Naukowcy stworzyli kompleksny system do analizy struktur miejskich wykorzystujący sieci neuronowe pracujące na grafach. Pipeline opiera się na bibliotekach takich jak city2graph, OSMnx i PyTorch Geometric, aby przeprocesować dane z OpenStreetMap i stworzyć reprezentacje miast w postaci grafów. Sistem automatycznie zbiera informacje o punktach zainteresowania (POI) i sieciach ulic, zastrzegając się kopii zapasową dla większej niezawodności.
Kluczową częścią pracy jest konstruowanie różnych typów grafów przestrzennych i porównywanie, jak każdy z nich reprezentuje te same środowiska miejskie. Zespół buduje zarówno grafy heterogeniczne, jak i homogeniczne, a następnie konwertuje je do formatu PyTorch Geometric — standardowego frameworku dla deep learningu na grafach. To podejście pozwala modelowi lepiej zrozumieć relacje przestrzenne między różnymi elementami miasta.
Model GraphSAGE trenowany jest do przewidywania kategorii POI na podstawie samej struktury przestrzennej — bez konieczności dostępu do metadanych czy opisów. To ma praktyczne znaczenie dla miast, które chcą automatycznie mapować funkcje dzielnic, planować infrastrukturę czy analizować zabudowę bez ręcznej anotacji. Takie podejście otwiera możliwości dla urbanistów i badaczy do lepszego zrozumienia dynamiki rozwoju miejskiego bezpośrednio z dostępnych danych geograficznych.