全球城市路网自适应简化工作流：从交通表征到空间表征的智能转换

为解决OpenStreetMap等现有城市路网数据因交通导向设计导致的重复段问题，东南大学团队开发了一种自适应简化工作流，通过六阶段算法将全球35个代表性城市的路网数据从交通表征（traffic representation）转换为空间表征（spatial representation），使重复段比例从31.2%降至3.6%。该成果为城市社会经济建模和地理人工智能（GeoAI）提供了高质量空间数据基础。

　　

城市路网是理解城市空间组织逻辑的关键载体，但现有主流数据集如OpenStreetMap（OSM）存在显著局限性——其以交通研究为导向的设计将每条车道视为独立空间单元，导致同一道路被拆分为重复段，平均重复率高达31.2%。这种"交通表征"（traffic representation）与城市研究需要的"空间表征"（spatial representation）存在根本冲突：前者关注车辆移动轨迹，后者需要整合道路作为社会文化活动的连续空间。重复段问题会扭曲拓扑测量（如中心性指标），干扰图神经网络（GNN）的消息传递机制，并阻碍社会经济活动的空间关联分析。

东南大学的研究团队在《Scientific Data》发表的研究中，提出了一种六阶段自适应简化工作流。该研究选取全球35个具有地域代表性的城市OSM数据，通过构建二分图网络（bipartite graph）、局部自适应交叉口简化、基于圆形度（Circularity=4πArea/Perimeter²）的循环组验证等创新方法，实现了路网从交通表征到空间表征的智能转换。关键技术包括：1）基于2度移动窗口的局部自适应交叉口识别；2）深度优先搜索（DFS）驱动的多车道循环组解耦；3）几何质心聚合算法；4）差异驱动的递归终止机制。

研究结果显示：在拓扑简化阶段，通过移除冗余节点使曲线存储点减少133,415个/城市，同时保持原始几何精度（R²=0.999）。交叉口简化阶段采用动态双重过滤策略，避免固定阈值导致的过聚合/欠聚合问题。最终数据集重复段比例降至3.6%，且保持98.61%的连接组件率，Pearson相关系数达0.93证实拓扑一致性。值得注意的是，该方法在深圳、阿姆斯特丹等高重复率城市（>50%）表现稳定，证明其跨文化背景的适应性。

该研究的核心突破在于解决了全球路网简化中的"参数困境"——传统方法依赖静态阈值，难以兼顾城市中心区密集路网与郊区宽阔道路的形态差异。通过引入局部自适应策略与递归验证机制，首次实现了多尺度城市环境的智能处理。成果为空间句法分析、城市形态量化研究提供了标准化数据基础，特别有助于提升GeoAI模型在人口聚集区（占城市面积40%区域）的预测准确性。数据集包含双图（dual graph）和二分图两种拓扑结构，支持GIS软件与Python生态的无缝对接，已开源共享于Figshare平台。

这项研究标志着城市空间计算从"数据获取"向"智能预处理"的重要转变，其方法论框架可扩展至三维交通分析、步行网络优化等领域。未来通过调整圆形度参数，可进一步处理立交桥等复杂场景，为智慧城市决策提供更精准的空间认知基础。