法，证明了其在无标签条件下有效学习紧急度相关潜在表示的可行性。

三、关键技术方法

研究人员采用了以下主要技术方法：（1）案件关系图构建：基于空间邻近性和事件类型相似性，将原始巡逻记录转化为带属性的案件关系图（Attributed Case-Relationship Graph），每个案件作为节点，节点特征包含事件类别、发生时间、地理坐标和管理区域等预处理后的属性；（2）图注意力自编码器预训练：利用图注意力网络（Graph Attention Network，GAT）作为编码器，通过注意力加权的邻域聚合整合节点属性与结构信息，内积解码器重构图结构，在无监督方式下学习稳定的低维节点表示；（3）K-means初始化与联合聚类优化：对预训练嵌入应用K-means初始化聚类中心和伪标签，随后联合优化图重建损失和基于聚类中心的聚类损失，迭代更新伪标签与模型参数，使潜在表示空间向更紧凑、可分离的紧急度相关聚类方向演化。

四、研究结果

1. 实验设置：模型基于PyTorch和PyTorch Geometric实现，编码器由两层GAT组成，隐藏维度64，潜在嵌入维度16，采用RMSprop优化器，初始学习率0.005，权重衰减系数0.00005。聚类数量设为5，对应预定义的紧急度等级。历史紧急度标签仅用于事后外部评估，不参与模型训练。

2. 实验分析：与BIRCH、K-means、K-means++、ISODATA、RMSC和TADW六种基线方法进行全面比较。所提方法在所有五个评估指标上均取得最优结果：宏平均召回率0.7458、宏平均精确率0.7465、准确率0.7424、F1分数0.7403、归一化互信息0.4517。最强基线TADW的对应值为0.6841、0.6986、0.6774、0.6713和0.4110。传统聚类方法如K-means表现有限，其精确率虽达0.6258，但召回率仅0.2042，表明聚类结构严重不平衡。混淆矩阵分析进一步显示，所提方法产生了最集中的对角分布，对类别4和类别5的召回率较TADW分别从42.66%提升至57.63%、从56.44%提升至76.61%，整体分类更均衡。

3. 消融实验：系统性移除各关键组件后发现：（1）去除图自编码器预训练导致ACC下降至0.6095，F1降至0.5821，表明预训练对稳定表示学习至关重要；（2）仅使用空间边构建图的变体ACC为0.7286，远高于仅使用语义边的0.5847，说明空间邻近性贡献更大，但两者结合效果最佳；（3）去除聚类损失或直接用K-means处理预训练嵌入而不进行联合优化，性能均显著低于完整模型，证实了端到端联合优化的必要性。

4. 超参数敏感性分析：针对GAT层数、隐藏维度和潜在嵌入维度进行单因素敏感性实验。结果显示：两层GAT结构最优（ACC 0.7424），一层欠拟合，三层因过度平滑导致性能下降；隐藏维度64为最佳选择（ACC 0.7424），过高或过低均影响性能；潜在嵌入维度16在紧凑性与性能间达到最佳平衡（ACC 0.7424）。

五、讨论与结论

讨论：所提方法的性能提升归因于案件关系图建模、图表示学习与聚类导向联合优化的协同作用。传统聚类方法仅在原始属性上操作，无法显式表达案件间的上下文依赖关系。相比之下，所提框架将城市巡逻案件建模为属性图，融合事件属性与空间、语义关系。消融实验证实了各主要组件的贡献，其中预训练和空间关系建模贡献最大。研究仅使用紧急度判定前可获取的属性作为输入，排除了响应优先级、处置结果等后决策变量，以避免目标泄露。结果的不确定性来源包括：输入记录可能存在缺失或不一致、历史紧急度标签可能含有主观判断、图构建依赖于近邻参数设置等。

研究结论：本文提出了一种基于自监督深度图聚类的城市巡逻案件紧急度分类框架。该框架通过构建案件关系图、预训练图注意力自编码器以及联合优化表示学习与聚类目标，在不使用历史紧急度标签的条件下实现了有效的紧急度分类。实验结果表明，该方法在6126条郑州城市巡逻案件数据集上取得了优于所有对比基线的性能，证明了其在无监督条件下学习紧急度相关潜在表示的有效性，为城市治理中的案件优先级评估提供了一种新的技术途径。