面向细粒度经济制图的城市表征学习：一种基于图的半监督方法

通过城市表征学习进行细粒度经济制图已成为循证经济决策的关键工具。虽然现有方法主要依赖监督或无监督方法，但它们常常忽视数据稀缺场景下的半监督学习，并且缺乏用于全面部门经济分析的统一多任务框架。为解决这些差距，我们提出了SemiGTX，一个用于部门经济制图的可解释半监督图学习框架。该框架为各种地理空间数据模态设计了专用的融合编码模块，将它们无缝集成到一个统一的图结构中。它引入了一种半信息损失函数，该函数结合了空间自监督与局部掩码监督回归，从而能够学习到信息更丰富、更有效的区域表征。通过多任务学习，SemiGTX在一个统一模型中同时绘制第一、第二和第三产业部门的GDP。在中国珠江三角洲地区进行的大量实验表明，该模型相比现有方法具有优越的性能，在第一、第二和第三产业部门分别取得了0.93、0.96和0.94的R²分数。在北京和成都的跨区域实验进一步说明了其泛化性。系统分析揭示了不同数据模态如何影响模型预测，增强了可解释性，同时为区域发展规划提供了有价值的见解。该表征学习框架通过整合多样化的城市数据推进了区域经济监测，为精确的经济预测提供了坚实的基础。