city2graph、OSMnx、PyTorch Geometricを用いた都市機能推論のための空間グラフニューラルネットワークの実装チュートリアル

本チュートリアルでは、city2graph を用いたエンドツーエンドの空間グラフ学習パイプラインを構築します。まず、OpenStreetMap から実際の都市 POI（ポイント・オブ・インタレスト）データとストリートネットワーク情報を収集し、ワークフローの信頼性を確保するために合成データのフォールバックも用意します。次に、空間特徴量をエンジニアリングし、複数の近接性グラフファミリーを構築して、異なるグラフ構築戦略が同じ都市環境をどのように表現するかを比較します。その後、異種グラフ構造と同種グラフ構造の両方を作成し、PyTorch Geometric 形式に変換した上で、GraphSAGE モデルを訓練して空間構造から POI カテゴリを予測します。このプロセスを通じて、地理空間データ処理、グラフ構築、GNN（グラフニューラルネットワーク）に基づく都市機能推論を単一の実践的なワークフローに統合します。 city2graph のインストールと地理空間・グラフ学習ライブラリのインポート コードをコピーしました 別のブラウザを使用してください !pip -q install "city2graph[cpu]" osmnx contextily scikit-learn 2>/dev/null import warnings, numpy as np, pandas as pd, geopandas as gpd warnings.filterwarnings("ignore") from shapely.geometry import Point import matplotlib.pyplot as plt import city2graph as c2g print("city2graph version:", getattr(c2g, "__version__", "unknown")) print("PyTorch / PyG available:", c2g.is_torch_available()) import torch import torch.nn.functional as F from torch_geometric.nn import SAGEConv, to_hetero from torch_geometric.utils import to_undirected from sklearn.preprocessing import StandardScaler from sklearn.neighbors import NearestNeighbors from sklearn.metrics import accuracy_score, f1_score from sklearn.decomposition import PCA SEED = 42 np.random.seed(SEED); torch.manual_seed(SEED) まず、必要なライブラリのインストールと、本チュートリアル全体で使用される地理空間データ処理、グラフ学習、機械学習ツールのインポートを行います。city2graph と PyTorch Geometric が利用可能であることを確認し、以降のワークフローが正常に実行できるようにします。また、グラフ構築、トレーニングデータの分割、モデルの結果の再現性を高めるために、固定された乱数シードを設定しています。 合成フォールバックを用いた OpenStreetMap POI データの収集 CENTER = (35.6595, 139.7005) DIST_M = 1100 TAG_QUERIES = { "food": {"amenity": ["restaurant", "cafe", "fast_food", "bar", "pub"]}, "retail": {"shop": True}, "education": {"amenity": ["school", "university", "college", "kindergarten", "library"]}, "health": {"amenity": ["hospital", "clinic", "pharmacy", "doctors", "dentist"]}, } def to_points(gdf): g = gdf.copy() g["geometry"] = g.geometry.representative_point() return g poi_gdf, segments_gdf = None, None try: import osmnx as ox ox.settings.use_cache = True ox.settings.log_console = False frames = [] for label, tags in TAG_QUERIES.items(): try: f = ox.features_from_point(CENTER, tags=tags, dist=DIST_M) f = f[f.geometry.notna()] if len(f): f = to_points(f)[["geometry"]].copy() f["category"] = label frames.append(f) except Exception as e: print(f" (skip {label}: {e})") if not frames: raise RuntimeError("No POIs returned from Overpass.") poi_gdf = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), crs="EPSG:4326") G = ox.graph_from_point(CENTER, dist=DIST_M, network_type="walk") segments_gdf = ox.graph_to_gdfs(G, nodes=False, edges=True).reset_index(drop=True)[["geometry"]] print(f"OSM acquisition OK -> {len(poi_gdf)} POIs, {len(segments_gdf)} street segments") except Exception as e: print(f"OSM unavailable ({e}) -> generating synthetic clustered POIs.") rng = np.random.default_rng(SEED) cats = list(TAG_QUERIES.keys()) centers = rng.uniform(-0.01, 0.01, size=(8, 2)) + np.array(CENTER[::-1]) rows = [] for ci, c in enumerate(centers): dom = cats[ci % len(cats)] n = rng.integers(40, 90) pts = c + rng.normal(0, 0.0016, size=(n, 2)) for (lon, lat) in pts: cat = dom if rng.random() {len(poi_gdf)} POIs") if len(poi_gdf) > 700: poi_gdf = poi_gdf.sample(700, random_state=SEED).reset_index(drop=True) metric_crs = poi_gdf.estimate_utm_crs() poi_gdf = poi_gdf.to_crs(metric_crs).reset_index(drop=True) if segments_gdf is not None: segments_gdf = segments_gdf.to_crs(metric_crs) print("Class balance:\n", poi_gdf["category"].value_counts()) 東京渋谷周辺から OpenStreetMap の実在 POI データを収集し、食品、小売、教育、健康といった広範な都市機能カテゴリに位置情報をグループ化します。