🤖 AI

Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference

Dit artikel stelt een verklaarbaar raamwerk voor dat Heterogene Graph Neural Networks integreert met post-hoc Explainable AI-technieken om de nauwkeurigheid en interpreteerbaarheid van multi-modale inferentie van stedelijk landgebruik te verbeteren, en zo datagedreven stadsplanning en beleidsvorming te ondersteunen.

Oorspronkelijke auteurs: Xuehao Zhai, Junqi Jiang, Adam Dejl, Antonio Rago, Fangce Guo, Francesca Toni, Aruna Sivakumar

Gepubliceerd 2026-05-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xuehao Zhai, Junqi Jiang, Adam Dejl, Antonio Rago, Fangce Guo, Francesca Toni, Aruna Sivakumar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een stad voor als een gigantisch, levend raadsel. Decennialang hebben stadsplanners geprobeerd uit te zoeken waar elk stukje van het raadsel voor dient (is het een woning? een winkel? een park?) door te kijken naar statische kaarten of enquêtes bij mensen af te nemen. Maar steden zijn rommelig, dynamisch en komen vaak niet overeen met de officiële plannen.

Dit artikel introduceert een nieuwe, slimmere manier om dat raadsel op te lossen met behulp van gegevens over hoe mensen zich verplaatsen (zoals het gebruik van bus, metro en fiets) gecombineerd met AI die verbanden begrijpt.

Hier is een uiteenzetting van hun aanpak, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Geïsoleerde Kamer"-Fout

Eerdere pogingen om grondgebruik te raden, waren als proberen het beroep van iemand te begrijpen door alleen naar hen te kijken in een enkele kamer, en te negeren met wie ze praten of waar ze als volgende naartoe gaan.

Het Probleem: Oude methoden behandelden elke locatie alsof het in een vacuüm bestond. Ze beseften niet dat een bushalte verbonden is met een metrostation, of dat een fietsdeelpunt gekoppeld is aan een nabijgelegen park. Ze negeerden ook dat verschillende vervoersmiddelen (bussen versus fietsen) verschillende verhalen vertellen.
De Black Box: Zelfs wanneer AI goed werkte, was het een "black box". Het gaf een antwoord, maar kon niet uitleggen waarom. Stadsplanners moeten het "waarom" weten om de AI te vertrouwen bij langetermijnbeleidsbeslissingen.

2. De Oplossing: De "Heterogene Grafiek" (Het Stedelijke Web)

De auteurs bouwden een digitaal model genaamd een Heterogene Grafische Neuronale Netwerk (HGN).

De Analogie: Denk aan de stad niet als een lijst met adressen, maar als een gigantisch, meerlagig spinnenweb.
- De Knopen (Spinnen): Dit zijn de haltes (bushaltes, metrostations, fietsdokken).
- De Randen (Draden): Dit zijn de verbindingen. Sommige draden zijn wegen, sommige zijn spoorrails en sommige zijn wandelpaden tussen verschillende soorten haltes.
- Het "Heterogene" Deel: Dit is de sleutel. In een normaal web zien alle spinnen er hetzelfde uit. In dit web zijn sommige spinnen blauw (metro), sommige groen (bus) en sommige oranje (fietsen). De AI is slim genoeg om te weten dat een blauwe spin zich anders gedraagt dan een groene, maar ze maken nog steeds deel uit van hetzelfde web.
De Invoer: Ze voerden de AI gegevens aan over hoeveel mensen elke 15 minuten gedurende een dag in en uit deze voertuigen stapten.
De Uitvoer: De AI voorspelt de "intensiteit" van verschillende vormen van grondgebruik (bijvoorbeeld hoeveel "kantoor"-activiteit versus "woon"-activiteit er daar plaatsvindt).

3. De Resultaten: Een Betere Kaart

Toen ze deze "Stedelijke Web"-AI testten tegen oudere, eenvoudigere modellen:

Het won elke keer. Het was aanzienlijk nauwkeuriger in het raden van grondgebruik, vooral voor lastige categorieën zoals "voedselvoorziening" (restaurants/café's) en "kantoor".
Het verholp de "blinde vlekken". Oudere modellen neigden om hetzelfde te raden voor hele wijken (zoals zeggen dat een heel gebied gewoon "woon" is). Het nieuwe model zag de nuances, en besefte dat één straat druk kan zijn met werknemers terwijl de volgende blok vol zit met shoppers.

4. Het "Waarom" (Verklarende Kracht)

Het belangrijkste deel van dit artikel is dat ze niet zomaar een black box bouwden; ze bouwden een transparante black box. Ze gebruikten twee "flitslichten" om te laten zien hoe de AI denkt:

A. Het "Feature Attribution"-Flitslicht

Dit vraagt: "Welk deel van het dagelijkse schema was het belangrijkst voor deze voorspelling?"

