揭示城市中重叠社群的本质
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
本文提出了一种网络社区发现方法的统一架构，对现有的社区检测方法进行了全面的综述，并将现有的方法分为两类：概率图模型和深度学习。作者还释放了几个基准数据集，并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。
Jan, 2021
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
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
本文旨在通过分析居民的移动模式，探索智利圣地亚哥的社区结构。我们使用一个包含匿名居民的家庭和工作地点的近似位置数据集来构建一个代表城市内移动模式的网络。通过对该网络的分析，我们旨在识别智利圣地亚哥内存在的社区或子城市，并深入了解驱动城市空间组织的因素。我们采用模块化优化算法和聚类技术来识别网络中的社区。我们的结果表明，将社区检测算法与分离工具相结合，提供了对工作时间内复杂分离地理的新认识。
Sep, 2023
我们提出了一种SIM-GAT模型，用于预测社区商业集群与它们的贸易区之间的时空访问流动，并展示了它对不同居民社区中商业集群的吸引力变化以及各种情景中的效果。
Jan, 2024
该研究提出了一种图神经网络（GNN）方法，用于结合和评估关于社区内部特征、过去特征和群体流动的多个信息来源，从而在预测模型中提供更高的表达能力。通过探索来自Yelp的公共大规模数据集，我们展示了我们的方法在考虑结构联系以预测社区属性方面的潜力，特别是预测当地文化。研究结果在实质和方法上都具有潜力，发现当地区信息（如地区人口统计信息）或群体特征（Yelp评论者的口味）在预测当地文化方面效果最佳，并且在所有研究案例中几乎相当。从方法论上来看，探索群体特征可能是一个有帮助的替代方法，当获取特定地区的本地信息具有挑战性时，因为它们可以从许多形式的在线数据中自动提取。因此，我们的方法能够在缺乏其他本地区域信息时，为研究人员和决策者使用一系列数据来源提供支持。
Feb, 2024
城市计算是一门关键学科，通过整合来自不同领域和模式（如时空、视觉和文本模式）的多源（如地理、交通、社交媒体和环境数据）跨领域数据融合，可为可持续发展提供支持。最近，我们观察到在智能城市中利用各种深度学习方法促进跨领域数据融合的趋势逐渐增长。为此，我们提出了第一份系统综述，对专为城市计算定制的基于深度学习的数据融合方法的最新进展进行了系统回顾。与以往综述相比，我们更关注深度学习方法与城市计算应用之间的协同作用。此外，我们还展望了大型语言模型（LLMs）与城市计算之间的相互影响，并提出了可能会改变该领域的未来研究方向。我们坚信，我们的综述所勾勒出的分类系统、进展情况和前景将会显著丰富研究社区。
Feb, 2024
该研究提出深度混合模型（DHM）用于交通出行方式分析，将道路网络和社会人口特征作为输入，利用图嵌入技术增强对城市结构的表达，结果在芝加哥的模式共享预测实验证明，DHM在城市层面评估不同出行方式比例时具有更高的解释能力、预测准确性和地理洞察力。
May, 2024