また、後で POI を都市形態特徴と接続できるように、歩行者可能な道路ネットワークもダウンロードします。OSM へのリクエストが失敗した場合、チュートリアルがオンラインデータアクセス不可時でも実行可能となるよう、合成されたクラスタ型データを生成します。 空間特徴のエンジニアリングと近接グラフファミリーの構築 Copy CodeCopiedUse a different Browser poi_gdf["cx"] = poi_gdf.geometry.x poi_gdf["cy"] = poi_gdf.geometry.y coords = poi_gdf[["cx", "cy"]].to_numpy() nn = NearestNeighbors(radius=150.0).fit(coords) poi_gdf["local_density"] = [len(idx) - 1 for idx in nn.radius_neighbors(coords, return_distance=False)] if segments_gdf is not None and len(segments_gdf): try: joined = gpd.sjoin_nearest(poi_gdf[["geometry"]], segments_gdf[["geometry"]], distance_col="dist_street") poi_gdf["dist_street"] = joined.groupby(level=0)["dist_street"].min().reindex(poi_gdf.index).fillna(0.0) except Exception: poi_gdf["dist_street"] = 0.0 else: poi_gdf["dist_street"] = 0.0 poi_gdf["category"] = poi_gdf["category"].astype("category") poi_gdf["label"] = poi_gdf["category"].cat.codes.astype(int) CLASS_NAMES = list(poi_gdf["category"].cat.categories) print("Classes:", CLASS_NAMES) def graph_stats(name, builder): try: nodes, edges = builder() deg = pd.Series(np.r_[edges.index.get_level_values(0), edges.index.get_level_values(1)]).value_counts() return name, len(edges), round(deg.mean(), 2), (nodes, edges) except Exception as e: return name, f"ERR: {e}", None, None builders = { "KNN (k=8)": lambda: c2g.knn_graph(poi_gdf, distance_metric="euclidean", k=8, as_nx=False), "Delaunay": lambda: c2g.delaunay_graph(poi_gdf, as_nx=False), "Gabriel": lambda: c2g.gabriel_graph(poi_gdf, as_nx=False), "RNG": lambda: c2g.relative_neighborhood_graph(poi_gdf, as_nx=False), "EMST": lambda: c2g.euclidean_minimum_spanning_tree(poi_gdf, as_nx=False), "Waxman": lambda: c2g.waxman_graph(poi_gdf, distance_metric="euclidean", r0=150, beta=0.6), } print("\n--- Proximity graph comparison ---") print(f"{'graph': 10}{'avg_degree':>12}") built = {} for nm, b in builders.items(): name, ne, avgdeg, payload = graph_stats(nm, b) print(f"{name: 10}{str(avgdeg):>12}") if payload: built[nm] = payload fig, axes = plt.subplots(1, 3, figsize=(16, 5)) for ax, key in zip(axes, ["KNN (k=8)", "Delaunay", "EMST"]): if key in built: n_, e_ = built[key] e_.plot(ax=ax, linewidth=0.4, color="#3b7dd8", alpha=0.6) poi_gdf.plot(ax=ax, markersize=4, color="#d83b5c") ax.set_title(key); ax.set_axis_off() plt.suptitle("Spatial graph topologies on the same POI set", y=1.02) plt.tight_layout(); plt.show() 各 POI の空間特徴量は、投影座標の抽出、局所密度の計算、最寄りの道路セグメントまでの距離推定によって構築します。その後、カテゴリラベルを割り当て、KNN、Delaunay、Gabriel、RNG（Random Geometric Network）、EMST（Euclidean Minimum Spanning Tree）、Waxman など複数の近接性グラフファミリーを構築します。これらのグラフの辺数と平均次数を比較し、選択したグラフトポロジーを可視化して、同じ POI 集合をどのように異なる方法で接続しているかを確認します。 