使用图神经网络测量道路网络的空间同质性

普渡大学和北京大学的研究人员最近进行了一项研究，旨在使用机器学习工具更好地了解全球城市的道路网络。他们的论文发表在NatureMachineIntelligence上，概述了对全球30个城市捕获的路线图相关数据进行深入的数据驱动分析的结果。

“城市道路网络(URN)是城市的经济引擎，受到多种社会经济因素(包括人口、经济)和城市发展历史的影响，”SatishV.Ukkusuri博士和马建竹博士，两位进行这项研究的研究人员告诉TechXplore。“它们在人类流动性、良好运动、生物病毒传播和污染产生方面发挥着核心作用。然而，基于简单测量的传统道路网络指标只能提供URN的粗略表征。”

过去的研究表明，URN的空间同质性存在一系列模式。这些模式可以使用图神经网络(GNN)、基于图的高级机器学习工具来捕获，这些工具通常用于计算机视觉和自然语言处理应用程序中。

GNN的一个关键优势是它们可以通过分析大量数据来学习网络表示。在他们的论文中，Ukkusuri、Ma和他们的同事专门使用GNN分析了全球30个城市的11,790多个URN，目的是预测一个新的指标，称为网络同质性。

Ukkusuri和Ma解释说：“许多城市规划师使用个案方法分析城市，孤立地研究每个城市。”“但是，使用全球数据对不同城市的城市环境进行定量比较是有限的。我们希望利用机器学习方法的力量和来自海量数据的信息，以全球方式了解城市系统，包括来自任何一个城市的城市。发达国家或发展中国家。”

Ukkusuri是普渡大学Reilly土木工程教授，二十年来一直专注于交通系统建模、城市网络分析和交通可持续性研究。另一方面，马云是北京大学的副教授，他一直在探索基于图的机器学习在包括生物学在内的多个领域的潜力。

Ukkusuri和Ma说：“我们对URN的共同兴趣和过去对GNN的研究经验是促使我们团队在去年探索道路网络同质性的原因。”

“主要目标是挖掘细粒度的道路网络信息，并展示其与城市内发展和城际城市相似性的联系。”

在进行分析之前，研究人员将数据集中的所有URN分为两部分：“隐藏区域”和“观察区域”。随后，他们专门训练了GNN，以学习观察区域中道路网络的结构模式，从而可以预测隐藏区域中的网络结构。

在他们的论文中，Ukkusuri和Ma将他们研究的指标“网络同质性”定义为模型在预测URN数据中隐藏区域的性能的F1分数。F1分数代表分类器或机器学习方法的精度和召回率。

在团队研究的背景下，较高的F1分数意味着该模型很可能从观察到的区域准确地推断出隐藏区域。因此，这也意味着URN的同质性更高。

Ukkusuri和Ma说：“我们的网络同质性指标量化了URN的城内和城际相似性。移动代理通过日常活动无意识地感知到城内相似性，而城市规划者通过专业考试定性地感知到了城内相似性。”“此外，人类很久以前就已经描述了城际相似性，当时他们称布达佩斯或上海为‘东方巴黎’。从定性评估到定量测量的进展使我们能够以标准方式有效地记录、比较和预测城市演变。”

大城市道路网络的演变通常以自上而下的城市规划政策为指导。Ukkusuri、Ma和他们的同事介绍的基于图神经网络的模型和度量可以帮助评估和比较其中一些政策。

“在中国，城市化进程中的一个共同口号是：‘始终如一地遵循蓝图’(中文：一张蓝图绘制到底)，这意味着城市利益相关者需要长期坚持一个不变的城市规划政策，”Ukkusuri和Ma解释。“城市规划者可以使用我们提出的同质性度量来衡量不同时代建造的URN的相似性，并最终验证该时期内城市建设的时间一致性。”

除了引入可以帮助评估城市规划政策的指标外，研究人员的研究还揭示了URN、一个国家的国内生产总值和人口增长之间的联系。他们收集的结果证实了人类活动与城市环境之间的密切联系。

