CITYREP：面向城市、任务与模态的统一城市表示基准
人工智能
2026-05-26 v1 机器学习
摘要
城市表示学习将复杂的城市环境编码为通用嵌入,以适用于多种下游任务和新兴城市基础模型。然而,当前评估受限,通常仅关注一个或两个城市和任务,并依赖随机划分引入空间泄漏,导致人为夸大性能并不利于跨位置广义性和公平比较。为此,我们提出CityRep,一个跨数据模态、城市和任务的统一基准,采用空间结构划分进行评估。CityRep包含三个关键组件:(1)支持异构城市表示的空间单元无关评估框架,通过标准化对齐模块实现; (2)采用基于区块的空间划分统一评估协议,以缓解空间泄漏并实现严格模型比较; (3)覆盖8个城市和8个任务的可扩展多城市、多任务基准套件,涵盖回归、分类和分布预测。我们评估了11个代表性城市表示模型。结果表明,性能对划分协议高度敏感,随机划分会人为夸大分数并改变模型排名。我们还观察到跨城市和跨任务存在显著变异性，这凸显了面向广义性评估的必要性。CityRep以可复现的基准形式发布,包括数据集、评估管道和诊断工具,以促进公平比较并支持面向城市基础模型的城市表示学习未来研究。
引用
@article{arxiv.2605.26036,
title = {CITYREP: A Unified Benchmark for Urban Representations Across Cities, Tasks, and Modalities},
author = {Junyuan Liu and Xinglei Wang and Zichao Zeng and Jiazhuang Feng and Quan Qin and Ilya Ilyankou and Guangsheng Dong and Tao Cheng},
journal= {arXiv preprint arXiv:2605.26036},
year = {2026}
}