2026-GAGNN: a geography-aware graph neural network for citywide commuting flows prediction


不挨着的两个区,为什么仍有人每天通勤?

论文名片|Youjun Tu、Peixiao Wang、Julie N.Y. Zhu、Zhiyuan Zhao、Junli Li、Sheng Wu,GAGNN: a geography-aware graph neural network for citywide commuting flows prediction,International Journal of Applied Earth Observation and Geoinformation,2026,147:105175,2026年2月23日在线发表。DOI:10.1016/j.jag.2026.105175。正式版,开放获取(CC BY)。收稿日期 2025年9月10日,修回 2026年2月9日,接受 2026年2月14日。

可以先想象福州的两个街道:它们不共享边界,地图上不算邻居,但同一条主干路把两个街道串在一条走廊上。只按“有没有公共边界”建图,这条走廊上的通勤会被当成远距离、弱相关的流量。论文要问的是,把道路、公交和地铁定义的功能联系放进同一张图,能不能把行政区之间已经发生的通勤流量补得更准。

方向先说清楚。在福州 2023 年 1–2 月工作日的手机定位通勤上,地理相邻和交通语义相邻一起建模,误差低于只用其中一种,也低于先做图卷积、再做图注意力的 GSGNN。道路语义补得最多,公交次之,地铁再次之;格子从 1 公里放到 5 公里后,道路设定变差,公交和地铁设定变好。这里的任务是在同一批行政区里,补上被随机留出的起讫对流量。它不提供下一天的路况,也没有换一座城市再检验。

先说结论

  • 道路语义、测试集、10 次独立运行的均值:GAGNN 的平均绝对误差 MAE 为 3.26(标准差 0.05),GSGNN 为 3.83(标准差 0.06)。MAE 下降 (3.83−3.26)/3.83 = 14.9%。共同通勤比例 CPC 从 0.94 升到 0.96,相对提高 (0.96−0.94)/0.94 = 2.1%。重力模型的 MAE 是 30.24,CPC 是 0.35。这些误差的单位是区对上的通勤流量,分母是测试集中的区对,不是全市人数。
  • 同一模型换语义边:道路 MAE 3.26、CPC 0.96;公交 MAE 4.06、CPC 0.93;地铁 MAE 7.73、CPC 0.89;不用语义边时 MAE 10.28、CPC 0.86。相对“不用语义边”,道路把 MAE 降低 (10.28−3.26)/10.28 = 68.3%。
  • 验证集上拆掉模块:以道路语义为例,去掉地理邻接、去掉语义邻接、只留多层感知机,MAPE 相对完整 GAGNN 升高 20.3%、39.5%、70.0%,CPC 下降 6.2%、12.4%、23.0%。公交和地铁两种语义下,完整模型仍然更好。
  • 空间尺度从 1 公里变到 5 公里:道路语义的 MAE 上升约 17.2%;公交下降 35.3%,地铁下降 20.1%。1 公里格子上,地铁只有 1.10% 的格子被线路连到,公交为 16.99%。
  • 居住地和工作地按停留半径 500 米、停留超过 5 小时识别,聚合得到 1,374,963 条通勤。这是通勤记录条数。图 12 里这组设定的 MAPE 为 0.420;把停留改成 4 小时、半径仍为 500 米,MAPE 为 0.418,只低 0.002。

要补的是留出的区对,不是明天的交通

通勤流在文中指居住地和工作地之间的周期性人口移动。分析单位是行政区之间的起讫流量:从区域 i 到区域 j 的流量记为 fᵢⱼ,并且 fᵢⱼ 与 fⱼᵢ 可以不同。全市被分成 m 个互不重叠的地理单元。补充表 S4 给出这张图的节点总数是 193。地图同时画出县级边界和更细的乡镇街道边界;正文把每个行政区当作一个节点,没有逐个列出这 193 个单元的名称。

图的边不由通勤本身来画。地理邻接矩阵里,两个区共享边界就是 1,否则是 0。语义邻接矩阵里,两个区被同一条交通线路连上就是 1,否则是 0。两条边都是无向的。流量的方向留到后面:把起点特征和终点特征按固定顺序拼在一起,模型才会把 i→j 和 j→i 学成不同的数。

预测被写成半监督的链接补全。节点集合固定,地理知识对所有节点都可见,已观测的起讫对被随机打乱,60% 训练、20% 验证、20% 测试。作者称这是直推式链接预测:补的是同一批福州行政区之间没放进训练集的流量。每个模型用验证集网格搜索后的参数跑 10 次,报告均值和标准差。重力模型和辐射模型没有随机性,标准差写成 0.00。

完整原论文图5,福州位置与观测通勤流

图 5|福州的通勤流量,在全市和核心区各是什么形状?

