Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference

城市土地使用推断是一项极其重要的任务，有助于城市规划和政策制定。最近，传感器和位置技术的增加促进了多模式移动性数据的收集，为日常活动模式提供了有价值的见解。许多研究采用先进的数据驱动技术，探索这些多模式移动性数据在土地使用推断中的潜力。然而，现有的研究通常独立处理样本，忽略了相邻对象之间的空间相关性和不同服务之间的异质性。此外，复杂深度学习方法的固有低可解释性对城市规划构成了重大障碍，其中透明度和可推广性对于做出长期政策决策至关重要。为了克服这些挑战，我们介绍了一个可解释的框架，用于推断土地使用，将异构图神经网络（HGNs）与可解释的AI技术相结合，提高了准确性和可解释性。实证实验表明，所提出的HGNs在所有六个土地利用指标中明显优于基线图神经网络，特别是在“办公”和“维持生计”方面。作为解释，我们考虑特征归因和反事实解释。特征归因解释的分析表明，框架预测的“居住”和“工作”类别的对称性与伦敦通勤者的“工作”和“娱乐”活动相吻合。反事实解释的分析揭示，节点特征和类型的变化主要负责观察到的预测土地利用分布与理想混合状态之间的差异。这些分析表明，所提出的HGNs可以适当地支持城市利益相关者在城市规划和政策制定方面。

本论文旨在解决城市规划和政策制定中的城市土地利用推断问题，提出了一种可解释的框架，将异构图神经网络与可解释的AI技术相结合，以提高准确性和可解释性。

论文的关键思路是将异构图神经网络与可解释的AI技术相结合，以处理城市中不同类型的节点和空间相关性，提高土地利用推断的准确性和可解释性。

论文使用了多模式移动性数据集，并采用了特征归因和反事实解释来解释模型的结果。实验结果表明，所提出的HGNs在六种土地利用指标中均优于基线图神经网络，特别是在办公和生计方面。该框架可为城市规划者和政策制定者提供支持。

在相关研究方面，最近的研究包括：1.基于卷积神经网络的土地利用推断；2.使用深度学习进行城市土地利用分类；3.基于图神经网络的城市土地利用预测。