近年来,越来越多的消费者变得习惯于使用在线点评类软件。他们在消费前进行全面的搜索与对比,消费时进行签到打卡,并在消费后发表自己的体验与感受。如何利用这些与商业活动密切相关的海量在线点评软件数据,预测城市商业活跃度和商业实体的变迁趋势,对于城市规划和投资价值分析具有重要的现实意义。然而一方面现有的城市商业活跃度预测方法存在着如何捕获非线性时空关系、如何提取局部空间关系以及如何建模近期与周期性时间关系等问题;另一方面,商业实体经营趋势预测也面临着如何准确提取评论语义、如何建模用户重要度与评论习惯以及如何模拟集群效应等问题。本文主要工作体现在如下方面:(1)针对城市商业活跃度预测,本文提出了一种基于评论与签到数据的深度时空残差神经网络模型(Deep Spatio-temporal Residual Network,DSTRN)。该模型在空间维度上,使用局部CNN捕获临近区域的密切空间关系,避免了远距离的无关区域影响;在时间维度上,基于3D卷积神经网络分别提取了商业活跃度的近期性与周期性演变趋势,并通过LSTM神经网络对这两种时间特性进行集成。此外,为了提取高维时空关系,ResNet被集成至3D卷积神经网络,用以避免由于网络深度的增加而产生的梯度消失与退化问题。(2)针对商业实体经营趋势预测,本文以餐厅为例提出了一种基于在线点评软件数据的多视图语义业务集群效应模型(Semantic Business Cluster Effect Model,SBCM)。该模型在语义维度上,通过多粒度的情感分类神经网络模型提取了评论的丰富语义,并且附加了一个可以反映评论重要性、用户影响力与评论习惯的权重;在业务属性维度上,通过计算业务属性的重要性进行排序,筛选重要的业务属性;在集群效应维度上,通过密度聚类获得商业实体集群,并计算其商业活跃度来反映集群效应的强弱。最后,该模型引入LightGBM对多种特征进行整合,在训练后可实现商业实体经营趋势预测。(3)使用Yelp的公开数据集分别验证提出的两个模型的准确性。结果显示,DSTRN 相较 HA、ARIMA 与 XGBoost 在 MSE 指标上,分别提升了 51.2%,57.5%与8.5%。其次,SBCM相较SVM与XGBoost在AUC指标上,分别提升了 14.0%与3.4%。此外,本文给出了使用DSTRN模型预测城市商业活跃度变迁趋势的实际效果和SBCM对业务属性的重要性排序。