(a)福州在中国东南沿海的位置。(b)市域范围。(c)全市观测通勤流,黄到红表示流量升高,图例分为 0–100、100–300、300–500、500–700、700–900;灰线是县级边界,更细的线是乡镇街道边界,黑框是核心区。(d)核心区放大后的观测流量,高流量线集中在中心。来源:原论文 Fig. 5。

一条线路穿过的区,怎样才算连上?

语义边的规则按交通方式分开,三种方式不会混成一张边表。

道路只保留 OpenStreetMap 的高速公路、主干路、主要道路和次要道路,去掉三级路、居住区道路和支路。同名路段先拼成一条完整路线,再赋一个路线编号。一条路线经过 A、B、C 三个区,三个区两两连边,形成一个团。作者想抓住的是整条走廊的共享可达性,不是路段端点是否相接。

公交和地铁更严:两个区各自有车站,而且这两个车站属于同一条线路,才连一条边。换乘不算。作者的理由是,把换乘也连上会把图连得过密,多层图网络还会把这种间接联系再扩散一次。

节点属性来自三处。高德地图 18 类兴趣点,分成居住与生活服务、交通与基础设施、公共服务与文化旅游三组。人口来自国家统计局第七次人口普查页面,论文没有另写统计年份,因此这套人口与 2023 年 1–2 月的手机数据并不同期。路网密度由 2023 年 OpenStreetMap 道路计算。兴趣点、人口密度和路网密度进入节点特征;起点到中央商务区的距离、终点到中央商务区的距离、起终点之间的距离,留到解码阶段再拼接。区际距离在定义里写的是通常用欧氏距离,也就是地图上的直线距离。中央商务区落在哪个具体坐标,正文没有写。

完整原论文图1,地理邻接与语义邻接示意

图 1|共享边界的邻居,和同一条线路连起来的邻居,差在哪里?

左图是示意:R1 到 R16 是区块,蓝线是一条交通线路。右上按空间邻近把共享边界的区块连成地理邻接网络。右下只把线路经过的区块连成语义邻接网络,没被这条线碰到的区块成为孤立点。这是机制示意,不是福州的真实分区。来源:原论文 Fig. 1。

完整原论文图3,两类邻接矩阵的融合

图 3|两类 0-1 矩阵怎样合成一张综合邻接?

左侧仍是线路穿过区块的示意。中间把共享边界收成地理邻接矩阵,把线路联系收成语义邻接矩阵。右侧综合邻接 A = α·地理邻接 + β·语义邻接。主实验把 α 和 β 都设为 1:只共边界或只共线路,元素是 1;两种关系都有,元素是 2;两种都没有,元素是 0。来源:原论文 Fig. 3。

补充表 S4 给的是这 193 个节点上的实际稀疏程度,不是示意图。

语义网络 活跃节点 / 总节点 边数 连通分量 覆盖面积 面积覆盖率
城市道路 181 / 193(93.78%) 15,198 13 14,013.77 km² 95.07%
公交 144 / 193(74.61%) 1,837 52 9,984.57 km² 67.74%
地铁 39 / 193(20.21%) 274 155 1,256.7 km² 8.53%

活跃节点比例和面积覆盖率回答的是两件不同的事。道路连上了 93.78% 的节点,这些节点的面积占 95.07%,所以连上的区略大一些。正文 3.2 节引用的 93.8%、74.6%、20.2% 是活跃节点比例;4.2 节引用的 95.07%、67.74%、8.53% 是面积覆盖率。两套数都在表 S4,并不是互相矛盾的两次实验。

分量数需要和孤立节点一起读。没有语义边的节点各算一个分量。道路的孤立节点是 193−181 = 12,分量共 13,因此 181 个有道路边的节点落在同一个连通块里。公交的孤立节点是 49,分量共 52,144 个活跃节点分成 3 块。地铁的孤立节点是 154,分量共 155,39 个有地铁边的节点只构成 1 块。地铁“155 个分量”里,绝大多数是没有车站的区,不是 155 条互不相连的地铁走廊。

家和工作地是怎样从定位点里圈出来的?

