近日，数字中国研究院（福建）赵志远研究团队、博士研究生涂有军在地球科学1区Top期刊《International Journal of Applied Earth Observation and Geoinformation》发表题为“GAGNN: a geography-aware graph neural network for citywide commuting flows prediction”的研究成果。论文第一作者为2024级博士研究生涂有军，通讯作者为赵志远副研究员，主要合作者包括中国科学院地理科学与资源研究所王培晓助理研究员。

论文针对现有研究中城市通勤OD流预测中，对地理邻接与交通网络语义邻接之间的交互作用与复杂关系考虑不充分的问题，提出了一个“地理知识增强”的图神经网络框架GAGNN，该方法在编码端将地理邻接与由城市道路/公交/地铁等交通网络构建的语义邻接进行联合建模，并通过双邻接加权融合形成综合邻接关系，从而把“区域近邻效应”和“跨区域交通联通”协同纳入同一图结构中；随后利用图注意力网络（GAT）对多重邻接关系进行自适应加权聚合，同时融入POI分布、人口与路网密度等多源地理知识学习区域嵌入；在解码端再将区域嵌入与到CBD距离、区际距离等空间因子拼接成征向量，实现对复杂空间交互的更充分表达与更高精度的OD流推断（图1）。

实验结果总体表明，GAGNN在通勤OD流预测准确率明显优于传统方法、机器学习方法以及多种现有图模型，地理模块、语义模块与多源地理知识特征对预测效果有积极贡献，其中语义模块贡献度方面，道路连接最优，公交次之，地铁相对较弱。

图1 面向通勤OD预测的GAGNN模型总体框架

引用格式：Youjun Tu, Peixiao Wang, Julie N.Y. Zhu, Zhiyuan Zhao, Junli Li, Sheng Wu, GAGNN: a geography-aware graph neural network for citywide commuting flows prediction, International Journal of Applied Earth Observation and Geoinformation, Volume 147,2026, https://doi.org/10.1016/j.jag.2026.105175.

论文链接：https://www.sciencedirect.com/science/article/pii/S1569843226000919