AIで街の役割を予測

このチュートリアルでは、city2graph を使用して、エンドツーエンドの空間グラフ学習パイプラインを構築します。まず、OpenStreetMap から実際の都市のPOIデータと街路ネットワーク情報を収集し、ワークフローの信頼性を確保するために合成データへのフォールバックも行います。次に、空間的特徴を設計し、複数の近接グラフファミリーを構築し、異なるグラフ構築戦略が同じ都市環境をどのように表現するかを比較します。その後、異種および同種のグラフ構造を作成し、それらをPyTorch Geometric形式に変換し、GraphSAGEモデルをトレーニングして空間構造からPOIカテゴリを予測します。このプロセスを通じて、地理空間データ処理、グラフ構築、およびGNNベースの都市機能推論を単一の実用的なワークフローに統合します。 導入: city2graphのインストールと地理空間およびグラフ学習ライブラリのインポート コードをコピー コピー済み 別のブラウザを使用してください !pip -q install "city2graph[cpu]" osmnx contextily scikit-learn 2>/dev/null import warnings, numpy as np, pandas as pd, geopandas as gpd warnings.filterwarnings("ignore") from shapely.geometry import Point import matplotlib.pyplot as plt import city2graph as c2g print("city2graph version:", getattr(c2g, "__version__", "unknown")) print("PyTorch / PyG available:", c2g.is_torch_available()) import torch import torch.nn.functional as F from torch_geometric.nn import SAGEConv, to_hetero from torch_geometric.utils import to_undirected from sklearn.preprocessing import StandardScaler from sklearn.neighbors import NearestNeighbors from sklearn.metrics import accuracy_score, f1_score from sklearn.decomposition import PCA SEED = 42 np.random.seed(SEED); torch.manual_seed(SEED) まず、必要なライブラリをインストールし、チュートリアル全体で使用される地理空間、グラフ学習、および機械学習ツールをインポートします。city2graphとPyTorch Geometricが利用可能であることを確認し、残りのワークフローが適切に実行できるようにします。また、グラフ構築、トレーニングを再現可能にするために固定された乱数シードを設定します。