使用city2graph、OSMnx和PyTorch Geometric進行城市功能推斷的空間圖神經網絡編碼實現
本教程介紹了使用city2graph構建端到端空間圖學習流水線的方法，用於城市功能推斷。它從OpenStreetMap收集興趣點（POI）和街道網絡數據，設計了合成數據回退機制以確保可靠性。接着，工程化空間特徵，構建多種近鄰圖家族（如KNN、Delaunay、Gabriel等），並比較它們在表示同一城市環境時的差異。然後，同時構建異質圖和同質圖，轉換為PyTorch Geometric格式，並訓練GraphSAGE模型根據空間結構預測POI類別。整個工作流整合了地理空間數據處理、圖構建和GNN訓練，提供了一個實用的實現範例。
在本教程中，我們將構建一個完整的端到端空間圖學習流水線，用於城市功能推斷，該流水線基於city2graph庫實現。我們首先從OpenStreetMap收集真實的城市興趣點（POI）數據和街道網絡信息。為了確保工作流在任何情況下都能可靠運行，我們還設計了一個合成數據回退機制：如果OSM請求失敗，會自動生成一個聚類的合成POI數據集。具體來説，我們選取東京澀谷地區（座標35.6595, 139.7005）作為實驗區域，在半徑1100米範圍內通過OSMnx庫獲取四種類別的興趣點：餐飲（包括餐廳、咖啡館、快餐、酒吧和酒館）、零售（所有商店）、教育（學校、大學、學院、幼兒園、圖書館）和健康（醫院、診所、藥房、醫生、牙醫）。同時下載步行街道網絡。獲取的數據集如果超過700個點，則隨機抽樣至700點以控制計算量。所有數據被投影到適當的UTM座標系以確保距離計算準確。
接下來進行空間特徵工程。對於每個POI，我們提取其投影座標（cx, cy），計算局部密度（在150米半徑內的鄰居數量），並估計到最近街道段的距離（通過空間連接）。這些特徵被標準化處理。然後我們構建多種近鄰圖家族來連接這些POI，包括KNN（k=8）、Delaunay三角剖分、Gabriel圖、相對鄰域圖（RNG）、歐幾里得最小生成樹（EMST）和Waxman圖。通過比較每種圖的邊數和平均度，我們可視化了幾種代表性拓撲（KNN、Delaunay、EMST）並觀察它們連接同一組POI的方式差異。
在構建圖結構方面，我們同時採用兩種方式。首先是異質圖：將POI按類別分為不同節點類型（food、retail、education、health），然後使用橋接邊（k=3的KNN）連接不同類型之間的鄰近節點，最後轉換為PyTorch Geometric的HeteroData格式。其次是同質圖：基於KNN（k=8）構建無向圖，併為每個節點添加度特徵，與之前的空間特徵一起構成節點特徵向量。圖數據被轉換為PyG的Data對象。
我們定義了一個兩層GraphSAGE模型：第一層SAGEConv將輸入特徵映射到64維隱藏層，經過ReLU激活和dropout（概率0.3）後，第二層SAGEConv再次映射到64維，最後通過線性層輸出類別數。使用Adam優化器（學習率0.01，權重衰減5e-4）進行訓練。數據集按6:2:2的比例劃分為訓練集、驗證集和測試集。訓練共200個epoch，每20個epoch在驗證集上評估準確率和宏F1，並保存最佳模型。最終在測試集上報告性能指標。
此外，教程還包括了節點嵌入的可視化（通過PCA降維）以及異質GNN的前向傳播演示。整個過程完整地展示瞭如何將地理空間數據處理、圖構建和GNN訓練整合到一條實用的流水線中，為城市功能推斷任務提供了可複製的代碼實現。