UrbanVerse: 도시 영역 표현 학습을 통해 도시와 작업 간의 일반화

UrbanVerse: Learning Urban Region Representation Across Cities and Tasks

최근 도시 영역 표현 학습의 발전은 도시 분석 분야에서 다양한 응용을 가능하게 했지만, 기존 방법은 도시 및 분석 작업에 대한 일반화 능력에 한계가 있습니다. 본 연구에서는 도시 및 작업에 특화된 환경을 넘어, 도시 분석을 위한 기반 모델을 구축하는 것을 목표로 합니다. 이를 위해, 도시 간의 표현 학습 및 도시 분석 작업 간의 일반화를 위한 모델인 UrbanVerse를 제안합니다. 도시 간 일반화를 위해 UrbanVerse는 전체 도시가 아닌, 대상 영역에 국한된 특징과 인접 영역의 구조적 특징에 집중합니다. 우리는 영역을 그래프의 노드로 모델링하며, 이를 통해 무작위 탐색 기반의 절차를 사용하여 '영역 시퀀스'를 형성하여 도시 영역 표현 학습에 필요한 지역 및 주변 구조적 특징을 반영합니다. 작업 간 일반화를 위해, 영역 조건부 사전 지식과 작업 조건부 의미를 확산 과정에 통합하여 여러 하위 도시 예측 작업을 동시에 모델링하는 HCondDiffCT라는 교차 작업 학습 모듈을 제안합니다. HCondDiffCT는 범용적이며, 기존의 도시 표현 학습 모델과 통합하여 하위 작업의 성능을 향상시킬 수 있습니다. 실제 데이터 세트에 대한 실험 결과, UrbanVerse는 도시 간 환경에서 6가지 작업 모두에서 최첨단 방법보다 일관되게 우수한 성능을 보였으며, 예측 정확도가 최대 35.89% 향상되었습니다.

Recent advances in urban region representation learning have enabled a wide range of applications in urban analytics, yet existing methods remain limited in their capabilities to generalize across cities and analytic tasks. We aim to generalize urban representation learning beyond city- and task-specific settings, towards a foundation-style model for urban analytics. To this end, we propose UrbanVerse, a model for cross-city urban representation learning and cross-task urban analytics. For cross-city generalization, UrbanVerse focuses on features local to the target regions and structural features of the nearby regions rather than the entire city. We model regions as nodes on a graph, which enables a random walk-based procedure to form "sequences of regions" that reflect both local and neighborhood structural features for urban region representation learning. For cross-task generalization, we propose a cross-task learning module named HCondDiffCT. This module integrates region-conditioned prior knowledge and task-conditioned semantics into the diffusion process to jointly model multiple downstream urban prediction tasks. HCondDiffCT is generic. It can also be integrated with existing urban representation learning models to enhance their downstream task effectiveness. Experiments on real-world datasets show that UrbanVerse consistently outperforms state-of-the-art methods across six tasks under cross-city settings, achieving up to 35.89% improvements in prediction accuracy.