PyTorch Geometric における異種および同種グラフの構築 Copy CodeCopiedUse a different Browser nodes_dict = {} for cat in CLASS_NAMES: sub = poi_gdf[poi_gdf["category"] == cat].copy().reset_index(drop=True) nodes_dict[cat] = sub[["geometry", "cx", "cy", "local_density"]] try: _, bridge_edges = c2g.bridge_nodes(nodes_dict, proximity_method="knn", k=3, distance_metric="euclidean") hetero = c2g.gdf_to_pyg( nodes_dict, bridge_edges, node_feature_cols={cat: ["cx", "cy", "local_density"] for cat in CLASS_NAMES}, ) print("\nHeteroData node types:", hetero.node_types) print("HeteroData edge types:") for et in hetero.edge_types: print(f" {et}: {hetero[et].edge_index.shape[1]} edges") except Exception as e: hetero = None print("Heterogeneous build skipped:", e) nodes, edges = c2g.knn_graph(poi_gdf, distance_metric="euclidean", k=8, as_nx=False) deg = pd.Series(np.r_[edges.index.get_level_values(0), edges.index.get_level_values(1)]).value_counts() nodes["degree"] = deg.reindex(nodes.index).fillna(0).astype(float) for col in ["cx", "cy", "local_density", "dist_street", "label"]: if col not in nodes.columns: nodes[col] = poi_gdf.loc[nodes.index, col].values FEATS = ["cx", "cy", "local_density", "dist_street", "degree"] nodes[FEATS] = StandardScaler().fit_transform(nodes[FEATS].astype(float)) data = c2g.gdf_to_pyg(nodes, edges, node_feature_cols=FEATS, node_label_cols=["label"]) data.edge_index = to_undirected(data.edge_index) data.x = data.x.float() y = data.y.long().view(-1) N, num_classes = data.num_nodes, int(y.max()) + 1 print(f"\nHomogeneous Data: {N} nodes, {data.edge_index.shape[1]} directed-edges, " f"{data.x.shape[1]} features, {num_classes} classes") 都市機能カテゴリに基づいて POI をノードタイプに分離し、異種多層グラフを構築します。その後、ブリッジエッジを用いて異なるレイヤー間の近接ノードを接続し、その結果を PyTorch Geometric の HeteroData 形式に変換します。次に、均質 KNN グラフを構築し、次数とエンジニアリングされた特徴量を付加して標準化し、GraphSAGE 学習用の最終的な PyG Data オブジェクトを用意します。 POI 分類のための GraphSAGE モデルの定義とトレーニング Copy CodeCopiedUse a different Browser perm = torch.randperm(N, generator=torch.Generator().manual_seed(SEED)) n_tr, n_va = int(0.6 * N), int(0.2 * N) train_mask = torch.zeros(N, dtype=torch.bool); train_mask[perm[:n_tr]] = True val_mask = torch.zeros(N, dtype=torch.bool); val_mask[perm[n_tr:n_tr + n_va]] = True test_mask = torch.zeros(N, dtype=torch.bool); test_mask[perm[n_tr + n_va:]] = True class GraphSAGE(torch.nn.Module): def __init__(self, in_dim, hidden, out_dim, p=0.3): super().__init__() self.c1 = SAGEConv(in_dim, hidden) self.c2 = SAGEConv(hidden, hidden) self.lin = torch.nn.Linear(hidden, out_dim) self.p = p def forward(self, x, ei, return_emb=False): h = F.relu(self.c1(x, ei)) h = F.dropout(h, p=self.p, training=self.training) h = F.relu(self.c2(h, ei)) out = self.lin(h) return (out, h) if return_emb else out model = GraphSAGE(data.x.shape[1], 64, num_classes) opt = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) def evaluate(mask): model.eval() with torch.no_grad(): pred = model(data.x, data.edge_index).argmax(1) yt, yp = y[mask].numpy(), pred[mask].numpy() return accuracy_score(yt, yp), f1_score(yt, yp, average="macro") print("\n--- Training GraphSAGE ---") best_val, best_state = 0.0, None for epoch in range(1, 201): model.train(); opt.zero_grad() out = model(data.x, data.edge_index) loss = F.cross_entropy(out[train_mask], y[train_mask]) loss.backward(); opt.step() if epoch % 20 == 0: va_acc, va_f1 = evaluate(val_mask) if va_acc > best_val: best_val, best_state = va_acc, {k: v.clone() for k, v in model.state_dict().items()} print(f"epoch {epoch:3d} | loss {loss.item():.3f} | val_acc {va_acc:.3f} | val_f1 {va_f1:.3f}") if best_state: model.load_state_dict(best_state) te_acc, te_f1 = evaluate(test_mask) print(f"\nTEST accuracy={te_acc:.3f} macro-F1={te_f1:.3f}") グラフノードをトレーニング、バリデーション、テスト用のマスクに分割し、モデルが適切に学習・評価できるようにします。