通勤来自一家位置服务商提供的福州手机定位,时间是 2023 年 1 月到 2 月的工作日。周末和节假日没进这张网。正文没有写出运营商名称,也没有给出用户数。

停留点用两个门槛提取:空间半径 R = 500 米,时间 T = 5 小时。夜间 19:00–08:00 停留最久的位置算居住地,工作日白天 08:00–19:00 停留最久的位置算工作地。居住地到工作地的这一对,就是一条通勤。全部记录聚合后得到 1,374,963 条通勤,再汇总到行政区。论文没有给出汇总后有多少个非零区对,因此测试集 20% 对应多少条区对,也无从反推。MAE 公式里的 n 是被预测的区对数,具体数值正文没有单列。

完整原论文图6,居住地与工作地识别

图 6|一条定位轨迹要满足什么,才变成通勤起讫?

左半是居住地:夜间窗口里,半径 500 米、停留超过 5 小时的最久停留。右半是工作地:白天窗口使用同一套半径和时间门槛。两端确定之后,居住地指向工作地,记为一条起讫流。来源:原论文 Fig. 6。

图注意力在乘什么?

编码端把综合邻接和节点特征一起送进两层图注意力网络。节点特征先乘一个可学习矩阵,得到初始表示。普通注意力只看两个节点的特征像不像;这篇在分数上再乘综合邻接的元素,并乘一个调节系数 θ。主实验 θ = 1。补充材料在 0.5、1.0、1.5、2.0 上做了检查:三种语义的验证误差变化不大,道路仍最好,公交次之,地铁最弱;地铁在 θ = 1.5 时略好于 θ = 1,差距很小。随后对邻居做 softmax,用指数线性单元更新节点。嵌入维度 k 在 4、8、16、32、64 里选择,验证集 MAE 在 k = 8 最低。

解码端不再改图。每个起讫对拼成一条 2k+3 维的向量:起点的 8 维嵌入、起点到中央商务区的距离、起终点直线距离、终点的 8 维嵌入、终点到中央商务区的距离,共 19 个数。多层感知机的隐藏层宽度取 128,隐藏层用 sigmoid,损失是均方误差。优化器用 Adam,学习率 0.001,一阶和二阶矩的指数衰减率是 0.9 和 0.999,批大小 128,最多 700 轮,并使用早停。地理属性和距离矩阵先做归一化。

完整原论文图2,GAGNN 总体框架

图 2|从邻接和地理属性到一条流量,中间经过哪两段?

上半是编码:路线关系分成地理邻接和语义邻接,节点一侧放入兴趣点、路网密度、人口密度和观测数据,图注意力按综合邻接做加权,输出每个区的嵌入。下半是解码:嵌入与到中央商务区的距离、区际距离拼接,多层感知机输出全部区对的预测流量,再和观测流量算损失并回传。图中的 m²×1 表示区对数量这一维。来源:原论文 Fig. 2。

完整原论文图4,起终点与中央商务区距离

图 4|区对向量里的三个距离各量哪一段?

棕色线是起点 O 到终点 D 的直线距离。两条蓝色线分别是起点、终点到中央商务区的直线距离。这三个标量跟两端的嵌入拼在一起,流量方向就由“谁放在起点位置”决定。来源:原论文 Fig. 4。

同样用了两类边,为什么还比 GSGNN 低一截?

