Использование графовых нейронных сетей для измерения пространственной однородности дорожных сетей

Прочитано: 149 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (1 голосов, среднее: 5,00 из 5)
Loading ... Loading ...


Исследователи из Университета Пердью и Пекинского университета недавно провели исследование, направленное на лучшее понимание дорожных сетей в городах по всему миру с использованием инструментов машинного обучения. В их статье, опубликованной в журнале Nature Machine Intelligence, изложены результаты глубокого анализа данных, связанных с дорожными картами, собранных в 30 городах по всему миру.

«Городские дорожные сети (URN) служат экономическим двигателем города и формируются под воздействием множества социально-экономических факторов (включая население, экономику) и истории городского развития», — д-р Сатиш В. Уккусури и д-р Цзянжу Ма, двое из Исследователи, проводившие исследование, рассказали TechXplore. «Они играют центральную роль в мобильности людей, хорошем передвижении, распространении биологических вирусов и образовании загрязнения. Однако традиционные показатели дорожной сети, основанные на простых измерениях, дают только грубую характеристику URN».

Прошлые исследования показывают, что существует ряд моделей пространственной однородности URN. Эти шаблоны можно зафиксировать с помощью графовых нейронных сетей (GNN), передовых инструментов машинного обучения на основе графов, которые часто используются в приложениях компьютерного зрения и обработки естественного языка.

Использование графовых нейронных сетей для измерения пространственной однородности дорожных сетей

Ключевым преимуществом GNN является то, что они могут изучать сетевые представления, анализируя очень большие объемы данных. В своей статье Уккусури, Ма и их коллеги специально использовали GNN для анализа более 11 790 URN в 30 городах мира с целью прогнозирования новой метрики, получившей название однородности сети.

«Многие градостроители анализировали города, используя индивидуальные подходы, которые изучают каждый город в отдельности», — объяснили Уккусури и Ма. «Однако количественные сравнения городской среды в разных городах с использованием глобальных данных ограничены. Мы хотели использовать возможности нашего метода машинного обучения и информацию из массивных данных, чтобы понять городскую систему в глобальном масштабе, включая города из любой развитые страны или развивающиеся страны».

Уккусури, Рейли, профессор гражданского строительства в Университете Пердью, в течение двух десятилетий проводит исследования, посвященные моделированию транспортных систем, анализу городских сетей и устойчивости транспорта. Ма, с другой стороны, является адъюнкт-профессором Пекинского университета, который изучает потенциал машинного обучения на основе графов в различных областях, включая биологию.

«Наш общий интерес к URN и прошлый опыт исследований GNN — вот что побудило нашу команду исследовать однородность дорожной сети за последний год», — сказали Уккусури и Ма.

«Основная цель состоит в том, чтобы собрать детальную информацию о дорожной сети и представить ее связь с внутригородским развитием и сходством между городами».

Прежде чем проводить анализ, исследователи разделили все URN в своем наборе данных на две части: «скрытую область» и «наблюдаемую область». Впоследствии они специально обучили GNN изучать структуры дорожных сетей в наблюдаемых регионах, чтобы затем предсказать структуру сети в скрытом регионе.

В своей статье Уккусури и Ма определили метрику, которую они исследовали, «однородность сети», как показатель F1 производительности модели при прогнозировании скрытой области в данных URN. Показатели F1 представляют собой точность и точность отзыва классификаторов или методов машинного обучения.

В контексте исследования группы более высокий балл F1 означал, что модель, вероятно, точно выведет скрытую область из наблюдаемой области. Таким образом, это также означало более высокую однородность URN.

«Наша метрика однородности сети количественно определяет внутригородское и междугороднее сходство URN. Сходство внутри города бессознательно воспринимается транспортными агентами через повседневную деятельность, а городские планировщики — качественно через профессиональные экзамены», — сказали Уккусури и Ма. «Кроме того, человечество давно охарактеризовало сходство между городами, когда назвало Будапешт или Шанхай «Восточным Парижем». Переход от качественной оценки к количественному измерению позволяет нам эффективно регистрировать, сравнивать и прогнозировать эволюцию городов стандартным образом».

Эволюция дорожных сетей в крупных городах обычно определяется политикой городского планирования сверху вниз. Модель на основе графовой нейронной сети и метрика, введенная Уккусури, Ма и их коллегами, могут помочь оценить и сравнить некоторые из этих политик.

«В Китае распространен лозунг во время урбанизации: «Последовательно следуйте плану» (китайский: 一张蓝图绘到底), что подразумевает, что городские заинтересованные стороны должны придерживаться постоянной политики городского планирования в течение длительного периода», — Уккусури и Ма. объяснил. «Городские планировщики могут использовать предложенную нами метрику однородности, чтобы измерить сходство URN, построенных в разное время, и, наконец, проверить временную согласованность городских построек в течение определенного периода».

В дополнение к введению показателя, который может помочь в оценке политики городского планирования, исследование исследователей выявило связи между URN, валовым внутренним продуктом страны и ростом населения. Собранные ими результаты подтверждают тесную связь между деятельностью человека и городской средой.

