使用圖神經網絡測量道路網絡的空間同質性

普渡大學和北京大學的研究人員最近進行了一項研究，旨在使用機器學習工具更好地了解全球城市的道路網絡。他們的論文發表在NatureMachineIntelligence上，概述了對全球30個城市捕獲的路線圖相關數據進行深入的數據驅動分析的結果。

“城市道路網絡(URN)是城市的經濟引擎，受到多種社會經濟因素(包括人口、經濟)和城市發展歷史的影響，”SatishV.Ukkusuri博士和馬建竹博士，兩位進行這項研究的研究人員告訴TechXplore。“它們在人類流動性、良好運動、生物病毒傳播和污染產生方面發揮著核心作用。然而，基于簡單測量的傳統道路網絡指標只能提供URN的粗略表征。”

過去的研究表明，URN的空間同質性存在一系列模式。這些模式可以使用圖神經網絡(GNN)、基于圖的高級機器學習工具來捕獲，這些工具通常用于計算機視覺和自然語言處理應用程序中。

GNN的一個關鍵優勢是它們可以通過分析大量數據來學習網絡表示。在他們的論文中，Ukkusuri、Ma和他們的同事專門使用GNN分析了全球30個城市的11,790多個URN，目的是預測一個新的指標，稱為網絡同質性。

Ukkusuri和Ma解釋說：“許多城市規劃師使用個案方法分析城市，孤立地研究每個城市。”“但是，使用全球數據對不同城市的城市環境進行定量比較是有限的。我們希望利用機器學習方法的力量和來自海量數據的信息，以全球方式了解城市系統，包括來自任何一個城市的城市。發達國家或發展中國家。”

Ukkusuri是普渡大學Reilly土木工程教授，二十年來一直專注于交通系統建模、城市網絡分析和交通可持續性研究。另一方面，馬云是北京大學的副教授，他一直在探索基于圖的機器學習在包括生物學在內的多個領域的潛力。

Ukkusuri和Ma說：“我們對URN的共同興趣和過去對GNN的研究經驗是促使我們團隊在去年探索道路網絡同質性的原因。”

“主要目標是挖掘細粒度的道路網絡信息，并展示其與城市內發展和城際城市相似性的聯系。”

在進行分析之前，研究人員將數據集中的所有URN分為兩部分：“隱藏區域”和“觀察區域”。隨后，他們專門訓練了GNN，以學習觀察區域中道路網絡的結構模式，從而可以預測隱藏區域中的網絡結構。

在他們的論文中，Ukkusuri和Ma將他們研究的指標“網絡同質性”定義為模型在預測URN數據中隱藏區域的性能的F1分數。F1分數代表分類器或機器學習方法的精度和召回率。

在團隊研究的背景下，較高的F1分數意味著該模型很可能從觀察到的區域準確地推斷出隱藏區域。因此，這也意味著URN的同質性更高。

Ukkusuri和Ma說：“我們的網絡同質性指標量化了URN的城內和城際相似性。移動代理通過日常活動無意識地感知到城內相似性，而城市規劃者通過專業考試定性地感知到了城內相似性。”“此外，人類很久以前就已經描述了城際相似性，當時他們稱布達佩斯或上海為‘東方巴黎’。從定性評估到定量測量的進展使我們能夠以標準方式有效地記錄、比較和預測城市演變。”

大城市道路網絡的演變通常以自上而下的城市規劃政策為指導。Ukkusuri、Ma和他們的同事介紹的基于圖神經網絡的模型和度量可以幫助評估和比較其中一些政策。

“在中國，城市化進程中的一個共同口號是：‘始終如一地遵循藍圖’(中文：一張藍圖繪制到底)，這意味著城市利益相關者需要長期堅持一個不變的城市規劃政策，”Ukkusuri和Ma解釋。“城市規劃者可以使用我們提出的同質性度量來衡量不同時代建造的URN的相似性，并最終驗證該時期內城市建設的時間一致性。”

除了引入可以幫助評估城市規劃政策的指標外，研究人員的研究還揭示了URN、一個國家的國內生產總值和人口增長之間的聯系。他們收集的結果證實了人類活動與城市環境之間的密切聯系。

