A graph-based multimodal framework to predict gentrification

📄 arXiv: 2312.15646v2 📥 PDF

作者: Javad Eshtiyagh, Baotong Zhang, Yujing Sun, Linhui Wu, Zhao Wang

分类: cs.CY, cs.AI, econ.GN

发布日期: 2023-12-25 (更新: 2023-12-27)

期刊: International Conference on Urban Informatics 2023 - Best Paper Award 3rd Place

💡 一句话要点

提出基于图的多模态深度学习框架，预测城市社区贵族化现象。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 城市规划 贵族化预测 图神经网络 多模态学习 深度学习

📋 核心要点

  1. 现有方法在预测城市贵族化方面存在局限，未能充分利用城市区域间的关系以及多模态数据。
  2. 提出一种基于图的深度学习框架，整合城市区域网络和关键设施信息，实现更精准的贵族化预测。
  3. 实验结果表明，该模型在预测精度上表现出色，并揭示了学校与贵族化之间的重要关联。

📝 摘要（中文）

贵族化（中高收入人群涌入导致低收入城市区域转型）在带来活力的同时也给低收入居民带来了挑战。为了帮助政策制定者采取有针对性的早期行动来保护低收入居民，研究人员提出了使用社会经济和图像特征来预测贵族化的机器学习模型。本文在前人研究的基础上，提出了一种新的基于图的多模态深度学习框架，该框架基于区域和关键设施（如学校、医院和地铁站）的城市网络来预测贵族化。使用来自芝加哥、纽约市和洛杉矶的数据对该框架进行了训练和测试。该模型成功预测了人口普查区域级别的贵族化，平均精度为 0.9。此外，该框架还发现学校与贵族化之间存在先前未被发现的强关系，这为进一步探索影响贵族化的社会因素奠定了基础。

🔬 方法详解

问题定义：论文旨在解决城市社区贵族化预测问题。现有方法通常依赖于独立的社会经济指标和图像特征，忽略了城市区域之间的相互依赖关系以及不同类型城市设施的影响。这些方法无法充分捕捉贵族化的复杂动态过程，导致预测精度受限。

核心思路：论文的核心思路是将城市区域及其关键设施抽象成图结构，利用图神经网络学习区域之间的关系以及设施的影响。通过整合多模态数据（如社会经济指标和图像特征），模型能够更全面地理解贵族化的驱动因素。这种方法能够捕捉区域间的空间依赖性和设施对贵族化的潜在影响。

技术框架：该框架包含以下主要模块：1) 图构建模块：基于城市区域和关键设施构建图结构，节点代表区域或设施，边表示区域间的邻接关系或区域与设施的关联。2) 特征提取模块：提取每个节点的社会经济指标、图像特征等。3) 图神经网络模块：利用图神经网络学习节点的表示，捕捉区域间的关系和设施的影响。4) 预测模块：基于学习到的节点表示预测区域是否会发生贵族化。

关键创新：该论文的关键创新在于：1) 提出了一种基于图的多模态深度学习框架，能够有效整合城市区域网络和关键设施信息。2) 发现了学校与贵族化之间存在先前未被发现的强关系，为进一步探索影响贵族化的社会因素奠定了基础。3) 将图神经网络应用于城市规划领域，为解决城市问题提供了一种新的思路。

关键设计：论文中图神经网络的具体选择未知，损失函数的设计也未知。关键设施的选择可能需要领域知识，例如，哪些设施对贵族化影响较大。图的构建方式，例如邻接关系的定义，也会影响模型性能。

📊 实验亮点

该模型在芝加哥、纽约市和洛杉矶的数据集上进行了测试，平均预测精度达到0.9。此外，该研究还揭示了学校与贵族化之间存在显著的相关性，为进一步研究社会因素对贵族化的影响提供了新的视角。具体的基线对比和提升幅度未知。

🎯 应用场景

该研究成果可应用于城市规划和政策制定。通过预测城市社区的贵族化趋势，政府可以提前采取干预措施，例如提供经济适用房、改善公共服务等，以保护低收入居民的权益，促进城市的可持续发展。此外，该模型还可以帮助投资者识别潜在的投资机会。

📄 摘要（原文）

Gentrification--the transformation of a low-income urban area caused by the influx of affluent residents--has many revitalizing benefits. However, it also poses extremely concerning challenges to low-income residents. To help policymakers take targeted and early action in protecting low-income residents, researchers have recently proposed several machine learning models to predict gentrification using socioeconomic and image features. Building upon previous studies, we propose a novel graph-based multimodal deep learning framework to predict gentrification based on urban networks of tracts and essential facilities (e.g., schools, hospitals, and subway stations). We train and test the proposed framework using data from Chicago, New York City, and Los Angeles. The model successfully predicts census-tract level gentrification with 0.9 precision on average. Moreover, the framework discovers a previously unexamined strong relationship between schools and gentrification, which provides a basis for further exploration of social factors affecting gentrification.