“我们研究的见解使我们能够了解城市系统中多个因素之间复杂的相互作用，”Ukkusuri和Ma。“我们工作的独特之处在于我们将机器学习与城市科学联系起来：F1分数是机器学习的标准衡量标准，同质性表征了URN的网络结构。”

Ukkusuri、Ma和他们的同事是第一个研究是否可以通过机器学习模型以有意义的方式分析URN系统的人。他们的研究结果表明，先进的机器学习模型可用于提取与社会经济因素和城市随时间演变相关的丰富信息。

Ukkusuri和Ma说：“想象一下，当你走在街角时，有时你甚至可以根据你刚经过的街区预测下一个街区的样子。”“当你在一个你从未去过的城市开车时，有时你会觉得对周边地区非常熟悉，感觉就像另一个你熟悉的城市。这可能发生在同一个国家的不同城市，也可能发生在多个国家。令人惊讶的是，这种现象并非随机，很大程度上是由城内、城际同质性等简单因素决定的，可以追溯到从欧洲到北美和亚洲，从古代城市到现代城市的城市规划文化。”

这组研究人员开发的图神经网络最终可用于全球不同国家，以衡量城市之间的相似性、评估城市政策和总结城市活动。值得注意的是，最近论文中介绍的模型也可以扩展，既可以分析更大的城市区域，也可以检查更长时期内的变化。

“其他研究人员可以调查来自不同、不同规模的城市的道路网络，而我们的研究以30个大城市为例，”Ukkusuri和Ma说。“此外，他们可以衡量和比较不同历史时期的道路网络的同质性。除了道路网络，还可以建立街景、土地利用和其他基础设施网络的同质性理论。有更多的机会去发现更深入地了解复杂的城市系统。”

该团队最近的研究是最早尝试将最先进的图神经网络应用于URN研究的研究之一。在接下来的研究中，研究人员希望进一步开发他们的模型并将其应用于更多数据，以收集有关URN同质性的更多信息。目前，他们正在进行一项研究，研究URN及其与特定社会经济因素的联系。

未来，Ukkusuri、Ma和他们的同事还想研究URN同质性的历史演变。为此，他们将使用在全球众多城市收集的时间序列数据和更复杂的神经网络模型。

“我们受到了一项关于1790年至1999年巴黎URN结构不变量的研究的启发(Kirkley,A.,Barbosa,H.,Barthelemy,M.,&Ghoshal,G.,2018)，”Ukkusuri和Ma说。“从街道网络的中介中心性到随机平面图中的结构不变量，我们希望研究历史尺度上广泛城市的同质性，从数据完整的现代城市到数据有限的古代城市，如马丘15世纪印加帝国的比丘。”

除了使用机器学习模型来检查URN随着时间的推移的发展之外，研究人员还希望使用它来检查在城市环境中收集的其他类型的数据。例如，他们希望同时分析街景图像、移动交互和互联网浏览数据，以确定影响城市环境中人类生活的更复杂的模式。例如，这有助于更好地理解与社会平等和地区贫困相关的问题。

“路网数据简单且相对稳定，适合开始我们的分析，”Ukkusuri和Ma说。“我们目前正在与的互联网公司合作，利用大数据和机器学习技术探索人类-城市环境系统。”

最后，研究人员希望进行更多研究，调查人工智能在城市科学领域的一般潜力。他们的工作还可以激发其他研究小组将机器学习应用于城市科学领域，这可能会导致有关全球城市历史和发展的有趣发现。

Ukkusuri和Ma补充说：“我们意识到AI为了解城市中存在的潜在特征以及如何利用它们使城市更加高效和可持续发展铺平了道路。”“此外，我们意识到需要非常注意避免在没有城市科学领域知识的情况下滥用人工智能。我们将继续探索人工智能与城市科学问题的交叉点，并希望为跨学科研究社区做出贡献。”