【目的】轨迹知识图谱能够有效记录轨迹与地理空间实体间深层语义联系，在揭示复杂关联信息方面展现出显著优势。传统的面向领域数据源的知识图谱构建方法依赖于专业知识，涉及繁重的数据预处理和实体关系抽取工作，对用户的专业技能要求较高。【方法】为降低轨迹知识图谱构建门槛，本文提出了一种大语言模型提示学习增强的轨迹知识图谱构建方法，支持以自然语言驱动的任务执行流程，显著降低了知识图谱构建的使用门槛。首先设计预处理任务提示策略，引导模型自动生成异常轨迹数据处理代码，完成数据预处理工作，降低了编程能力的依赖；其次设计工具调用的两级系统提示策略，完成轨迹实体关系抽取工具的匹配与调用，将繁重的构建流程封装于提示模板与自动化工具中，使非专业用户通过简单的语言指令完成图谱构建。【结果】为验证本文方法的可行性与有效性，本文通过构建轨迹预处理和实体关系抽取工具匹配的测试语句集，选取真实船舶和车辆轨迹数据作为知识图谱构建数据集，评估提示策略的适用性，在通义千问和百度千帆主流大语言模型上，分别达到了75%和80%以上的准确率。【结论】本文验证了结合提示学习的大语言模型在低门槛构建轨迹知识图谱中的有效性，展现出所设计提示策略的良好泛化性与应用价值。

【目的】图神经网络（Graph Neural Network, GNN）与建筑信息模型（Building Information Modeling, BIM）的深度结合显著推动建筑、工程与施工（Architecture, Engineering, and Construction, AEC）行业的发展，本文针对BIM中的空间识别与分类问题，提出一种节点特征增强的自监督图神经网络模型，旨在通过构建一套面向任务的框架，弥合BIM数据与基于图的表示学习之间的差距，从而能够同时捕获几何语义与功能空间语义。【方法】将每个建筑空间表示为节点，利用边特征增强节点特征。为最大化特征描述能力，在图传播之前，将拓扑意义显著的共墙连接、走廊连接、角落连接和开放空间连接等关系编码为加权边，并通过可学习的融合层注入到节点嵌入中，并在自主构建的12种空间类型和4种关系特征的3大类建筑空间布局图知识库上进行训练，从而可自动识别建筑中的功能空间类型。【结果】 ① 在覆盖学校、住宅和办公楼3类建筑，共300个大型平面子图的BuildingGraph自建数据集上进行建筑空间节点分类，所提出的融合边特征的增强型GNN实现了96.83%的分类准确率，并在数千节点规模的大图上仍保持训练损失曲线的稳定收敛；② 在相同训练超参数设置下进行消融实验，与现有GNN模型相比，BGFEF在测试精度（97.08%）和F₁分数（96.75%）方面均实现了显著提升，其中较传统Graph‑BERT和最先进SAGE‑E模型高出3%~12%； ③ 在真实工程应用中，选取学校、公寓和办公楼3类共9个BIM模型并提取房间连通拓扑图进行测试，验证了本方法在建筑空间分类中的准确性与互操作性，学校类模型的单个实例识别准确率最高达96.87%。【结论】本文方法提高了空间分析的效率和自动化程度，研究结果为其在实际AEC项目中的落地实施提供了实践指导，支持生成与Industry Foundation Classes（IFC）标准无缝对应的高置信度功能标签，从而加速基于规则的设计审查、设施管理与疏散路径优化，并为多类型建筑场景下的本体驱动图推理提供可扩展的研究与应用基础。

