City2Graph 开源：用异构图神经网络做城市空间分析
面向城市系统的 Python 库 City2Graph 发布，把地理空间数据转为异构图，支撑 GNN 与空间分析，已在期…
City2Graph 是一个新近开源的 Python 库，专门把城市相关的地理空间数据（建筑、路网、公交、OD 流等）转换为可直接用于图神经网络（GNN）训练的异构图结构。配套论文已发表于《Computers, Environment and Urban Systems》期刊，作者来自多所高校与研究机构。该工具主要面向做城市计算、GeoAI 和空间分析的科研与工程用户。
核心定位：把城市数据当作异构图来处理
论文和库的设计都强调一个观点：城市数据天然包含多种实体类型（建筑、街道、站点、小区、出行轨迹），它们之间的关联也是异质的，强行拍平成同构的特征表会损失结构信息。City2Graph 把这种异构关系显式建模为多种节点与边类型，并支持基于元路径（metapath）合成跨类型关系，方便下游 GNN 直接消费。
支持的数据来源与图构造
City2Graph 内置若干常见城市数据源的加载与图构造能力，包括：
- 形态（morphology）：从 OpenStreetMap、Overture Maps 抽取建筑、街段、镶嵌的城市肌理，输出形态学异构图。
- 交通（transportation）：通过 DuckDB 加载 GTFS、GBFS 时刻表与共享单车数据，并把 GTFS 聚合为「站点到站点」的公交图。
- 出行（mobility）：把 OD 矩阵、人流、自行车、行人计数等流数据建模为加权空间图。
- 邻接与邻近（proximity）：提供 KNN、Delaunay、Gilbert、Waxman，以及 queen/rook 邻接，距离度量支持欧氏、曼哈顿和网络距离。
与主流图框架的互转
库本身不绑定某个 GNN 框架，而是提供统一的中间表示与多种格式之间的双向转换：
- GeoDataFrame ↔ NetworkX ↔ rustworkx ↔ PyTorch Geometric 的 Data / HeteroData。
- 在转换过程中保留几何与属性，方便在不同分析阶段（纯空间分析 vs. GNN 训练）来回切换。
论文与可用性
配套论文为：Sato, Y., Pietrostefani, E., Mahabir, R., & Arribas-Bel, D. City2Graph: A Python library for Heterogeneous Graph Neural Networks and spatial analysis in urban systems. Computers, Environment and Urban Systems, 130, 102492. 作者在 Reddit 公开征集新数据源支持需求与社区贡献（issue / PR）。对城市系统、Urban GNN、空间统计方向的研究者与从业者而言，这是一个补齐数据-图-模型链条的实用工具。