提出了一种名为 Region2Vec 的多图表示学习框架，用于城市区域分析，可以捕捉地理上下文信号和区域间的联系，同时用于表示区域内部信息的知识图谱。使用编码器 - 解码器多图融合模块来联合学习综合表示。在现实世界数据集上的实验证明，Region2Vec 可以在三个应用程序中使用，并优于所有其他基线。特别地，Region2Vec 在具有高方差社会经济属性的区域中的表现优于先前的研究。

Feb, 2022

本文提出了一种利用多模态数据学习城市区域表示的多视图对比预测模型（ReCP），该模型利用兴趣点和人类流动数据中的多个信息视图，通过内视图学习模块和相互视图学习模块实现对城市区域的一致性和连贯性表示，实验证明该模型在城市区域表征学习中明显优于现有基线方法。

Dec, 2023

通过多视图表示学习，我们提出了一种区域化多视图表示学习（ROMER）方法，用于捕捉多视图依赖关系并学习表达性强的城市区域表示。我们的模型关注于从多源城市数据中学习城市区域表示，通过捕捉流动模式、兴趣点语义和签到动态等多视图相关性，采用全局图注意力网络学习图中任意两个顶点的相似度，并进一步提出了一个两阶段融合模块来综合考虑和共享多视图嵌入的特征。对真实世界数据集上的两个下游任务进行的大量实验证明，我们的模型性能优于现有方法，改进了最高达 17%。

Jul, 2023

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建 QR-P 图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

Mar, 2024

本文提出了一种基于 OpenStreetMap 道路网络的微区域嵌入生成方法，并使用 H3 空间索引进行可重现和可扩展的表示学习，获得了检测地图六边形在其中包含的道路网络相似度的向量表示，并且通过堆叠聚类方法、得出了嵌入的高级分类方法，这将有助于解决基于基础设施的预测任务，特别是在空间变量方面。

Apr, 2023

Tile2Vec 是一种无监督的表示学习算法，旨在为地理空间分布数据提供类似于自然语言处理中词向量表示和预训练网络的方法，通过学习分布假设将相似空间数据转换为语义上有意义的向量表示，并演示了其在下游分类任务中的显著表现提升。

May, 2018

该研究提出了一个名为 “region2vec” 的无监督的基于 GCN 的社区检测方法，通过生成区域节点嵌入并应用聚类算法检测出具有相似嵌入和空间邻接的社区，以平衡属性相似性与空间相互作用在社区内的表现。实验结果表明该方法在属性和空间上均能得到良好的性能表现。

Oct, 2022

提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。

Feb, 2020

我们提出了一种端到端多模态深度学习算法，用于检测利用遥感图像和多语义参考信息的城市感兴趣区域围栏多边形，通过融合动态人类流动性和物流地址信息的级联模块来评估其时效性。实验结果表明，我们的算法明显优于两种现有方法。

Jan, 2024