随着智慧城市理念的提出和机器学习技术的不断发展,城市计算已成为当前热门的研究领域。本文借助机器学习的方法对城市计算中城市酒店发展趋势问题进行了深入研究,主要采用迁移学习的方法对城市数据进行分析和挖掘。与已有工作相比,本文在城市相似度衡量方法和迁移学习方法在城市酒店发展趋势预测中的应用上提出了不同实现方案,并通过设计实验和实际算法可视化系统的应用验证了方案的正确性和可行性,作者独立完成了如下工作:城市中的数据具有数据类型多、分布范围广的特点,如何提取与目标问题关联度高的数据类型是在数据准备阶段需要解决的问题,本文提出一种基于城市兴趣点位置和数量信息的城市数据采集方法,采集了15个不同类型城市的数据,用于后续的实验工作;迁移学习的核心就是要找到相似度高的领域,并将其相关知识进行迁移,因此领域之间相似度的衡量是迁移学习中的一个关键问题,特别地,针对城市数据,本论文提出了一种基于网格化城市数据的城市特征提取和相似度计算方法,实验结果表明该计算方法能够正确地衡量两城市之间的相似关系;与发达城市相比,城市酒店的选址规划需求在欠发达城市的往往更大,但欠发达城市数据量小,基于单个城市的机器学习算法拟合程度不高是一个难点问题,本论文借助迁移学习的方法,使用多源相似城市数据进行城市酒店发展规模预测模型的训练,实验证明基于迁移学习的城市酒店发展规模预测算法有效地提高了城市酒店分布和规模预测的准确性;本论文将城市酒店发展规模预测模型进行了可视化系统实现,以一种直观的可视化方式展示城市酒店发展趋势预测算法的实际运行效果,该展示系统具有搜索和定位显示目标城市、可视化显示城市网格化结果和对城市酒店的分布规模进行预测并显示结果三大功能。实验证明本论文提出的城市相似度度量方法和城市酒店发展趋势预测算法在实际可视化应用中是正确可行的。经实验验证本文提出的城市相似度计算算法和基于相似度的迁移学习方法能够准确地预测城市酒店的发展趋势,为商业酒店的选址决策工作提供帮助,同时为其他类型的企业选址提供方法基础。