图像超分辨率技术通过提升图像的空间分辨率，增强图像清晰度，增加图像细节信息，实现在硬件条件不变的情况下提高图像质量。鉴于遥感影像具有较大的像幅、复杂的特征表现和丰富的细节，结合遥感图像信息高效获取的需求，本文提出了一种基于条件控制扩散模型（Diffusion Model）的遥感图像超分辨率算法DSR（Diffusion Super-Resolution）。该算 法以同一区域的低分辨率遥感图像为扩散模型的控制条件，与添加噪声后的高分辨率遥感图像拼接作为输入，构建了一个以U-Net为主干，融合残差连接和自注意力机制的深度噪声训练网络，并改进了损失函数以获得更优的超分辨率效果。 本文实验中采用了多时相、多时期的国产卫星高分系列、高景系列的高分辨率遥感图像以及公开数据集Alsat-2B作为测试数据，测试了从32像素尺寸扩大至128像素的超分辨率效果。在这一基础上，将本文提出的算法与Bicubic、SRGAN、Real-ESRGAN、SwinIR等超分辨率算法进行比较，在PSNR和SSIM指标上取得了更好的性能。实验结果表明： DSR算法适用于遥感图像的超分辨率重建，特别是在多光谱遥感图像的超分辨率处理中，能够提升超分辨率结果质量，克服了简单卷积网络只能提取图像浅层特征的局限，避免了对抗神经网络训练过程中难以收敛的问题，显著提升了遥感图像中丰富细节的还原能力。

相较于城市暴雨致灾事件（如内涝、洪水、泥石流等），现有研究对小粒度、多样化暴雨级联事件（如房屋损毁、地铁淹没等）风险的特征构成及其客观评估关注较少，难以适应城市精准化管理目标；同时，暴雨级联事件的风险评估模型构建面临样本数据风险特征不完备带来的模型效果约束。针对上述问题，考虑空间特征和风险特征的空间关联性，提出了融合风险特征和空间特征的城市暴雨级联事件风险评估模型构建方法。首先，面向不同暴雨级联事件的风险情景，从暴雨基层官员巡检、公民上报和社交媒体发帖数据中提炼级联事件风险特征；其次，以原始风险样本的空间定位为衔接，利用改进的边际Fisher方法从多源空间数据中挖掘空间特征，补充风险特征的缺失；最后，基于机器学习方法建立风险特征与风险类别的关联关系，构建多类别暴雨级联事件的风险评估模型。中国湖北省武汉市的实验结果表明：所提方法能够通过多源空间特征挖掘解决风险评估模型构建的特征不完备问题，实现多样化暴雨级联事件风险评估模型的有效构建，总体准确率、 F₁得分以及AUC分别提升了23%、24%以及25%；同时，针对小粒度承灾体开展多样化级联事件风险评估，有助于更加精准的城市暴雨风险管理。

社区管辖范围在智慧社区场景中应用广泛，高时效性、可靠的社区管辖范围是提供高质量基层服务的基础。然而，目前社区管辖范围面的绘制仍然依赖于基层工作者的人工标注，具有采集门槛高、更新时效低等问题。运用社区下辖区域的空间关联点位，可实现针对复杂社区管辖范围的生成问题，本文提出了一种基于众源地理数据驱动和图神经网络建模的社区范围生成算法CB-GCN，以实现针对复杂关联点位分布及区域划分条件下的高质量、低成本社区管辖范围面生成。基于城市中的多级路网将城市划分为块面，并基于楼栋空间坐标将块面进一步细分为空间单元，再基于空间单元在众源兴趣面及路网块面中的共现关系构造空间关系图；然后，基于图卷积网络计算空间单元之间的近邻关系度，并据此加权聚合计算空间点位特征；最后根据聚合结果 推断空间单元的社区归属，并得到最终的社区管辖范围。实验结果表明，CB-GCN生成社区管辖范围面的效果均优于基准方法，尤其在F₁-score和IoU指标中较基准方法分别提升9.4%和14.4%。CB-GCN实现了社区面管辖范围生成的自动化，显著提升了社区管辖范围兴趣面生成的效率。

实现轨道交通和常规公交2个系统的便捷换乘，是推动轨道交通与常规公交网络之间融合发展、打造多模式便捷公共交通系统的基础。本文以深圳市为例，结合手机信令数据和公交刷卡数据，识别轨道交通和常规公交的换乘特征，进而估算各轨道站点的换乘潜在需求量及其换乘需求缺口，同时基于熵权-TOPSIS模型对各轨道站点换乘供给条件进行了评价，结合换乘供需匹配的评价结果与换乘需求缺口，对轨道站点提出了相应的优化策略。研究发现，深圳市地铁-公交换乘潜在需求高的站点多分布在居住人口聚集区附近，中心城区的换乘供需匹配度高，且部分老城区供大于需，但外围站点普遍存在供不应求的情况；从换乘需求缺口来看，部分供应不足但运行高效的站点值得借鉴经验，而那些需求缺口大的低效站点应根据不同的供需匹配情况进行针对性的提升优化。结果表明：基于多源数据评估地铁-公交换乘潜在需求与换乘供给水平的匹配情况，并结合换乘需求缺口来制定换乘优化策略，对于提升地铁与公交换乘服务的精细化管理水平具有重要的参考意义。