对照分三层。重力模型用两端人口和距离。辐射模型用起点、终点和中间机会的人口,本身不估计距离衰减参数。XGBoost 和随机森林只用起点和终点的兴趣点。GMEL、GCN-RF、GCN-MLP 以及去掉语义边的 GAGNN-SA,只使用地理邻接。GAGNN-GA 只使用语义邻接。GSGNN 和完整 GAGNN 两类边都用。差别在用法:GSGNN 先用图卷积处理地理邻接,再把结果送进图注意力处理语义邻接;GAGNN 先把两类边加权合成一张矩阵,再在同一层注意力里同时看物理邻近和线路联系。

表 4 是道路语义下、测试集上 10 次运行的均值,括号里是标准差。

模型 MAE MAPE RMSE CPC
重力模型 30.24(0.00) 1.76(0.00) 35.92(0.00) 0.35(0.00)
辐射模型 26.75(0.00) 1.98(0.00) 28.38(0.00) 0.44(0.00)
XGBoost 9.86(0.25) 0.84(0.04) 16.65(0.81) 0.76(0.02)
随机森林 8.34(0.12) 0.82(0.02) 18.35(0.28) 0.78(0.03)
GSGNN 3.83(0.06) 0.49(0.02) 6.35(0.12) 0.94(0.02)
GMEL 7.78(0.18) 0.71(0.02) 7.54(0.21) 0.88(0.05)
GCN-RF 6.04(0.14) 0.55(0.04) 7.02(0.16) 0.93(0.03)
GCN-MLP 7.23(0.16) 0.98(0.03) 11.23(0.25) 0.82(0.04)
GAGNN-GA(只留语义) 6.43(0.11) 0.64(0.02) 7.43(0.15) 0.90(0.06)
GAGNN-SA(只留地理) 6.28(0.09) 0.58(0.02) 6.82(0.14) 0.93(0.05)
GAGNN 3.26(0.05) 0.42(0.02) 5.32(0.08) 0.96(0.04)

MAPE 的分母是每个区对自己的观测流量,再对区对取平均。表里的 0.42 表示平均绝对误差约为观测流量的 42%,不是 0.42 人次。CPC 把每个区对上预测和观测的较小值加总,乘 2,再除以预测总和与观测总和。大流量区对对 CPC 的拉动更大;MAPE 则让小流量区对和大流量区对各占一条。辐射模型的 MAE 26.75 低于重力模型的 30.24,MAPE 却是 1.98 对 1.76,所以“绝对误差更小”和“相对误差更小”在这里不是同一句话。

GAGNN 相对重力模型,MAE 下降 (30.24−3.26)/30.24 = 89.2%。相对只留地理邻接的 GAGNN-SA,MAE 从 6.28 降到 3.26。只使用地理邻接的 GCN-RF,MAE 6.04、CPC 0.93,已经接近 GAGNN-SA。两类边都用之后,GSGNN 把 MAE 降到 3.83;GAGNN 再降到 3.26。后一截小于从“只有地理边”到“两类边都有”的那一截。

完整原论文图7,不同语义连接下的训练曲线

图 7|四种语义设定下,训练有没有发散?

横轴是训练轮数,纵轴是损失,蓝线为验证损失,红线为训练损失。(a)道路。(b)公交。(c)地铁。(d)没有语义连接。四条曲线都下降并趋于平稳,验证损失高于训练损失。没有语义边时,损失降得更慢,后段仍高于另外三幅。图中没有印出最终损失的数值。来源:原论文 Fig. 7。

完整原论文图8,消融实验

图 8|去掉地理边、去掉语义边,或两条都去掉,验证误差升多少?

蓝柱是 MAPE,红柱是 CPC,误差棒是 10 次运行的标准差。正文写这组标准差低于 0.05。(a)道路语义:相对完整 GAGNN,GAGNN-GA、GAGNN-SA、只含预测器的 MLP 使 MAPE 升高 20.3%、39.5%、70.0%,CPC 下降 6.2%、12.4%、23.0%。(b)公交:MAPE 升高 12.9%、26.5%、54.0%,CPC 下降 6.6%、9.8%、20.6%。(c)地铁:MAPE 升高 18.0%、31.9%、60.7%,CPC 下降 4.6%、6.7%、17.9%。这是验证集上的相对变化,和表 4 的测试集绝对均值不是同一张成绩单。来源:原论文 Fig. 8。

道路补上的流量,公交和地铁补不上同等的一块

把语义网络换成公交、地铁,或者完全不用,残差图给出另一组汇总。横轴是观测通勤流量,纵轴是预测减观测。红色虚线是残差为 0。图内标注是这一张散点图的汇总,正文叙述只引用了其中的 MAE 和 CPC。

完整原论文图9,不同语义连接的残差

图 9|流量越大,哪一种语义边还能把点留在零残差附近?

