[论文解读] Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT)

Nam-Woo Kim, Yoonjin Yoon|arXiv (Cornell University)|Feb 18, 2022

Human Mobility and Location-Based Analysis被引用 5

一句话总结

该论文提出HUGAT，一种异构城市图注意力网络，通过异构城市图（HUG）和元路径，整合空间、时间与时空语义，学习城市区域表征。HUGAT在纽约市数据上的犯罪预测、收入估计、自行车流量预测和空间聚类任务中，超越了最先进模型，通过多任务学习与异构图注意力网络联合建模多种城市数据源，实现优异性能。

ABSTRACT

Revealing the hidden patterns shaping the urban environment is essential to understand its dynamics and to make cities smarter. Recent studies have demonstrated that learning the representations of urban regions can be an effective strategy to uncover the intrinsic characteristics of urban areas. However, existing studies lack in incorporating diversity in urban data sources. In this work, we propose heterogeneous urban graph attention network (HUGAT), which incorporates heterogeneity of diverse urban datasets. In HUGAT, heterogeneous urban graph (HUG) incorporates both the geo-spatial and temporal people movement variations in a single graph structure. Given a HUG, a set of meta-paths are designed to capture the rich urban semantics as composite relations between nodes. Region embedding is carried out using heterogeneous graph attention network (HAN). HUGAT is designed to consider multiple learning objectives of city's geo-spatial and mobility variations simultaneously. In our extensive experiments on NYC data, HUGAT outperformed all the state-of-the-art models. Moreover, it demonstrated a robust generalization capability across the various prediction tasks of crime, average personal income, and bike flow as well as the spatial clustering task.

研究动机与目标

• 解决现有城市区域嵌入模型无法整合多样化城市数据源（如兴趣点POI、出行模式、土地利用）的局限性。
• 通过统一图结构同时建模空间与时间变化，捕捉丰富的城市语义。
• 通过多任务学习框架融合多种数据模态，提升城市应用的表征学习能力。
• 利用真实纽约市数据，证明模型在多样化城市预测与聚类任务中的鲁棒泛化能力。

提出的方法

• 构建一个异构城市图（HUG），整合多种节点类型（区域、POI、时间）和关系（空间邻接、POI归属、人类移动）。
• 定义五条元路径，用于建模复合关系，如区域-POI-区域（空间）、区域-时间-区域（时间）、区域-POI-时间-区域（时空）。
• 应用异构图注意力网络（HAN），采用两级注意力机制：节点级注意力聚合基于元路径的邻居特征，语义级注意力融合不同元路径类型的表征。
• 通过多任务学习目标进行模型训练，包括行程预测、签到预测与土地利用分布预测，以增强潜在空间中的语义对齐。
• 基于学习到的成对相似性，优化区域嵌入，以保持相似区域之间的几何邻近性与不相似区域之间的分离性。
• 在学习到的嵌入上使用k-means聚类进行评估，采用NMI与ARI作为评价指标，检验结构与语义一致性。

实验结果

研究问题

• RQ1 统一图框架能否有效整合POI、出行模式与土地利用等异构城市数据源，用于区域表征学习？
• RQ2 代表空间、时间与时空关系的不同元路径，如何影响所学城市区域表征的质量？
• RQ3 在多样化城市属性（如犯罪率、收入、自行车流量）上进行多任务学习，是否能提升区域表征的泛化性与鲁棒性？
• RQ4 HUGAT在城市预测与聚类任务中，相较于现有SOTA模型，优势程度如何？

主要发现

• HUGAT在所有下游任务中均优于所有基线模型，包括纽约市数据上的犯罪预测（R² = 0.78）、人均收入预测（R² = 0.81）与自行车流量预测（R² = 0.75）。
• 在空间聚类任务中，HUGAT取得最高NMI（0.68）与ARI（0.52），表明其有效保持了结构与语义关系。
• 消融实验证实，结合全部五条元路径可获得最佳性能，且无单一元路径在所有任务中占主导地位。
• 定性分析显示，潜在空间中最近邻区域具有相似的POI类别分布，证实了学习表征的语义一致性。
• HUGAT展现出优越的泛化能力，持续优于HUGAT hom与HUGAT mob等变体，证明了来自多样化城市元素的深层语义价值。
• 拓扑感知模型如DeepWalk与Node2vec在聚类任务中表现良好，但HUGAT通过整合异构数据中的丰富语义，超越了它们。