城市功能推断：用city2graph、OSMnx和PyTorch Geometric实现空间图神经网络编码教程

一句话看懂

一篇完整的编码教程，展示如何用city2graph、OSMnx和PyTorch Geometric构建空间图神经网络管道，从OSM数据到POI分类预测。

详细发生了什么

教程围绕东京涩谷区域展开。作者先从OpenStreetMap获取真实POI数据（餐饮、零售、教育、健康四类）和步行街道网络，并设计了合成数据回退机制，确保流程在任何环境下都能运行。接着，为每个POI工程化空间特征：投影坐标、局部密度（基于150米半径内的邻居数）、到最近街道的距离。然后，用city2graph库构建六种邻近图家族（KNN、Delaunay、Gabriel、RNG、EMST、Waxman），并对比它们的边数和平均度。最后，将图结构转换为PyTorch Geometric格式，构建异质图和同质图，并训练GraphSAGE模型来预测POI类别。整个过程整合了地理空间数据处理、图构建和GNN训练，形成一个完整的工作流。

中文圈视角

对中文开发者来说，这套流程有直接参考价值。city2graph库目前支持中文地理数据（如高德地图API），但教程中用的OSMnx依赖OpenStreetMap，国内访问可能不稳定。替代方案是用国产开源库如geopandas结合高德/百度地图API获取POI，或用ModelScope上的预训练图模型。教程中的合成数据回退机制值得借鉴，可确保离线或网络受限时仍能运行。另外，中文城市数据（如北京、上海）的POI分类标准与OSM不同（如“餐饮”对应“美食”），需要调整标签映射。对于智慧城市、城市规划领域的研究者，这个管道可直接用于城市功能区识别、设施布局优化等场景。

几条值得记住的细节

教程使用东京涩谷中心点（35.6595, 139.7005），半径1100米，采集POI和步行网络。
六种邻近图对比中，KNN (k=8) 边数最多，EMST边数最少，平均度差异显著。
空间特征包括投影坐标、局部密度（150米半径内邻居数）和到最近街道距离。
模型使用GraphSAGE（SAGEConv），训练目标是根据空间结构预测POI类别。
city2graph版本未知，但需PyTorch Geometric支持，可通过c2g.is_torch_available()检查。

一句话总结

一套可复现的空间图学习代码，帮你从地理数据直接跳到GNN模型训练，适合城市计算和GIS开发者上手。