“我們研究的見解使我們能夠了解城市系統中多個因素之間復雜的相互作用，”Ukkusuri和Ma。“我們工作的獨特之處在于我們將機器學習與城市科學聯系起來：F1分數是機器學習的標準衡量標準，同質性表征了URN的網絡結構。”

Ukkusuri、Ma和他們的同事是第一個研究是否可以通過機器學習模型以有意義的方式分析URN系統的人。他們的研究結果表明，先進的機器學習模型可用于提取與社會經濟因素和城市隨時間演變相關的豐富信息。

Ukkusuri和Ma說：“想象一下，當你走在街角時，有時你甚至可以根據你剛經過的街區預測下一個街區的樣子。”“當你在一個你從未去過的城市開車時，有時你會覺得對周邊地區非常熟悉，感覺就像另一個你熟悉的城市。這可能發生在同一個國家的不同城市，也可能發生在多個國家。令人驚訝的是，這種現象并非隨機，很大程度上是由城內、城際同質性等簡單因素決定的，可以追溯到從歐洲到北美和亞洲，從古代城市到現代城市的城市規劃文化。”

這組研究人員開發的圖神經網絡最終可用于全球不同國家，以衡量城市之間的相似性、評估城市政策和總結城市活動。值得注意的是，最近論文中介紹的模型也可以擴展，既可以分析更大的城市區域，也可以檢查更長時期內的變化。

“其他研究人員可以調查來自不同、不同規模的城市的道路網絡，而我們的研究以30個大城市為例，”Ukkusuri和Ma說。“此外，他們可以衡量和比較不同歷史時期的道路網絡的同質性。除了道路網絡，還可以建立街景、土地利用和其他基礎設施網絡的同質性理論。有更多的機會去發現更深入地了解復雜的城市系統。”

該團隊最近的研究是最早嘗試將最先進的圖神經網絡應用于URN研究的研究之一。在接下來的研究中，研究人員希望進一步開發他們的模型并將其應用于更多數據，以收集有關URN同質性的更多信息。目前，他們正在進行一項研究，研究URN及其與特定社會經濟因素的聯系。

未來，Ukkusuri、Ma和他們的同事還想研究URN同質性的歷史演變。為此，他們將使用在全球眾多城市收集的時間序列數據和更復雜的神經網絡模型。

“我們受到了一項關于1790年至1999年巴黎URN結構不變量的研究的啟發(Kirkley,A.,Barbosa,H.,Barthelemy,M.,&Ghoshal,G.,2018)，”Ukkusuri和Ma說。“從街道網絡的中介中心性到隨機平面圖中的結構不變量，我們希望研究歷史尺度上廣泛城市的同質性，從數據完整的現代城市到數據有限的古代城市，如馬丘15世紀印加帝國的比丘。”

除了使用機器學習模型來檢查URN隨著時間的推移的發展之外，研究人員還希望使用它來檢查在城市環境中收集的其他類型的數據。例如，他們希望同時分析街景圖像、移動交互和互聯網瀏覽數據，以確定影響城市環境中人類生活的更復雜的模式。例如，這有助于更好地理解與社會平等和地區貧困相關的問題。

“路網數據簡單且相對穩定，適合開始我們的分析，”Ukkusuri和Ma說。“我們目前正在與的互聯網公司合作，利用大數據和機器學習技術探索人類-城市環境系統。”

最后，研究人員希望進行更多研究，調查人工智能在城市科學領域的一般潛力。他們的工作還可以激發其他研究小組將機器學習應用于城市科學領域，這可能會導致有關全球城市歷史和發展的有趣發現。

Ukkusuri和Ma補充說：“我們意識到AI為了解城市中存在的潛在特征以及如何利用它們使城市更加高效和可持續發展鋪平了道路。”“此外，我們意識到需要非常注意避免在沒有城市科學領域知識的情況下濫用人工智能。我們將繼續探索人工智能與城市科學問題的交叉點，并希望為跨學科研究社區做出貢獻。”