基于多图表示学习框架的城市区域画像
人工智能
2022-02-07 v1 机器学习
摘要
城市区域画像有助于城市分析。尽管现有研究已大力从多源城市数据学习城市区域表示，仍存在三点局限：（1）多数相关方法仅关注全局层面的区域间关系，忽视局部层面的地理上下文信号与区域内信息；（2）多数先前工作未能开发有效且集成的融合模块以深度融合多图关联；（3）最先进方法在社会经济属性高方差区域表现不佳。为应对这些挑战，我们提出一种称为 Region2Vec 的多图表示学习框架用于城市区域画像。具体而言，除编码人类移动性以刻画区域间关系外，引入地理邻域捕捉地理上下文信息，并采用 POI 侧信息通过知识图谱表示区域内信息。随后利用图捕捉区域间的可达性、邻近性与功能性关联。为考虑多图的判别特性，进一步提出编码器-解码器多图融合模块以联合学习综合表示。在真实数据集上的实验表明，Region2Vec 可应用于三项任务并优于所有最先进基线。尤其在高低方差社会经济属性区域，Region2Vec 均优于先前研究。
引用
@article{arxiv.2202.02074,
title = {Urban Region Profiling via A Multi-Graph Representation Learning Framework},
author = {Y. Luo and F. Chung and K. Chen},
journal= {arXiv preprint arXiv:2202.02074},
year = {2022}
}
备注
17 pages, 9 figures