特大城市生活必需品供应保障体系直接影响社区的供应韧性，而社区系统无法孤立存在，其作为城市治理基本单元对推动供需联动与增强城市韧性具有关键作用。本研究探索性提出一种基于复杂网络理论的城市社区供应保障韧性评估方法，尝试测度社区动态韧性，实现从“单系统评价”走向“多系统关联评价”的韧性评估底层理论思维突破。以广东省广州市中心城区六区为例，充分利用手机信令等多源数据，基于市民时空间行为构建“市场-社区”生活物资供需网络，同时基于社区韧性5个指标制定网络攻击策略；引入级联失效机制评估其网络抗毁性，结合熵权法赋予权重得到社区韧性评估结果；并通过研究供应网络不同阶段节点失效的社区影响因素，进一步解析社区韧性与供应体系间的影响机理。研究发现：① 基于本研究构建的城市生活物资网络模型，可实现较好地模拟城市社区供需网络和评价社区韧性，其中潜在供应保障缺失的低韧性社区主要分为老旧街区、城中村、城郊街区3种空间类型；② 通过针对社区5种不同攻击策略下网络抗毁性分析，发现社区韧性主导影响因素不同，其中人口密度为首要考虑因素；③ 社区韧性与供应保障间存在复杂双向影响，包括低韧性社区在面对城市突发事件时存在明显脆弱性，社区自组织能力、供应设施布局与供应点间联动调度等都会影响社区整体韧性。

共享汽车在满足用户多样化出行需求的同时，有助缓解交通拥堵、降低污染，很多场景比出租车更为经济。单向共享汽车允许用户在系统内任意站点借车和还车，具备运营成本低、服务灵活的优势。然而，用户出行需求的时空偏态性会导致站点间车辆和需求不平衡，成为制约单向共享汽车企业盈利的关键问题。车辆调度能在一定程度上缓解上述问题，现有研究多数以期望收益最大化或降低系统不平衡性为目标构建优化模型。前者受限于出行需求预测精度不足，放弃当前订单而追求期望更高收入的模式难以保证实际收益；后者为满足系统平衡而付出更多调度成本会使系统盈利能力下降。为此，本文提出一种收益驱动并适用实时场景的单向共享汽车用户重定位模型RUG，基于前景理论的确定效应保证当前可获得收益，对于受系统资源限制无法满足的需求，通过为用户提供替代方案在尝试获取收益的同时，也能有效平衡系统车辆资源。通过设计合理的用户激励和接受度模型将用户作为重定位主体纳入系统，利用公共交通突破传统用户重定位车辆的距离局限，以贪心的最优化实现调度计算。在真实的纽约出行和共享汽车数据集上的实验结果表明， RUG模型相比现有用户重定位方法优势显著，在同样模型参数条件下，相比现有代表性基于用户调度方法，RUG在服务订单数和利润2个方面分别提高14%和60%，尤其提升了交通高峰期单位利润。通过加入出行需求预测，模型进一步增加5.4%收益的同时，还能有效改善用户服务水平和系统平衡性。

城市级联灾害情景态势的转化演化是指在情景态势演化过程中，承灾体在致灾因子作用下转化为新的致灾因子，形成灾害链。针对城市暴雨级联灾害情景态势的转化演化问题，本文基于级联灾害情景态势相关的多源空间数据，结合概率化分析工具，提出一种暴雨级联灾害应对的情景态势转化推演方法。① 基于历史案例确定级联情景涉及情景要素及潜在要素转化路径；② 在百度百科和维基百科的网络知识资源支持下，利用机器学习中的分组最小角回归方法选择情景要素特征；③考虑级联灾害情景态势演化过程中的多阶段及复杂关联特征，构建情景态势转化推演的动态贝叶斯网络模型；④ 利用马尔可夫链蒙特卡罗方法对贝叶斯网络进行求解。将上述情景态势转化推演方法应用于武汉市高新区的暴雨应对实践，用例结果表明：本文方法能够结合历史案例和网络数据，实现关键情景要素及其特征的快速有效生成，帮助提升情景态势转化推演的可靠性；同时，支持地理网格等小粒度承灾体的情景态势转化推演，有助于更加精准的暴雨应急决策支持，在可视化分析方面亦具有较好效果。

