基于图神经网络量化城市路网的空间同质性
物理与社会
2021-12-01 v2 机器学习
社会与信息网络
摘要
量化城市路网（URNs）不同部分的拓扑相似性，有助于我们理解城市发展模式。尽管传统统计量提供了关于单个节点直接邻域或整个网络特征的有用信息，但此类指标无法在考虑局部间接邻域关系的情况下度量子网络的相似性。在本研究中，我们提出一种基于图的机器学习方法来量化子网络的空间同质性。我们将该方法应用于全球 30 座城市的 11,790 个城市路网，以度量每座城市内部及不同城市之间路网的空间同质性。我们发现，城市内部空间同质性与社会经济状态（如 GDP 和人口增长）高度相关。此外，通过在不同城市间迁移模型所获得的城市间空间同质性，揭示了源于欧洲、并传递至美国和亚洲城市的城市网络结构的城市间相似性。利用我们的方法所揭示的社会经济发展与城市间相似性，可被用于理解城市间经验并对其进行迁移。它还使我们能够应对城市政策挑战，包括快速城市化地区的网络规划与遏制区域不平等。
引用
@article{arxiv.2101.00307,
title = {Quantifying Spatial Homogeneity of Urban Road Networks via Graph Neural Networks},
author = {Jiawei Xue and Nan Jiang and Senwei Liang and Qiyuan Pang and Takahiro Yabe and Satish V. Ukkusuri and Jianzhu Ma},
journal= {arXiv preprint arXiv:2101.00307},
year = {2021}
}
备注
17 pages, 5 figures