企业官网建设流程全解析

做GIS的人都知道，传统空间分析是在点线面上做文章；做图神经网络的人都知道，GNN吃的是图——节点带特征、边带权重。中间这一步，把「空间数据」翻译成「图结构」，长期是个手工活：先把POI落节点，再算两两距离定边，再把路网叠进去，最后导出成PyG的Tensor。

City2Graph把这一步封成了几行函数调用。本文拿济南趵突泉周边实测：1200个POI、4529条道路、8803栋建筑，跑通固定半径图、Waxman随机图、城市形态图、异构图转PyG全流程。

目录

一、City2Graph是什么

1.1它解决什么问题

1.2三个核心函数

二、数据准备：趵突泉周边的三栖数据

2.1三类数据清单

2.2数据获取的细节

三、fixed_radiusvsWaxman：四种连边方式对比

3.1四种图结构对比

3.1.1 对比数据

3.1.3 程序

3.1.3 出图对比

3.2两个值得注意的点

3.3四种图分别适合什么场景

四、morphological 500m：城市形态学图

4.1什么是morphological图

4.2从图上读出的五个结论

4.3空间结构诊断与改造建议

五、一行转PyGHeteroData：GIS到GNN的最后一公里

5.1 HeteroData长什么样

5.2转完之后能跑什么分析

六、什么时候用、什么时候别用

一、City2Graph是什么

1.1它解决什么问题

City2Graph是利物浦大学YutaSato团队2026年开源的GeoAI图库（BSD-3-Clause，GitHub约1.9kstar），对应论文发表在Computers,EnvironmentandUrbanSystems。

它解决一件事：把城市里多源的空间数据（POI点、道路线、建筑面、GTFS公交线路、共享单车OD）统一转成图结构，并且在三种数据格式之间互转——GeoPandasGeoDataFrame（GIS世界）、NetworkX（图算法世界）、PyGHeteroData（深度学习世界）。

1.2三个核心函数

关键函数三个：fixed_radius_graph（固定半径连边）、waxman_graph（随机几何图）、morphological_graph（城市形态学图）。加上gdf_to_pyg一行转PyG。

二、数据准备：趵突泉周边的三栖数据

2.1三类数据清单

测试范围选济南泉城广场周边1.2公里，实际POI集中在趵突泉片区。三类数据全部国内可获取：

表1趵突泉周边实测数据清单

2.2数据获取的细节

1. POI用高德个人key按餐饮、购物、风景名胜、医疗、住宿、生活服务六类各拉200条
2. 数据坐标系一致需要转WGS-84；

3、道路和建筑都来自OvertureMaps2024开放数据集，city2graph的load_overture_data函数直接按bbox拉parquet。

三、fixed_radiusvsWaxman：四种连边方式对比

3.1四种图结构对比

3.1.1 对比数据

同样1200个POI，换四种连边规则，图结构差异巨大。

表2四种图结构对比

3.1.3 核心程序

fixed_radius100m

fr_nodes, fr_edges = c2g.fixed_radius_graph(poi_m, radius=100, distance_metric="euclidean")

waxmaneuclidean

w_eu_nodes, w_eu_edges = c2g.waxman_graph(poi_m, beta=0.5, r0=100, distance_metric="euclidean", seed=42)

waxmanmanhattan

w_ma_nodes, w_ma_edges = c2g.waxman_graph(poi_m, beta=0.5, r0=100, distance_metric="manhattan", seed=42)

waxmannetwork

w_nt_nodes, w_nt_edges = c2g.waxman_graph( poi_m, beta=0.5, r0=100, distance_metric="network", network_gdf=edges_m, network_weight="length", seed=42 )

3.1.3 出图对比

固定半径（红）、欧氏Waxman（橙）、曼哈顿Waxman（黄）、沿道路Waxman（蓝）

图1四种连边方式对比

3.2两个值得注意的点

两个值得注意的点：

第一，曼哈顿距离的边数比欧氏少近30%。原因是曼哈顿距离对同样半径，「实际覆盖范围」是菱形而非圆形，在网格城市里邻居数天然偏少。

第二，沿道路连边后边数最少（5586），只有固定半径图的四分之一。原因是沿道路最短路径距离天然比直线距离长——两个POI直线200m，沿路可能要走400m，Waxman概率P=0.5·exp(-d/100)下，d越大连边概率越低。这就是「直线距离」和「步行可达性」的本质差异。

3.3四种图分别适合什么场景

四种图分别适合什么场景：

表3四种图的适用场景

一句话：做商业分析用network，做快速实验用euclidean，做政策硬分析用fixed_radius。

四、morphological500m：城市形态学图

4.1什么是morphological图

前三张图都是POI自己和自己连边。morphological_graph不一样——它用建筑面和道路段当「障碍物」，把城市空间切成两类节点：place（建筑围合出来的开放空间）和movement（街道本身），再连三种边：place相邻（touched_to）、街道连通（connected_to）、空间面向街道（faced_to）。

morphological代码：

nodes_dict, edges_dict = c2g.morphological_graph( buildings_gdf=buildings, segments_gdf=segments_m, center_point=center, distance=500, keep_buildings=True, keep_segments=True, )

