以通勤网络结构揭示城市社会经济绩效：基于深度学习的 mobility 分析
机器学习
2025-07-08 v1
摘要
城市社会经济建模主要集中在广泛的地点和社区特征上，依赖局部人口足迹。然而，城市系统中的网络非常常见，许多城市建模方法未能考虑网络效应。本研究提出使用来自人口普查的通勤信息记录作为可靠且全面的来源，用于构建跨城市的 mobility 网络。利用深度学习架构，我们针对美国多个大都市区采用这些通勤网络进行社会经济建模。我们表明，mobility 网络结构在预测中表现突出，无需考虑任何节点特征。因此，我们使用 mobility 网络构建一个监督式学习框架，直接建模城市的社会经济指标，结合图神经网络和普通神经网络模型，在单一学习管道中学习所有参数。我们的实验在美国12个主要城市中表明，所提出的模型优于以往的传统机器学习模型。本工作为城市研究者提供了纳入网络效应于城市建模的方法，并为利益相关者提供了城市政策制定和规划中更广泛网络效应的见解。
关键词
引用
@article{arxiv.2507.04027,
title = {Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models},
author = {Devashish Khulbe and Alexander Belyi and Stanislav Sobolevsky},
journal= {arXiv preprint arXiv:2507.04027},
year = {2025}
}