«Выводы нашего исследования позволяют нам понять сложное взаимодействие между множеством факторов в городской системе», — Уккусури и Ма. «Уникальная особенность нашей работы заключается в том, что мы соединяем машинное обучение с наукой о городах: оценка F1 является стандартной мерой в машинном обучении, а однородность характеризует сетевую структуру URN».

Уккусури, Ма и их коллеги первыми исследовали, можно ли осмысленно анализировать системы URN с помощью моделей машинного обучения. Их результаты показывают, что передовые модели машинного обучения можно использовать для извлечения обширной информации, связанной с социально-экономическими факторами и эволюцией городов с течением времени.

«Представьте, что когда вы идете за угол улицы, иногда вы даже можете предсказать, как будет выглядеть следующий квартал, просто основываясь на районе, который вы только что проехали», — говорят Уккусури и Ма. «Когда вы едете по городу, в котором вы никогда не были, иногда вы чувствуете себя хорошо знакомым с окрестностями и чувствуете, что это точно такой же город, который вы знаете. Это может происходить как в разных городах одной страны, так и в разных странах. Удивительно, что это явление не случайно и во многом может определяться такими простыми факторами, как внутригородская и межгородская однородность, и восходить к градостроительной культуре от Европы до Северной Америки и Азии, от древних городов до современных городов».

Графовые нейронные сети, разработанные этой группой исследователей, в конечном итоге могут использоваться в разных странах мира для измерения сходства между городами, оценки городской политики и обобщения городской деятельности. Примечательно, что модель, представленная в недавней статье, также может быть расширена как для анализа более крупных городских территорий, так и для изучения изменений за более длительные периоды времени.

«Другие исследователи могут исследовать дорожные сети в городах с разных континентов, разного размера, в то время как наше исследование берет в качестве примера 30 крупных городов», — сказали Уккусури и Ма. «Кроме того, они могут измерять и сравнивать однородность дорожной сети в разные исторические периоды. Помимо дорожных сетей, также могут быть установлены теории однородности видов улиц, землепользования и других инфраструктурных сетей. Существует гораздо больше возможностей найти более глубокое понимание сложных городских систем».

Недавнее исследование команды является одним из первых, в котором пытаются применить современные графовые нейронные сети для изучения URN. В своих следующих исследованиях исследователи хотели бы развить свою модель и применить ее к большему количеству данных, чтобы собрать больше информации об однородности URN. В настоящее время они проводят исследование, изучающее URN и их связь с конкретными социально-экономическими факторами.

В будущем Уккусури, Ма и их коллеги также хотели бы исследовать историческую эволюцию однородности URN. Для этого они будут использовать данные временных рядов, собранные во многих городах мира, и более сложную модель нейронной сети.

«Мы вдохновлены исследованием структурных инвариантов URN в Париже с 1790 по 1999 год (Киркли, А., Барбоза, Х., Бартелеми, М. и Гошал, Г., 2018)», — сказали Уккусури и Ма. «От центральности между уличными сетями до структурных инвариантов в случайных планарных графах мы надеемся исследовать свойства однородности для широкого круга городов в масштабе истории, от современных городов с полными данными до древних городов с ограниченными данными, таких как Мачу. Пикчу в империи инков в 15 веке».

В дополнение к использованию моделей машинного обучения для изучения развития URN с течением времени, исследователи хотели бы использовать его для изучения других типов данных, собранных в городских условиях. Например, они хотели бы одновременно анализировать изображения с просмотра улиц, взаимодействия с мобильными устройствами и данные о просмотре в Интернете, чтобы выявить более сложные закономерности, влияющие на жизнь людей в городских условиях. Например, это могло бы помочь лучше понять вопросы, связанные с социальным равенством и региональной бедностью.

«Данные дорожной сети просты и относительно стабильны, что подходит для начала нашего анализа», — сказали Уккусури и Ма. «В настоящее время мы работаем с интернет-компаниями в Японии, чтобы исследовать систему городской среды, используя большие данные и методы машинного обучения».

Наконец, исследователи хотели бы провести больше исследований, изучающих общий потенциал ИИ в области урбанистики. Их работа также может вдохновить другие исследовательские группы на применение машинного обучения в области урбанистики, что может привести к интересным открытиям об истории и развитии городов по всему миру.

«Мы поняли, что ИИ прокладывает новый способ изучения основных сигнатур, присутствующих в городах, и того, как их можно использовать, чтобы сделать города более эффективными и устойчивыми», — добавили Уккусури и Ма. «Кроме того, мы понимаем, что необходимо уделить большое внимание тому, чтобы избежать неправильного использования ИИ без предметных знаний в урбанистике. Мы продолжим исследовать пересечение проблем ИИ и урбанистики и надеемся внести свой вклад в междисциплинарное исследовательское сообщество».

Использование графовых нейронных сетей для измерения пространственной однородности дорожных сетей



Новости партнеров