[论文解读] Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities

Chao Fan, Yang Yang+1 more|arXiv (Cornell University)|Oct 24, 2021

Human Mobility and Location-Based Analysis参考文献 59被引用 9

一句话总结

本研究提出一种基于图神经网络（GNN）的神经嵌入框架，利用高分辨率移动电话出行数据与异质性城市特征，学习城市区域的低维向量表示。该方法揭示了16个美国大都市县中非线性、各向异性的空间梯度以及涌现的城市结构，跨县可迁移性显示50–60%的结构相似性，从而实现对城市空间配置的定量比较。

ABSTRACT

In this study, we propose using a neural embedding model-graph neural network (GNN)- that leverages the heterogeneous features of urban areas and their interactions captured by human mobility network to obtain vector representations of these areas. Using large-scale high-resolution mobility data sets from millions of aggregated and anonymized mobile phone users in 16 metropolitan counties in the United States, we demonstrate that our embeddings encode complex relationships among features related to urban components (such as distribution of facilities) and population attributes and activities. The spatial gradient in each direction from city center to suburbs is measured using clustered representations and the shared characteristics among urban areas in the same cluster. Furthermore, we show that embeddings generated by a model trained on a different county can capture 50% to 60% of the emergent spatial structure in another county, allowing us to make cross-county comparisons in a quantitative way. Our GNN-based framework overcomes the limitations of previous methods used for examining spatial structures and is highly scalable. The findings reveal non-linear relationships among urban components and anisotropic spatial gradients in cities. Since the identified spatial structures and gradients capture the combined effects of various mechanisms, such as segregation, disparate facility distribution, and human mobility, the findings could help identify the limitations of the current city structure to inform planning decisions and policies. Also, the model and findings set the stage for a variety of research in urban planning, engineering and social science through integrated understanding of how the complex interactions between urban components and population activities and attributes shape the spatial structures in cities.

研究动机与目标

• 揭示由城市组成部分、人口属性与出行模式之间复杂互动所引发的城市中涌现的空间结构与梯度。
• 克服传统线性模型在捕捉非线性关系与多维城市互动方面的局限性。
• 开发一种可扩展、数据驱动的框架，用于对不同大都市区域的城市空间结构进行定量比较。
• 实现城市结构洞察在跨县之间的可迁移性，以支持更广泛政策应用与城市规划。
• 提供一种统一的城市复杂性表征，整合人类出行、建成环境与社会人口特征。

提出的方法

• 在异质性城市图上训练图神经网络（GNN），其中节点代表城市区域，边代表从匿名化移动电话数据中提取的人类出行流量。
• 节点特征包括社会人口属性、设施分布与建成环境特征，整合至GNN的输入层。
• 通过消息传递机制，GNN学习低维密集向量嵌入，编码城市组件之间的复杂空间与关系模式。
• 通过聚类嵌入并利用共享聚类特征测量从城市中心到郊区的方向性变化，量化空间梯度。
• 通过在某一县训练并在另一县测试，评估跨县可迁移性，利用嵌入相似性度量衡量结构相似性。
• 模型使用来自16个美国大都市县的大规模、高分辨率出行数据集进行端到端训练，数据符合CCPA与GDPR要求。

实验结果

研究问题

• RQ1 神经嵌入如何捕捉由异质性城市特征与出行模式所引发的城市中涌现的空间结构与梯度？
• RQ2 在不同大都市县之间，所学习的城市结构表征的可迁移性程度如何？
• RQ3 所学习的嵌入在多大程度上反映了城市组成部分之间的非线性关系与各向异性的空间组织？
• RQ4 该模型能否对不同城市之间的城市空间配置进行定量比较，从而实现跨区域政策评估？
• RQ5 隔离、设施分布与出行模式的综合效应如何塑造城市结构的涌现形态？

主要发现

• 基于GNN的嵌入成功编码了城市组成部分、人口属性与出行模式之间的复杂非线性关系。
• 从城市中心到郊区的空间梯度呈现各向异性，表明城市发展模式在不同方向上存在差异。
• 当在某一县训练并在另一县测试时，模型可捕捉目标县约50%至60%的涌现空间结构，显示出显著的跨县可迁移性。
• 所学习的嵌入实现了对不同城市中多维度城市空间结构的定量比较，为城市相似性提供了一种新度量标准。
• 该框架通过捕捉高阶交互作用与复杂城市动态，克服了先前线性模型的局限性。
• 该方法为城市规划、政策评估以及未来关于社会公平与可持续性的研究提供了可扩展、数据驱动的基础。