(a)道路:MAE 3.26,RMSE 5.32,MAPE 42.21%,CPC 0.96。点在小流量处最密,大流量处有正负偏离,纵轴大约落在 −150 到 150。(b)公交:MAE 4.06,RMSE 6.38,MAPE 62.34%,CPC 0.93。(c)地铁:MAE 7.73,RMSE 18.35,MAPE 96.15%,CPC 0.89;纵轴拉到约 −500 到 1250,大流量处出现很大的正残差。(d)无语义连接:MAE 10.28,RMSE 35.02,MAPE 89.34%,CPC 0.86;残差向下伸到约 −1500。道路的 MAPE 42.21% 与表 4 的 10 次均值 0.42(标准差 0.02)是同一指标的两种写法。摘要把地铁写在公交之前;按这四组 MAE,顺序是道路、公交、地铁、无语义连接。来源:原论文 Fig. 9。

地铁 MAPE 达到 96.15%,同时 CPC 还有 0.89。两件事可以同时成立:CPC 由大流量的重叠撑住,MAPE 对每个区对等权,再除以该对的观测流量,小流量区对的相对误差会把 MAPE 抬高。

空间分布把同一比较画回地图。预测流量仍用 0–100 到 700–900 五档。误差图把偏差画成连线,图内没有可逐级读出的误差人数色标,所以只能比较线的疏密,不能把某一种红色读成“误差等于多少人”。

完整原论文图10,预测流量与误差的空间分布

图 10|预测流量和误差,从核心区到外围怎样变?

(a、e、i)道路语义:全市预测、核心区放大、误差线。(b、f、j)公交。(c、g、k)地铁。(d、h、l)没有语义连接。(a–d)的高流量仍集中在黑框所示的核心,向外围变稀;没有语义边时,外围的中等流量线更散。(e–h)把核心区拉开,道路和公交的粗线更多,地铁和没有语义边时核心内部的线更乱。(i–l)误差线在核心最密;公交、地铁和没有语义边时,误差线更明显地伸向外围。正文据此说道路对长距离流量的误差较小,公交和地铁在外围留下语义空档。来源:原论文 Fig. 10。

格子放大以后,谁的图还留得住细节?

主实验的 193 个行政区之外,作者另做了一组 1、2、3、4、5 公里格子。图 11 的横轴写成 1×1 到 5×5。补充表 S5 说明,覆盖面积等于有语义边的格子数乘格子面积。

1 公里时全市有 15,956 个格子。道路连上 3,258 个,边数 3,376,033,覆盖 3,258 km²。公交连上 2,711 个(16.99%),边数 132,192,分量 13,251。地铁连上 176 个(1.10%),边数 3,929,覆盖 176 km²,分量 15,781。按孤立格子单独计分量,地铁这 176 个活跃格子仍在同一个连通块里;15,781 个分量里,15,780 个是没有车站的格子。

5 公里时格子总数降到 755。道路边数降到 76,620,活跃格子 439,覆盖 10,975 km²。公交活跃格子 306,覆盖 7,650 km²,活跃节点比例 40.52%。地铁活跃格子 27,覆盖 675 km²。地铁覆盖从 176 km² 增到 675 km²,大约是四倍,因为一个 25 km² 的格子更容易把同一条线路的车站罩进去。

完整原论文图11,不同空间尺度下的预测指标

图 11|尺度从 1 公里放到 5 公里,四条语义曲线往哪边走?

黑、红、蓝、绿分别是 MAE、RMSE、MAPE、CPC,左右纵轴刻度不同。(a)道路:MAE、RMSE、MAPE 随尺度上升,正文给出的幅度是从 1 公里到 5 公里 MAE 约升高 17.2%;CPC 有起伏,正文没有逐尺度列出。(b)公交:三条误差曲线下降,CPC 上升,MAE 降 35.3%。(c)地铁:误差下降,CPC 上升,MAE 降 20.1%。(d)没有语义边:误差下降,CPC 上升,整条曲线仍差于有语义边的设定。除这三个百分比外,图上各点没有逐点数值表,不把曲线高度读成精确 MAE。来源:原论文 Fig. 11。

道路在细格子上边极多,模型能看见局部差异;格子变粗后,同一条路线把更大的范围连成团,局部流量被抹平,作者把这称为过平滑。公交和地铁在 1 公里上太碎,很多起讫对在语义图里根本没有路径;格子变粗后,车站的服务范围被格子吃进来,长距离联系才变得可见。没有语义边的模型在粗格子上也会变好,因为零散流量被加总成更稳的数。它始终差于带交通语义的版本,所以变好的那一部分来自统计上的归并,不来自线路结构。

停留门槛和两种边的权重,动一动会怎样?

