普渡大学和北京大学的研究人员最近开展了一项研究，旨在利用机器学习工具更好地了解全球城市的道路网络。他们的论文发表在《自然机器智能》（Nature Machine Intelligence）上，概述了对全球30个城市采集的路线图相关数据进行深入的数据驱动分析的结果。
“城市道路网（URNs）是城市的经济引擎，受多种社会经济因素（包括人口、经济）和城市发展历史的影响，”开展这项研究的两位研究人员Satish V.Ukkuuri博士和马建柱博士告诉TechXplore。“它们在人类流动性、良好移动、生物病毒传播和污染产生方面发挥着核心作用。然而，基于简单测量的传统道路网指标只能粗略描述URNs。”
过去的研究表明，URNs的空间同质性存在一系列模式。这些模式可以使用图形神经网络（GNNs）捕获，这是一种先进的基于图形的机器学习工具，通常用于计算机视觉和自然语言处理应用。
GNNs的一个关键优势是，它们可以通过分析大量数据来学习网络表示。在他们的论文中，Ukkuuri、Ma和他们的同事专门使用GNNs分析了全球30个城市的11790多个URNs，目的是预测一个新的指标，称为网络同质性。
Ukkuuri和Ma解释道：“许多城市规划师都采用个案分析的方法，对每个城市进行孤立的研究。”。“然而，使用全球数据对不同城市的城市环境进行定量比较是有限的。我们希望利用我们的机器学习方法的威力和来自海量数据的信息，以全球方式了解城市系统，包括发达国家或发展中国家的城市。”
普渡大学（Purdue University）土木工程专业瑞利（Reilly）教授Ukkusuri二十年来一直从事交通系统建模、城市网络分析和交通可持续性研究。另一方面，马云是北京大学的副教授，他一直在探索基于图形的机器学习在包括生物学在内的多个领域的潜力。
Ukkuuri和Ma说：“我们对URNs的共同兴趣和过去对GNNs的研究经验是我们团队去年探索道路网络同质性的动力。”。
“主要目标是挖掘细粒度道路网络信息，并展示其与城市内部发展和城市间相似性的联系。”
在进行分析之前，研究人员将数据集中的所有URNs分为两部分：“隐藏区域”和“观察区域”随后，他们专门训练GNN学习观察区域中道路网络的结构模式，以便预测隐藏区域中的网络结构。
在他们的论文中，Ukkuuri和Ma将他们研究的指标“网络同质性”定义为模型预测URN数据中隐藏区域性能的F1分数。F1分数代表分类器或机器学习方法的精度和召回精度。
在团队研究的背景下，F1得分较高意味着该模型可能会从观察区域准确推断出隐藏区域。因此，这也意味着URNs的同质性更高。
Ukkuuri和Ma说：“我们的网络同质性度量量化了URNs的城市内和城市间相似性。移动代理通过日常活动无意识地感知城市内的相似性，城市规划师通过专业考试定性地感知城市内的相似性。”。“此外，很久以前，人类就已经描述了城市间的相似性，当时他们称布达佩斯或上海为‘东方巴黎’。从定性评估到定量测量的进展使我们能够以标准的方式有效地记录、比较和预测城市演变。”
大城市道路网的演变通常受自上而下的城市规划政策的指导。基于图神经网络的模型和Ukkusuri，Ma及其同事引入的度量可以帮助评估和比较其中的一些政策。
“在中国，城市化进程中的一个共同口号是：‘始终遵循蓝图’（中文：涓欧元寮犺摑鍥剧粯鍒板簳), 这意味着城市利益相关者需要长期坚持不变的城市规划政策，”Ukkusuri和Ma解释道城市规划师可以使用我们提出的同质性度量来衡量不同年龄段建造的URNs的相似性，并最终验证该时期内城市建设的时间一致性。“”
除了引入有助于评估城市规划政策的指标外，研究人员的研究还揭示了一个国家的国内生产总值（URNs）与人口增长之间的关系。他们收集的结果证实了人类活动与城市环境之间的密切联系。
