随着城市系统数据的不断增长与多样化,如何将地理空间信息有效地转换为机器学习友好的表示,已成为城市规划、交通工程与空间科学的核心挑战。City2Graph 正是在这种背景下应运而生的开源工具,它将 GeoPandas、NetworkX 与 PyTorch Geometric 的能力整合为一个统一接口,帮助研究者与工程师从建筑、街道、公共交通、OD 矩阵和兴趣点等多源地理数据构建可供图神经网络(GNN)训练的图结构。City2Graph 不仅简化了数据转换流程,还支持异构图建模,便于表达城市系统中节点与边的多种类型和关系,从而为复杂城市问题提供更具表现力的图表示。 City2Graph 的设计理念是桥接传统 GIS 与现代深度学习之间的鸿沟。传统 GIS 擅长空间分析、拓扑处理与投影变换,但在将结构化空间关系用于深度学习模型时常需大量手工预处理。City2Graph 将这些繁琐环节自动化,例如从 OpenStreetMap 或 Overture Maps 中提取建筑与道路信息、将 GTFS 转换为可用于交通可达性分析的图、将 OD 矩阵装配成流动边缘,从而把地理信息直接转变为 PyTorch Geometric 的 Data 或 HeteroData 对象。
对研究者而言,这意味着可以把精力更多地放在模型设计与实验上,而不是数据清洗和格式转换。 在功能层面,City2Graph 覆盖了城市形态(建筑、街道、土地利用)、交通系统(GTFS 数据解析与旅行汇总)、邻接或接触关系(多边形多重邻接关系)、流动数据(OD 矩阵、共享单车或步行流量)以及空间接近性建模(固定半径、KNN、Waxman 模型等)等多个方面。它还支持多模式的边构造,例如将 POI(兴趣点)通过街道网络的多跳路径连接,形成基于元路径(metapath)的关系,用于捕捉功能性连通性,而不仅仅是几何距离。 对于想要快速上手的开发者,City2Graph 提供了便捷的安装选项。通过 pip 安装 core 包或同时安装带 PyTorch 与 PyG 支持的扩展版本,可以在 CPU 或不同 CUDA 版本的 GPU 上运行。它兼容常用的开源地理数据格式,例如 GeoPackage、Shapefile 与 CSV,能够直接处理 GeoPandas 的 GeoDataFrame,从而减少数据转换成本。
此外,City2Graph 对 PyTorch Geometric 的原生支持使得导出的异构图能够直接用于 GNN 训练流水线,方便与现有深度学习框架衔接。 City2Graph 在构建异构图时的一大优势是对多类型节点与多关系边的天然支持。城市系统通常包含街道段、路口、站点、建筑、行政区划与服务设施等多种实体,而这些实体之间存在不同语义的关系,例如"连接""邻近""覆盖""属于"等。使用 City2Graph,可以按照领域语义定义节点层与边类型,并选择合适的属性作为边权重或节点特征。举例来说,可以将街道段的长度、道路等级、平均车速作为边属性,将建筑物的面积、楼层数、用途作为节点属性;同时利用元路径将 POI 间经街道网络的可达性编码为新的关系,以探索空间功能网络的隐含结构。 在交通与可达性研究中,City2Graph 的 GTFS 支持尤为重要。
GTFS 数据包含路线、停靠站与时刻表信息,City2Graph 能解析这些信息并生成旅行汇总图(travel summary graph),帮助研究者分析公共交通网络的时空可达性。例如可以计算某一时间窗口内站点到站点的最短旅行时间、换乘次数或覆盖范围,并将这些统计作为节点或边特征输入 GNN,用于预测客流、识别瓶颈或进行网络优化。结合街道网络,还能构建多模式交通图,用于研究步行、骑行与公共交通的互补性与耦合效应。 在流动数据建模方面,City2Graph 支持将 OD 矩阵转换为图结构,将区域(如小区或行政区)作为节点,将出行量作为边权重,从而直接将流动模式引入到图学习任务。对于共享单车或出租车数据,可以将站点或网格单元构建为节点,利用时间窗内的流量变化生成动态图序列,再结合 GNN 与时序网络开展需求预测或异常检测研究。City2Graph 的空间分组功能还能将点状设施与多边形区域关联,例如统计某一区域内的医院或学校数量并将统计结果作为区域节点属性,丰富图的语义信息。
