本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。

May, 2019

本文提出了基于图形机器学习的方法来量化城市道路网络（URNs）中子网络的空间同质性，并发现在城市内和跨城市的空间同质性与社会经济地位以及跨城市的城市网络结构相似性高度关联。

Jan, 2021

该研究提出了一种基于多任务层次图表示学习（MugRep）的房地产精确估价框架，通过获取和集成多源城市数据，构建一个丰富的特征集，包括地理分布、人类流动分布和居民人口统计分布，并提出了一种异步时空依赖性的房地产交易图和相关事件图卷积模块，以及一种分层异质社区图卷积模块，以捕捉住宅社区之间的多样化关系，并引入了一种城市区域划分的多任务学习模块，用于为房地产生成具有不同分布的价值意见。

Jul, 2021

将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。

Jun, 2022

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

本文提出了一种新的问题——多时期地理位置之间的时间关系推理研究（Trial），提出了一个图学习方法（SEENet），其中包括空间演化图卷积模块（SEConv）和空间演化自监督学习策略（SE-SSL），并在四个真实数据集上进行试验，证明了我们的方法优于几种最先进的方法。

Jun, 2023

通过梯度下降优化可完全可微的张量形式的映射方程，以深度学习为基础的图神经网络在社区检测和图聚类任务上取得了具有竞争力的性能，同时能够自动确定最优的聚类数目，并能够避免过分划分稀疏图。

Oct, 2023

通过我们的研究，我们引入了一种基于图形的物理感知深度学习框架，揭示了城市社区中固有的错综复杂的重叠性质。通过对美国明尼苏达州双子城都市区（TCMA）的个体移动电话定位数据的分析，我们的研究发现，95.7%的城市功能复杂性源于工作日社区结构的重叠。值得注意的是，我们的研究不仅量化了这些重叠，还揭示了它们与收入和种族指标之间引人注目的相关性，揭示了美国城市中复杂的隔离模式。作为首次阐明城市社区重叠本质的研究，这项工作提供了一种独特的地理空间视角，突出了城市内社会经济动态的微妙相互作用。

Jan, 2024

本研究针对城市区域表示建模存在的知识获取与任务适应挑战，提出了基于图的城市区域预训练与提示框架（GURPP）。该框架通过构建包含详细空间实体数据的城市区域图，并采用子图中心的预训练模型与两种提示方法，有效捕捉不同实体间的互动模式并增强对下游任务的适应性，实验结果显示其在多种城市区域预测任务上表现优越。

Aug, 2024

本研究解决了城市配送需求联合估计与预测的问题，这在现有文献中尚未得到充分探讨。通过构建基于图的时空学习任务，该研究结合了消息传递神经网络和大型语言模型的地理空间知识编码，显著提升了模型的预测性能。实证结果表明，该模型在处理中国和美国的真实配送数据集时，优于现有的先进基线方法。

Aug, 2024