La selección de sitios de construcción para Edificios Públicos Culturales y de Museos (CMPBs) tiene un profundo impacto en sus operaciones y desarrollo futuros. Para mejorar la eficiencia en la selección y planificación de sitios, desarrollamos un modelo predictivo que integra Redes Neuronales Artificiales (ANNs) y Algoritmos Genéticos (GAs). Tomando a Shanghái como nuestro estudio de caso, utilizamos más de 1.5 millones de puntos de datos de interés de los Valores de Vitalidad de Visita (VVVs) de Amap, provenientes de Dianping y del mapa del área administrativa de Shanghái. Analizamos y compilamos datos para 344 sitios, cada uno conteniendo 39 conjuntos de datos de infraestructura y un conjunto de datos de vitalidad de visita para la entrada del modelo ANN. Luego, el modelo fue probado con datos no entrenados para predecir los VVVs basados en los 39 conjuntos de datos de entrada. Realizamos un análisis de multiprecisión para simular varios escenarios, evaluando la aplicabilidad del modelo a diferentes escalas. Combinando GA con nuestro enfoque, predijimos mejoras en la vitalidad. Este método y modelo pueden contribuir significativamente a la planificación temprana, diseño, desarrollo y gestión operativa de los CMPBs en el futuro.