综述：GeoAI驱动的城市计算：现状与挑战

《Annals of GIS》：GeoAI enabled urban computing: status and challenges

这篇综述系统探讨了地理空间人工智能（GeoAI）在城市计算中的技术框架与应用进展，涵盖时空数据表征、知识图谱（KG）和预训练基础模型等核心技术，并聚焦智能交通、环境监测等四大应用场景，同时提出深度学习与知识推理融合、数据可信度等关键挑战，为智慧城市发展提供理论支撑。

　　

GeoAI驱动的城市计算技术革新

GeoAI作为地理信息科学（GIS）与人工智能（AI）的交叉领域，通过融合时空数据特性与AI推理能力，正在重塑城市计算的范式。其核心技术体系包含四大支柱：

时空数据表征模型

采用嵌入技术（如Place2Vec、Road2Vec）将地理实体转化为高维向量，支持下游的聚类与预测任务。例如，Wang等开发的时空嵌入分支架构，通过神经网络自动捕获交通路网的层次化空间模式。

时空插值与预测技术

针对传感器稀疏性问题，深度学习方法（如Cheng团队提出的多视图融合模型）显著提升了空气污染物分布预测精度。图神经网络（GNN）则能建模路网动态关联，实现交通流量跨区域推演。

地理知识图谱构建

Gao等构建的旅游偏好知识图谱，整合POI语义与游客行为数据，但面临跨域实体对齐难题。未来需开发轻量化空间对齐算法，增强多模态数据（遥感+社交媒体）的融合能力。

时空基础模型

以掩码地理模型（如Wang的交通基础框架）为代表，通过自监督预训练学习通用时空表征，但在计算效率与可解释性上存在瓶颈。

应用场景突破

在智能交通领域，Zhang等利用生成对抗网络（GAN）提升拥堵预测鲁棒性；公共安全方面，Huang通过深度学习挖掘犯罪事件的时空异质性；环境监测中，Xu团队结合张量分解填补遥感数据空缺；可持续发展领域，Zheng采用强化学习优化社区资源配置。

现存挑战与展望

1. 1.

   知识-数据双驱动融合：需构建混合符号-神经模型，平衡深度学习黑箱特性与知识推理可解释性。

2. 2.

   跨学科协作壁垒：例如交通研究需耦合社会经济因子（如通勤者收入分布）与物理传感器数据。

3. 3.

   虚假数据风险：谷歌地图伪造拥堵事件警示需发展联邦学习验证框架，符合AI TRiSM（可信AI）标准。

4. 4.

   人本伦理考量：快递算法优化需嵌入"价值敏感设计"，避免劳动者权益损害。

未来研究应聚焦时空基础模型的轻量化部署，以及建立涵盖技术-伦理-治理的全链条解决方案，推动GeoAI在智慧城市中发挥更安全、公平的作用。