ノード特徴とグラフ構造の両方からノード表現を学習する 2 レイヤーの GraphSAGE モデルを定義します。モデルは 200 エポックにわたってトレーニングし、バリデーション精度とマクロ F1 スコアを監視しながら、最良のモデル状態を保存し、最終的にテストパフォーマンスを報告します。 埋め込みの可視化と異種グラフニューラルネットワーク（Heterogeneous GNN）の順伝播実行 Copy CodeCopiedUse a different Browser model.eval() with torch.no_grad(): logits, emb = model(data.x, data.edge_index, return_emb=True) pred = logits.argmax(1).numpy() emb2d = PCA(n_components=2).fit_transform(emb.numpy()) fig, axes = plt.subplots(1, 2, figsize=(15, 6)) for cls in range(num_classes): m = y.numpy() == cls axes[0].scatter(emb2d[m, 0], emb2d[m, 1], s=10, label=CLASS_NAMES[cls], alpha=0.7) axes[0].set_title("GraphSAGE node embeddings (PCA), coloured by TRUE class") axes[0].legend(fontsize=8); axes[0].set_xticks([]); axes[0].set_yticks([]) plot_gdf = nodes.copy(); plot_gdf["pred"] = pred plot_gdf["pred_name"] = [CLASS_NAMES[p] for p in pred] plot_gdf.plot(ax=axes[1], column="pred_name", legend=True, markersize=12, cmap="tab10") axes[1].set_title("Predicted urban function (mapped back to geography)") axes[1].set_axis_off() try: import contextily as ctx ctx.add_basemap(axes[1], crs=plot_gdf.crs, source=ctx.providers.CartoDB.Positron) except Exception: pass plt.tight_layout(); plt.show() if hetero is not None: try: for nt in hetero.node_types: hetero[nt].x = hetero[nt].x.float() class HGNN(torch.nn.Module): def __init__(self, hid, out): super().__init__() self.c1 = SAGEConv((-1, -1), hid) self.c2 = SAGEConv((-1, -1), out) def forward(self, x, ei): x = {k: F.relu(v) for k, v in self.c1(x, ei).items()} return self.c2(x, ei) hmodel = to_hetero(HGNN(32, 16), hetero.metadata(), aggr="sum") out_dict = hmodel(hetero.x_dict, hetero.edge_index_dict) print("\nHeterogeneous GNN output embedding shapes:") for nt, t in out_dict.items(): print(f" {nt}: {tuple(t.shape)}") except Exception as e: print("Hetero GNN forward skipped:", e) print("\n![image](https://s.w.org/images/core/emoji/17.0.2/72x72/2705.png) Done — proximity comparison, hetero construction, and a trained spatial GNN.") 訓練済みの GraphSAGE モデルを使用して、均質なグラフからノード埋め込みと予測結果を抽出します。学習された埋め込みを PCA で次元削減し、地理的な予測マップと共に可視化することで、モデルがどのように都市機能を分離しているかを理解します。また、to_hetero を用いた異種 GNN の順伝播も実行し、本チュートリアルが均質トレーニングと異種グラフの実験の両方をサポートしていることを示します。 キーポイント city2graph は、生の OpenStreetMap POI（Points of Interest）およびストリートデータを空間グラフに変換します。 6 つの近接性グラフファミリー（KNN, Delaunay, Gabriel, RNG, EMST, Waxman）は、同じ POI を異なる方法で接続します。 合成されたクラスタリングフォールバック機能により、OSM へのアクセスがなくてもワークフローを実行可能に保ちます。 2 層の GraphSAGE モデルが、空間構造から都市機能カテゴリを予測します。 to_hetero を通じて、均質トレーニングと異種グラフの実験の両方をサポートするパイプラインです。 結論 結論として、私たちは生きた都市データをグラフベースの学習と可視化へ変換する完全な空間 GNN パイプラインを完成させました。いくつかの近接性グラフ手法を比較し、異種多層グラフを構築し、均質な GraphSAGE クラスファを訓練し、学習された埋め込み表現と地理的予測を検証しました。これにより、POI 間の空間関係をグラフ構造として表現し、都市機能を予測するためにどのように活用できるかという実践的な理解が得られました。また、city2graph、GeoPandas、OSMnx、PyTorch Geometric が Colab に親和的な環境で高度な地理空間機械学習実験を支援するためにどのように連携するかを示すものでもあります。

city2graph、OSMnx、PyTorch Geometricを用いた都市機能推論のための空間グラフニューラルネットワークの実装チュートリアル

背景や根拠まで確認しますか？

調べる

選ぶ

サイト