Ukkuuri和Ma说：“我们研究的见解使我们能够理解城市系统中多种因素之间的复杂相互作用。”。“我们工作的独特之处在于我们将机器学习与城市科学联系起来：F1分数是机器学习的标准衡量标准，同质性是URNs网络结构的特征。”
Ukkusuri、Ma和他们的同事首先研究了URN系统是否可以通过机器学习模型进行有意义的分析。他们的研究结果表明，先进的机器学习模型可以用来提取与社会经济因素和城市随时间演变相关的丰富信息。
Ukkuuri和Ma说：“想象一下，当你走在街道拐角处时，有时你甚至可以根据你刚刚经过的街区预测下一个街区的样子。”。“当你在一个你从未去过的城市里开车时，有时你会觉得对周围地区非常熟悉，感觉它就像你所知道的另一个城市一样。这种情况可能发生在同一个国家的不同城市，也可能发生在多个国家。令人惊讶的是，这种现象并非随机的，可能在很大程度上是由城市内部和城市之间的同质性等简单因素决定的从欧洲到北美和亚洲，从古代城市到现代城市，都可以追溯到城市规划文化。“”
这组研究人员开发的图形神经网络最终可以在世界各地的不同国家用于衡量城市之间的相似性、评估城市政策和总结城市活动。值得注意的是，最近论文中引入的模型也可以扩展，既可以分析更大的城市区域，也可以检查更长时间内的变化。
Ukkuuri和Ma说：“其他研究人员可以调查来自不同大陆、不同规模城市的道路网络，而我们的研究以30个大城市为例。”。“此外，他们还可以衡量和比较不同历史时期道路网络的同质性。除了道路网络，还可以建立街道景观、土地使用和其他基础设施网络的同质性理论。有更多的机会来深入了解复杂的城市系统。”
该团队最近的研究是首次尝试将最先进的图形神经网络应用于URNs的研究。在接下来的研究中，研究人员希望进一步发展他们的模型，并将其应用于更多数据，以收集更多关于URNs同质性的信息。目前，他们正在进行一项研究，检查URNs及其与特定社会经济因素的联系。
将来，Ukkuuri、Ma和他们的同事还想研究URN同质性的历史演变。为了做到这一点，他们将使用在全球许多城市收集的时间序列数据和更复杂的神经网络模型。
Ukkuuri和Ma说：“我们的灵感来自1790年至1999年对巴黎URNs结构不变量的研究（Kirkley，a.、Barbosa，H.、Barthelemy，M.、Ghoshal，G.，2018）。”。“从街道网络中的介数中心性到随机平面图中的结构不变量，我们希望在历史尺度上研究各种城市的同质性，从数据完整的现代城市到数据有限的古代城市，如15世纪印加帝国的马丘比丘。”
除了使用机器学习模型来研究URNs随时间的发展，研究人员还想使用它来研究城市环境中收集的其他类型的数据。例如，他们希望同时分析街景图像、移动交互和互联网浏览数据，以确定影响城市环境中人类生活的更复杂模式。例如，这有助于更好地了解与社会平等和区域贫困有关的问题。
Ukkusuri和Ma说：“道路网数据简单且相对稳定，适合开始我们的分析。”。“我们目前正在与日本的互联网公司合作，利用大数据和机器学习技术探索人类城市环境系统。”
最后，研究人员希望对人工智能在城市科学领域的普遍潜力进行更多的研究。他们的工作还可以激励其他研究小组将机器学习应用于城市科学领域，这可能会带来关于世界各地城市历史和发展的有趣发现。
Ukkuuri和Ma补充道：“我们意识到人工智能为了解城市中存在的潜在特征以及如何利用这些特征提高城市的效率和可持续性铺平了新的道路。”。“此外，我们意识到需要给予高度重视，以避免在城市科学领域没有领域知识的情况下滥用人工智能。我们将继续探索人工智能与城市科学问题的交叉点，并希望为跨学科研究社区做出贡献。”
漏 2022科学X网络