引起人类患癌的原因，环境污染占比60%。空间同位(co-location)模式挖掘算法可以识别其实例在地理空间中频繁邻近的模式，可应用于探究工业排放的室外空气污染物与癌症的潜在联系。传统的空间同位模式挖掘算法在衡量模式兴趣度时通常基于模式实例出现频次计算其频繁性，但污染源实例对癌症实例的影响还与实例之间的距离相关，加之污染源受气象条件、浓度大小、危害程度等因素的影响具有差异性，因此不能只依靠实例出现次数度量其兴趣度。为此，基于高斯核密度估计模型提出了空间序偶模式及相应挖掘算法，高斯核函数可以较好地刻画污染源对癌症病例的影响随距离衰减的过程，为了尽可能地还原污染源在真实世界中的扩散情况，将城市风向、风速以及污染源排放浓度考虑在内定义了新的空间邻近关系度量准则，并且对污染源所属致癌类别进行了归类，对不同致癌类别的污染物进行加权区分，提出了更加新颖的污染源与癌症关系模式的度量和相应的挖掘算法。最后，在真实和合成数据集上验证了所提度量和挖掘算法的有效性和高效率，结果表明，提出的影响度度量较传统参与度度量更能捕获现实生活中更具有现实意义的空间序偶模式，且相较于同类型算法挖掘效率平均提高了60%左右。

全球离散格网系统是指把地球表面按照一定规则离散分割成多分辨率层次结构的格网单元，广泛应用于海量多源空间数据的组织、管理和分析中。六边形全球离散格网具有优良的几何特性，非常适合于空间数据的处理，如何进一步提高六边形全球离散格网编码运算的效率仍是当前研究的重点。本文采用正二十面体施耐德投影四孔径六边形全球离散格网模型，基于六边形三轴坐标与编码的二进制数的对应关系构建四孔六边形的基础编码结构，将二十面体划分为32个基础六边形，并将之分为3种基础六边形剖分瓦片，在每个六边形剖分瓦片采用基础编码结构进行编码，建立了四孔六边形全球离散格网编码，同时设计了并实现了四孔六边形编码与六边形三轴坐标之间的快速转换，基于此构建了一种高效的四孔六边形全球离散格网编码运算方案，包括编码的算数运算、空间拓扑运算和邻域检索运算及跨面运算。与现有的六边形全球离散格网编码运算方案相比，本文的方案进一步提高了编码算数运算、空间拓扑运算和邻域检索运算的效率，编码加法运算是HLQT的2~3倍，邻域检索运算分别是HLQT的3~5倍和H3的2~3倍，且受格网编码层次的影响较小，编码的跨面邻域检索运算时间略高于面内的运算，可以为全球离散格网系统的研究应用提供支撑。

水印对于电子地图版权的保护十分重要，开展可视水印的去除研究有助于从攻防对抗的角度评价可视水印的有效性，进而提高电子地图可视水印的抗攻击研究水平。针对已有基于深度学习的可视水印去除方法存在训练样本量大、效率低、可视水印去除后有残留或要素丢失等问题，本文提出一种基于条件生成对抗网络(CGAN)的电子地图可视水印去除方法。该方法的模型主要由一个生成器和一个判别器组成，其中生成器采用U-Net结构，保证去除可视水印后生成的地图区域的真实性，判别器则采用基于区域判别的全卷积网络，通过对抗训练来区分生成的地图瓦片与真实地图瓦片之间的差异，使得可视水印去除后重建的电子地图更接近真实地图。实验表明，本文提出的方法简单易行，模型训练速度比基于全卷积网络的算法快4倍，能够去除文字、彩色图像及二者混合等模式的可视水印，可实现Google、高德、百度等国内外地图厂商提供的导航电子地图、遥感影像等多种地图瓦片上的可视水印批量去除，无需人工干预，且水印去除后的地图瓦片与原始真实地图瓦片有着良好的结构相似性。

