Nature子刊：基于图神经网络重建城市OD流
🏙️ 人们每天从哪里出发、去往哪里，是交通规划、公共设施布局和传染病模拟的重要基础。但完整的出行调查和手机定位数据既昂贵又难获得，数据匮乏在资源有限地区尤其突出。
🧠 这篇发表于《Nature Computational Science》的研究提出 neuroGravity：将经典重力模型与图神经网络结合，只利用少量已知流量、人口分布和 OpenStreetMap 城市设施数据，推测尚未观测到的区域间流动。

📊 核心结果
🔍 在最困难的稀疏观测设定中，模型只看到随机选取的10%区域内部流动，约占全部有效 OD 连边的0.7%–1.2%。
📈 以波士顿为例，neuroGravity 达到 R²=0.77、CPC=0.73；传统重力模型分别为0.59和0.63。六座城市的平均结果中，它的 R² 比表现最好的基线高38%。
🌐 训练于波士顿的模型可以直接迁移到未见城市：洛杉矶、旧金山湾区、波哥大和里约热内卢的 R² 分别为0.69、0.61、0.48和0.42。
💰 跨城市迁移效果与空间收入隔离高度相关。源城市和目标城市的隔离程度越接近，流动网络通常越容易迁移。作者构建的线性模型对迁移表现达到 R²=0.97。
🗺️ 研究最终生成了全球1,200多座城市和地区的流动代理网络。

🧩 主要方法
🧱 第一步：整理人口和52项 OSM 建成环境特征，包括建筑、土地利用、兴趣点和道路密度，再由 LightGBM 判断哪些区域之间可能存在稳定流动。
⚖️ 第二步：meta-Gravity 根据两地人口、距离和区域特征，生成符合“人口吸引—距离衰减”规律的初始流量。
🕸️ 第三步：边增强的 Graph-BERT 继续学习不同城市中的复杂空间关系，并在对数空间估计最终流量。

📄 Yang et al., Transferable human mobility network reconstruction with neuroGravity, Nature Computational Science 6, 630–641 (2026).
🔗 DOI：10.1038/s43588-026-01003-y
NatureComputationalScience 人类流动 城市计算 图神经网络 交通规划 城市科学 论文分享 科研科普