居住地和工作地的门槛在道路语义上做了网格:半径 300、400、500、600 米,停留 3、4、5、6 小时。格内括号是识别出的通勤条数,单位是百万;粗体是 MAPE。黑框是正文采用的 500 米、5 小时。

完整原论文图12,停留半径和时间门槛的敏感性

图 12|多圈进一些停留,MAPE 会不会更好?

颜色越蓝,MAPE 越低。500 米、5 小时:1.37 百万条,MAPE 0.420,与正文的 1,374,963 条相符。500 米、4 小时:1.71 百万条,MAPE 0.418,是图中最低。3 小时、600 米最多,2.21 百万条,MAPE 0.541;3 小时整行都在 0.528 以上。6 小时、300 米只剩 0.98 百万条,MAPE 0.492。作者保留 5 小时,是为了和既有居住地识别研究一致,并写明与最低点只差 0.002。来源:原论文 Fig. 12。

α 和 β 在 0.2 到 1.4 之间变动。道路和公交的最低 MAPE 出现在 α = β = 1,分别是 0.450 和 0.570。地铁在等权处是 0.870,全图最低出现在 α = 1.0、β = 0.8,MAPE 0.835。把任一权重降到 0.2,道路热图边缘升到大约 0.55–0.60;正文举例说 MAPE 会冲到 0.58。公交和地铁在低权重处更高,地铁角上接近 1。权重大于 1.2 之后,三幅图的波动都小于把权重降到 0.2。

完整原论文图13,邻接融合权重的敏感性

图 13|地理边和语义边必须五五开吗?

横轴是地理权重 α,纵轴是语义权重 β,颜色是 MAPE,黑框是 α = β = 1。(a)道路,框内 0.450,低权重的边缘变红。(b)公交,框内 0.570。(c)地铁,框内 0.870;β = 0.8、α = 1.0 的格子是 0.835,低于黑框。三幅图的色标范围不同,不能把颜色深浅直接跨图比较。来源:原论文 Fig. 13。

这些数停在哪一层?

误差下降说明这张图的结构有预测贡献。它没有证明通勤者先查看道路拓扑再决定去哪上班,也没有证明道路比公交“更重要”可以外推到福州以外。道路边覆盖 181 个节点和 14,013.77 km²,地铁只覆盖 39 个节点和 1,256.7 km²。覆盖更全的网络更容易降低全市区对的平均误差。地铁在自己那几条走廊上的高运量,会被二进制边抹平:有车站就是 1,没有班次、容量或换乘次数。作者也写到,市中心的边过密会带来过平滑,核心区功能不同的邻里被编成过于接近的向量。图 10 的误差线在核心仍然密集,和这句话一致。

数据被压成一张两个月的静态网。工作日内部的周一和周五、1 月和 2 月的差别,模型看不见。手机用户不能代表低智能手机使用的人群,作者点名老年人是预期的薄弱部分。样本只来自福州,正文写明换到更小的城市或多中心城市后表现如何,还没有系统检验。

还有一张成绩单不要和表 4 混读。结论写道,去掉地理邻接使 MAPE 升高 14%、CPC 下降 4.7%,去掉语义邻接使 MAPE 升高 20.4%、CPC 下降 8.8%。4.1 节的验证集按道路、公交、地铁分别给出了另一组相对变化,表 4 又是道路语义的测试集均值。结论这四个百分比没有写出分子、分母和对应的交通方式。可以逐格核对的是表 4、图 8 的文字和图 9 的标注。