彩色点=place，灰线=道路

图2趵突泉周边morphological图

500m半径内跑出243个place、66条movement、共1037条边。这不是POI图，是「城市空间结构」图——它回答的问题是：这个商圈有几个开放空间、哪几条街把它们串起来。TOP10彩色标注，灰色=孤立place（115个）

图3院落群空间分布

4.2从图上读出的五个结论

从数据可以看出五个结论：

1）核心区主要院落群挤在不到1平方公里内，空间非常密集。

2）最大群（22个place）在核心区西北边缘，不在正中心。空间重心偏西，东边反而是小群。

3）南边有一整群独立院落（9个place），和核心区隔了约500m空白带，没有任何连通边——这是图上最明显的断裂带。

4）243个place里有115个是孤立点（灰色），占47%。近一半开放空间没有邻居，空间是碎的。

5）西边（群1/2/3/8）规模大，东边（群4/5/6/10）规模中等，没有一个群是压倒性主群——是多中心结构。

4.3空间结构诊断与改造建议

空间结构诊断：

问题1：近一半空间是孤立点。115个place没有任何touched_to邻居，说明开放空间被道路/建筑切割得很碎，没有形成连续的步行界面。

问题2：南边断裂带。核心区和南边独立群之间有500m宽的空白带，没有连通——两边的人流走不到一起。

问题3：最大群在边缘不在中心。22个place的最大群在西北边缘，说明核心区正中心的空间连通性反而不如边缘。

改造建议（图上能直接指出来的）：

建议1：打通西北边缘的最大群（群1，22place）和中部群（群3，15place）。两个群隔得最近但没有连通边，打通后能合并成37place的超级院落群。

建议2：在南边断裂带（核心区和独立群之间500m空白）加一条步行连通通道，把南北两边的空间串起来。

建议3：把115个孤立点里位置相邻的几个先连起来，降低孤立点比例——孤立点越多，人流越散。

五、一行转PyGHeteroData：GIS到GNN的最后一公里

5.1HeteroData长什么样

所有图最终要落到PyG上训练。City2Graph一行gdf_to_pyg直接出HeteroData：

我们把POI（1200个）和建筑（8803栋）作为两类节点，bridge_nodes用knn=5把每个POI连到最近的5栋建筑，得到6000条(poi,is_nearby,building)边。gdf_to_pyg输出的HeteroData长这样：

HeteroData(
poi={x=[1200,0],pos=[1200,2]},
building={x=[8803,0],pos=[8803,2]},
(poi,is_nearby,building)={edge_index=[2,6000]},
(building,rev_is_nearby,poi)={edge_index=[2,6000]}
)

注意两点：一是自动生成了反向边rev_is_nearby，GNN训练时双向消息传递不用自己写；二是x目前是0维（没塞特征），把POI类型one-hot、建筑层高/屋顶形状灌进去，就是[1200,6]和[8803,3]，直接能跑GCN。

pyg_to_nx回环也通：GeoPandas→NetworkX→PyG三方互转闭环。

5.2转完之后能跑什么分析

转完HeteroData之后能跑什么分析？

现在x=[1200,0]是空特征，灌三类特征进去就能跑GNN：POI类型one-hot（6类→[1200,6]）、建筑面积/层高（→[8803,3]）、图结构特征（节点度、中心度）。三个可直接落地的分析：

分析：图嵌入（商圈子群发现）。

1. 用GraphSAGE把1200个POI降到2维，实际跑出来6类POI完全分成了6个独立簇。
2. 右图——embedding同时学到了空间位置：颜色越黄越北、越紫越南，和实际纬度对应。这说明GNN不只是分类，还能把「业态」和「空间」两个维度同时编码进二维向量里。

转换程序：

nodes, edges = c2g.waxman_graph(poi, beta=0.5, r0=100, distance_metric="euclidean", seed=42)

左图按POI类型着色（6类完全分开），右图按纬度着色（颜色渐变和空间位置对应）

图4 GraphSAGE2D嵌入

本次实测跑通了全流程：GeoPandas数据→四种图结构→morphological空间分析→PyGHeteroData→GraphSAGE嵌入。从GIS到GNN的最后一公里，City2Graph确实把手工活封成了几行函数。

六、什么时候用、什么时候别用

适合的场景：商圈活力分析（POI图）、步行可达性（network距离）、城市空间结构（morphological）、把已有GIS数据快速喂给GNN做选址/分类预测。

不适合的场景：大区域（全国级）图——1200个POI已经跑出2.2万边，10万节点就是百万边级别，内存吃紧；需要精确交通阻抗的——network模式用的是道路长度，不是真实驾车时间；建筑和道路数据国内依赖OvertureMaps，小地块可能不全。