城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。

夜间经济是一个城市经济发展和消费水平的重要表征。目前国内外研究者对夜间经济的研究多停留在理论层面,或基于市场调研和问卷调查的小范围精细化研究。本文融合多源数据为夜间经济提供了新的视角,相较于传统的调查数据,具有更加快速、高效、广泛的特点,适合于夜间经济大范围研究。本文基于夜间灯光、POI、OD流等多源数据,采用DBSCAN、K-Means++等空间聚类算法和研究供需关系的盈亏法,分别从消费者角度和商户角度识别厦门市夜间活动热点区域和夜间服务设施分布区域,分析厦门市夜间经济时空分布格局及相关性。研究表明:① 厦门市夜间活动在空间上呈多环状分布并向四周递减,夜间活动热点区域分布受假期的影响因地而异;② 厦门市部分区域已有服务设施未能很好地服务于夜间经济,现有的照明、夜景等夜间灯光基础设施存在供给不足之处;③ 居住人口密度与夜间活动密度呈中度正相关,研究结果具有有效性,夜间服务设施盈亏值及数量、夜间灯光与夜间活动密度呈中、弱度相关,并且餐饮设施更加依赖于夜间灯光。最后,为厦门市未来夜间经济建设提出了根据不同的消费人群和心理提供不同的夜间服务、加强夜间灯光基础设施建设以及市场扶持的举措。研究结论对促进社会就业、增强基础设施使用率有积极意义,同时也能够为城市夜间经济发展和政策制定提供参考。

公共厕所作为最典型的公共设施,反映出城市的文明程度和管理服务水平,是打造城市文明形象的重要窗口。当前的研究主要集中在公共厕所的可达性和覆盖范围,把公共厕所当做空间上的点无差别对待,忽略了不同功能区公共厕所空间分布所异质性的问题。如何建立全面精准的公共厕所空间评价体系,分析不同区域公共厕所的综合服务能力在当前研究中明显不足,不利于公共厕所的配置规划和基本公共服务均等化的推进。多源数据的涌现为城市公共设施的研究提供了新视角,为此本文提出一个城市功能区视角下基于POI大数据的公共厕所空间布局合理性评价方法。利用词频-逆文本频率（Term Frequency-inverse Document Frequency,TF-IDF）信息加权技术,结合兴趣点（Point of Interest, POI）频率密度识别城市功能区,融合OpenStreetMap（OSM）路网密度数据和WorldPop人口数据设立人口出行活力指数,对城市功能区内的公共厕所服务进行评价;最后计算人口和空间覆盖率以及空间不平衡指数,判别街镇间的差别与街镇内公共厕所布局的合理性。该方法以多源数据为基础,定量分析不同功能区内公共厕所配置的合理性,并探讨公共厕所空间配置的差异化因素。以国内城市化程度最高之一的上海市为例进行计算,研究发现:① 不同的城市功能区内厕所的配置数量不同,商服功能区的规划数量最多,商服功能区中公共厕所配置的合格度也最高,此外,“工业-商服”、“绿地-商服”等商服相关的联合功能区的合格度也处于较高水平,这是由于大量商业服务机构均对外提供公共厕所服务,提升了该地区的公共厕所的服务能力;② 公共功能区内的合格度最低,仅有10.27%,与该类型附属公共厕所设施的开放程度相关;③ 上海市各街镇公共厕所的合格度整体较好,平均空间覆盖率达到67.31%,平均人口覆盖率达到70.72%;街镇内公共厕所服务和出行活力分布之间的不平衡指数从0~0.76不等,其中不平衡指数小于0.4的共有147个,占比69.34%,表明这些街镇内公共厕所空间配置比较合理。公共厕所配置合理性从上海市区向西南、东南、崇明岛有明显的递减,而向西北地区则没有明显的衰减,呈现出连片的较好的服务能力。结果表明,这种方法充分考虑了公共厕所所属功能区和人口出行活力异质性的问题,空间分析上更加精准,可以为城市公共设施规划提供参考建议。

通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义。将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点。但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别。本文首先以建筑物质心作为样本进行聚类获得建筑群组。其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标。再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测。实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高。