Cartographier les villes avec l'IA : une nouvelle méthode pour déduire les fonctions urbai
Un nouveau tutoriel Python montre comment les réseaux de neurones graphiques spatiaux transforment les données brutes des villes en informations sur les fonctions urbaines. Ce workflow open source, construit autour de bibliothèques comme city2graph, OSMnx et PyTorch Geometric, explique comment collecter des points d'intérêt depuis OpenStreetMap, concevoir des caractéristiques spatiales et entraîner un modèle GraphSAGE pour prédire des catégories telles que l'alimentation, le commerce, l'éducation et la santé.
Des rues aux graphes
Le processus commence par récupérer des données réelles de POI et des réseaux routiers depuis OpenStreetMap, avec une solution de repli synthétique permettant de maintenir le pipeline opérationnel même en l'absence de données en temps réel. Après le nettoyage des données, le tutoriel crée plusieurs graphes de proximité — chacun capturant une manière différente de relier les points d'intérêt et les segments de rue — afin que les utilisateurs puissent comparer l'impact de la conception des graphes sur le modèle final. Des structures de graphes homogènes et hétérogènes sont ensuite construites et converties au format PyTorch Geometric pour l'entraînement.
Entraîner un modèle spatial
Une fois les données préparées, le workflow entraîne un modèle GraphSAGE pour déduire les catégories de POI à partir de la structure spatiale seule. Une graine aléatoire fixe garantit des partitions et résultats reproductibles, tandis que des métriques standards de machine learning suivent la précision et les scores F1. La combinaison du traitement des données géospatiales, de la construction de graphes et des réseaux de neurones graphiques offre un modèle pratique pour les urbanistes, chercheurs et data scientists souhaitant automatiser l'inférence des fonctions urbaines sans étiquetage manuel coûteux.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.