用于多模态和可解释土地利用推断的异构图神经网络
人工智能
2026-05-11 v1
摘要
城市土地利用推断是一个至关重要的任务，有助于城市规划和政策制定。最近，传感器和位置技术的广泛使用促进了多模态 mobility 数据的收集，这些数据提供了有关日常活动模式的宝贵见解。许多研究已采用先进的数据驱动技术来探索这些多模态 mobility 数据在土地利用推断中的潜力。然而，现有研究通常独立处理样本，忽略相邻对象的空间相关性以及不同服务之间的异构性。此外，复杂深度学习方法固有的低可解释性是一个重大障碍，这在城市规划中至关重要，因为透明度和可推广性对于制定长期政策决策至关重要。为克服这些挑战，我们引入了一个结合异构图神经网络（HGNs）与可解释 AI 技术的可解释框架，用于推断土地利用，显著提升了准确度和可解释性。实验结果表明，所提出的 HGNs 在所有六个土地利用指标上均优于基线图神经网络，尤其在 'office' 和 'sustenance' 方面表现突出。作为解释，我们考虑特征归因和反事实解释。特征归因解释的分析显示，所提出框架预测的 'residence' 和 'work' 类别的对称性良好地与伦敦的通勤 'work' 和 'recreation' 活动相吻合。反事实解释的分析揭示，节点特征和类型的变化主要导致所预测的土地利用分布与理想混合状态之间的差异。这些分析表明，所提出的 HGNs 可以为城市利益相关者在城市规划和政策制定中提供合适的支持。
引用
@article{arxiv.2406.13724,
title = {Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference},
author = {Xuehao Zhai and Junqi Jiang and Adam Dejl and Antonio Rago and Fangce Guo and Francesca Toni and Aruna Sivakumar},
journal= {arXiv preprint arXiv:2406.13724},
year = {2026}
}