随机划分还会让同一个区的其他流量进入训练集。模型见过这个区的嵌入邻居,再猜它的一条留出边。这和“用过去几周预测未来一周”不是同一种考验。

一句话总结

在福州 193 个行政区、2023 年 1–2 月工作日聚合出的通勤网上,把共享边界和同一条道路连成的语义边一起送进图注意力,留出区对的 MAE 平均为 3.26,低于同样使用两类边的 GSGNN 的 3.83;公交和地铁因为连上的区和面积更少,补上的流量更有限,而且格子变粗之后,这三种网络的优劣会换位置。

核心来源

Tu, Y., Wang, P., Zhu, J. N. Y., Zhao, Z., Li, J., & Wu, S. (2026). GAGNN: a geography-aware graph neural network for citywide commuting flows prediction. International Journal of Applied Earth Observation and Geoinformation, 147, 105175. https://doi.org/10.1016/j.jag.2026.105175

补充材料与正文同 DOI。代码仓库:https://github.com/241010017-sys/GAGNN。原始定位数据论文写明可来函索取,正文没有附带。

Youjun Tu(涂有军)是福州大学计算机与数据科学学院、数字中国研究院(福建)2024 级博士研究生,论文第一作者,负责写作与方法。数字中国研究院(福建)的成果新闻写明了这一身份。

Peixiao Wang(王培晓)的论文署名是中国科学院地理科学与资源研究所、资源与环境信息系统国家重点实验室。同一则研究院新闻称他为助理研究员。论文中的工作是验证与指导。

Julie N.Y. Zhu 的论文署名是福州大学经济与管理学院,贡献栏为资助。没有核到与这篇署名对应的中文姓名和进一步职务,这里只保留论文所列身份。

Zhiyuan Zhao(赵志远)是通讯作者,邮箱 zyzhao@fzu.edu.cn,署名单位与涂有军相同。研究院新闻称他为副研究员,并把他列为这项工作的负责人;论文贡献是概念、指导和资助。2025 年一篇 IJGIS 论文的作者介绍写明,他是福州大学副研究员、数字福建政务大数据研究所副所长,研究方向包括人口动态观测与应用建模。

Junli Li 的论文署名是安徽农业大学资源与环境学院,贡献是指导与软件。没有在论文或上述机构新闻里核到中文姓名,不另作履历。

Sheng Wu 的论文署名机构与涂有军、赵志远相同,贡献是项目管理与形式分析。地理空间信息技术国家地方联合工程研究中心的管理页将 Wu Sheng 列为教授、副主任;皮书数据库的专家简介对应福州大学数字中国研究院(福建)教授吴升,研究领域包括大数据分析与可视化、数字化规划与数字政府。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

若把这套模型交给线路规划,尺度要先选对。1 公里格子上地铁只连起 176/15,956 个格子,覆盖 176 km²;公交也只有 16.99% 的格子。此时地铁语义的 MAE 偏高,主要是因为大多数起讫对在语义图里没有边。放到 5 公里后,地铁覆盖增到 675 km²,MAE 下降 20.1%。这个下降发生在格子变大之后,不能当成“新开通一条地铁、客流就会按同样比例变化”的证据。模型没有把线路班次、运力或票价放进边权,也没有做线路开通前后的对比。

第二个用法上的区分来自两个指标本身。道路设定的 CPC 是 0.96,MAPE 仍有 0.42,图 9 还标出 42.21%。CPC 的分子是每个区对上预测和观测的较小值,大流量对总和的贡献大。MAPE 先除以该对的观测流量,再对区对平均,小流量对会被放大。核心区的粗线重叠好,不足以说明外围 0–100 这一档也估准了。图 10 的误差线在核心和外围都还在,只是道路设定下外围更收。若一个应用关心的是低流量乡镇有没有被低估,应该回到残差散点的左下角,而不是只报 CPC。

第三个可检验的外推是权重。道路和公交的最低点恰在 α = β = 1,地铁却在把语义权重降到 0.8 时更好,MAPE 从 0.870 降到 0.835。福州地铁只有 39/193 个节点、1,256.7 km²。一座地铁网更短、或者公交走廊更碎的城市,若直接抄等权,稀疏语义边会和几乎到处都有的地理边以同样的系数进入综合邻接。这只是从福州的热图推出来的设计猜测。论文没有第二座城市,也没有把 β 设成覆盖率的函数再做检验。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录