城市大数据的神经嵌入揭示城市中的涌现结构

本研究提出使用一种神经嵌入模型——图神经网络（GNN）——利用城市区域的异质特征及其由人类移动网络捕捉的交互，获取这些区域的向量表示。利用来自美国 16 个大都会县数百万聚合匿名手机用户的大规模高分辨率移动数据集，我们证明我们的嵌入编码了与城市组分（如设施分布）及人口属性与活动相关的特征间复杂关系。利用聚类表示及同簇城市区域的共有特征，可度量从市中心到郊区的各方向空间梯度。进一步，我们展示由某县训练模型生成的嵌入能捕捉另一县中 50% 至 60% 的涌现空间结构，使我们能以定量方式做跨县比较。我们基于 GNN 的框架克服了以往考察空间结构方法的局限且高度可扩展。发现揭示了城市组分间的非线性关系及城市中的各向异性空间梯度。由于所识别的空间结构与梯度捕捉了隔离、设施分布不均及人类移动等多种机制的综合效应，该发现可助识别当前城市结构的局限以指导规划决策与政策。该模型与发现通过对城市组分与人口活动及属性间复杂交互如何塑造城市空间结构的整体理解，为城市规划、工程与社会科学的多类研究奠定基础。