城市分析中常遇到的另一个问题是如何定义节点间的空间邻接关系。City2Graph 提供多种邻接生成方法,例如固定半径、最近邻、Waxman 模型以及基于网络距离的邻接。固定半径适合描述最近邻影响范围,最近邻方法更适用于维持每个节点相同的连通度,而 Waxman 模型可以在模拟随机网络时引入距离衰减系数。更重要的是,City2Graph 支持基于网络距离(例如沿街道的步行距离)构建邻接,这对于分析城市可达性尤为关键,因为欧氏距离往往无法反映真实的人类移动路径。 对于想要探索复杂关系的研究者,City2Graph 的元路径扩展(metapaths)功能允许在异构图中挖掘跨层级的连接。例如可以定义"POI - is_nearby - street_segment - connects - street_segment - is_nearby - POI"的元路径,通过街道网络连接功能相近但在空间上可能不相邻的兴趣点。
这类元路径衍生的边能够捕捉功能性连通性,用于社区发现、服务可达性评估或推荐系统中的地理相关性建模。 City2Graph 在实践中可以支持多种下游任务。用于图神经网络的节点分类,可以帮助识别高风险建筑、预测区域犯罪概率或对交通流量进行分类。用于边预测的任务可以预测未来的出行需求或道路拥堵趋势。表征学习方面,City2Graph 能将复杂的地理关系编码为低维向量,为城市指标的聚类、相似性检索或可视化提供输入。通过将空间属性与网络拓扑结合,GNN 模型常常能够捕捉到传统特征工程难以发现的交互效应,从而提升预测精度与解释能力。
在使用 City2Graph 时,有若干实践上的建议可以帮助提高效率与结果质量。首先,合理选择坐标参考系(CRS)非常重要。许多空间计算如缓冲区、距离计算或面积统计依赖于投影坐标系,使用局部合适的投影可以避免单位不一致带来的误差。其次,在构建邻接或元路径时应考虑数据的尺度与语义,过度连接可能导致图过度稠密,影响训练效率与模型泛化;但连接不足又可能丢失重要的关联信息。第三,在导出到 PyTorch Geometric 前,尽量对节点与边属性进行标准化与缺失值处理,确保模型训练时数值稳定性。 此外,City2Graph 的可扩展性也值得关注。
对于大规模城市级别的图,内存与计算瓶颈可能成为限制因素。此时可以采用分片策略、图抽样或基于区域子图的训练方法来降低资源消耗。配合 PyG 的采样器(如邻居采样)或使用图数据库进行预处理,也能在数据规模增长时提高处理效率。针对动态图或时序数据,可以将 City2Graph 作为数据预处理层,输出按时间切片的图序列供时序图神经网络使用。 在比较工具链时,City2Graph 的独特价值在于它对地理学语义的理解,以及对异构关系的便捷建模。与仅提供网络分析的传统工具不同,City2Graph 更关注如何把地理实体与关系转化为可用于深度学习的格式,这使其在 GeoAI 研究社区中具有较高的实用性。
它与 GeoPandas、NetworkX 与 PyG 的兼容性降低了学习成本,使研究者能够利用现有生态系统中的数据与算法加速试验。 City2Graph 也在社区与学术生态中展现了良好的延展性。项目开源并提供引用模板,便于科研成果的传播与复现。随着城市数字化与数据共享的不断推进,像 City2Graph 这样的工具将成为连接空间数据与先进机器学习方法的桥梁,促进跨学科合作。开发者可以基于 City2Graph 扩展更多领域特定的图构建方法,例如能源网络建模、环境暴露评估或城市韧性分析等。 在未来发展方向上,可以期待 City2Graph 在多个方面的增强。
更强的可视化与交互式调参界面将降低非技术用户的使用门槛;对更复杂时空动态的原生支持将使得短期出行预测与疫情传播建模等任务更加高效;以及与云原生平台或图数据库的深度整合将提升大规模城市数据处理能力。此外,结合联邦学习或隐私保护的图学习方法,将有助于在保护数据隐私的前提下开展跨机构的城市研究。 对于想要入门 City2Graph 的研究者与工程师,良好的实践是先从城市的一个子系统或一个小尺度区域开始搭建图,例如仅使用一类节点(如街道段与路口)与少量边属性进行实验。逐步扩展节点类型与关系,观察模型性能的变化与训练代价。利用 City2Graph 的示例脚本与文档可以快速复现常见的构建模式,随后根据研究目标自定义元路径或邻接策略,从而形成适合自己数据与任务的建图管线。 最后,City2Graph 不仅是一个工程工具,更代表着地理空间数据科学方法论的变革。
通过将复杂空间关系以图的形式显式化并结合图神经网络的表达力,研究者可以在城市功能识别、交通优化、公共服务公平性评估与危机响应等多领域获得新的洞见。随着城市数据来源的多样化和计算能力的提升,City2Graph 提供了一条高效、可复现且面向深度学习的路径,帮助城市研究进入一个更具网络视角的新时代。 。
