City2Graph：用于城市系统中异构图神经网络与空间分析的Python库 [R]

City2Graph 是我构建的一个 Python 库，它将地理空间数据转换为可供分析直接使用的图（适用于空间分析、网络分析以及作为 GeoAI 的图神经网络），描述该库的论文刚刚发表，所以我想在这里分享。 代码仓库：https://github.com/c2g-dev/city2graph ```python import city2graph as c2g # 建筑物 + 街道分段 -> 异构形态图 nodes, edges = c2g.morphological_graph(buildings, segments) # 直接转换到 PyTorch Geometric data = c2g.gdf_to_pyg(nodes, edges) ``` 它所涵盖的内容： - **形态学**：从 OpenStreetMap 和 Overture Maps 构建建筑物、街道和细分城市肌理的图 - **交通**：通过 DuckDB 加载 GTFS 和 GBFS 数据源，其中 GTFS 被聚合为站点到站点的公共交通图 - **流动性**：将 OD 矩阵和流量数据（人口迁移、共享单车、行人计数）表示为加权空间图 - **邻近性与邻接性**：KNN、Delaunay、Gilbert、Waxman，以及 queen/rook 邻接关系，支持欧几里得、曼哈顿或网络距离 - **异构图和元路径**：在同一个图中支持多种节点和边类型，并通过元路径派生的边来组合它们之间的关系 - **转换**：在 GeoDataFrame、NetworkX、rustworkx 和 PyTorch Geometric Data/HeteroData 之间往返转换，并保持几何和属性完整 论文阐述了为什么城市数据更适合被视为异构图而非扁平的特征表、形态学/交通/流动性/邻近性四类图结构之间如何相互关联，以及该库如何在各种转换中保持几何与图结构的一致性。如果你在研究中使用该库，请按以下文献引用。 **论文** Sato, Y., Pietrostefani, E., Mahabir, R., & Arribas-Bel, D. (2026). City2Graph: A Python library for Heterogeneous Graph Neural Networks and spatial analysis in urban systems. *Computers, Environment and Urban Systems*, 130, 102492. 我很乐意回答关于设计方面的问题，也非常欢迎提出 issue 或提交 PR。我尤其想了解大家接下来希望支持哪些数据源。