De Bevinding: De logica van de AI voldeed perfect aan menselijke intuïtie.
- Voor Kantoren zag de AI dat de ochtendspits (mensen die aankomen) en de avondspits (mensen die vertrekken) de grootste aanwijzingen waren.
- Voor Woningen zag het het omgekeerde: mensen die 's ochtends vertrekken en 's avonds terugkeren.
- Voor Recreatie/Winkelen besefte de AI dat deze plaatsen niet draaiden om de ochtendspits, maar druk waren in de avonden.
Waarom het belangrijk is: Omdat het "redeneren" van de AI overeenkwam met wat menselijke experts al wisten, kunnen planners vertrouwen op zijn voorspellingen.

B. Het "Counterfactual"-Flitslicht

Dit vraagt: "Wat is de kleinste verandering nodig om dit gebied te veranderen in een 'perfect gemengde' gemeenschap?"

De Analogie: Stel je een wijk voor die momenteel voor 90% uit kantoren bestaat. De AI fungeert als een "Wat-als"-simulator. Het zegt: "Als we alleen het type weg in de buurt zouden veranderen, of als de fietsgebruikspatronen iets zouden verschuiven, zou dit gebied een gebalanceerde mix van woningen en winkels kunnen worden."
De Bevinding: Ze ontdekten dat voor sommige gebieden het veranderen van de verkeerspatronen (knooppuntenkenmerken) de sleutel was. Voor anderen was het veranderen van het type weg (randtypes) de belangrijkste factor. Dit helpt planners precies te begrijpen welke hendels ze moeten trekken om een wijk te verbeteren.

Samenvatting

De auteurs creëerden een systeem dat de stad behandelt als een complex, veelkleurig web van verbindingen in plaats van een lijst met geïsoleerde plekken. Door deze "Stedelijke Web"-AI te gebruiken, kunnen ze grondgebruik nauwkeuriger voorspellen dan ooit tevoren. Cruciaal is dat ze een "vertaler" toevoegden die de logica van de AI in platte taal uitlegt, wat bewijst dat de AI niet zomaar raadt – het begrijpt eigenlijk het ritme van het stadsleven.

De Kern: Dit hulpmiddel helpt stadsplanners de stad te zien zoals hij echt is (dynamisch en verbonden) in plaats van hoe hij op papier was gepland, en geeft hen het bewijs dat ze nodig hebben om betere, meer vertrouwde beslissingen te nemen.

Technische Samenvatting: Heterogene Graph Neural Networks met Post-hoc Uitleg voor Multi-modale en Verklaarbare Landgebruiksinferentie

Probleemstelling
Inferentie van stedelijk landgebruik is cruciaal voor stadsplanning en beleidsvorming, maar staat voor aanzienlijke uitdagingen op het gebied van nauwkeurigheid, data-integratie en interpreteerbaarheid. Traditionele methoden vertrouwen vaak op vereenvoudigde aannames of enquêtegegevens en slagen er niet in om de complexe, dynamische aard van stedelijke omgevingen vast te leggen. Hoewel recente datagedreven benaderingen multi-modale mobiliteitsdata gebruiken (bijvoorbeeld mobiele telefoonregistraties, GPS-trajecten), verwerken bestaande studies frequent steekproeven onafhankelijk van elkaar, waarbij ze ruimtelijke correlaties tussen naburige objecten en de heterogeniteit tussen verschillende vervoersdiensten negeren. Bovendien belemmert het "black-box"-karakter van deep learning-modellen hun adoptie in beleidscontexten waar transparantie en de mogelijkheid om extrapolaties te maken voor langetermijnbeslissingen essentieel zijn.

Methodologie
De auteurs stellen een verklaarbaar kader voor dat Heterogene Graph Neural Networks (HGN's) synergistisch combineert met post-hoc Explainable AI (XAI)-technieken. De methodologie is gestructureerd in drie hoofdcomponenten:

Constructie van Heterogene Graph:
Het stedelijke mobiliteitssysteem wordt gemodelleerd als een heterogene graph waarbij knopen verschillende typen mobiliteitsvoorzieningen vertegenwoordigen (metrostations, bushaltes, deelfietsstations) en randen ruimtelijke verbindingen vertegenwoordigen (wegnetwerken, vervoersroutes).
- Knopen: Kenmerken zijn afgeleid van dagelijkse instromende passagiersdata (in 15-minutenintervallen van 06:00 tot 22:00) voor drie modi: Metro, Bus en Fiets.
- Randen: Er worden twee typen verbindingen gemodelleerd: randen van het vervoersnetwerk (bijvoorbeeld metrolijnen) en randen van het wegnetwerk (gecategoriseerd op type: hoofdweg, secundaire weg, woonwijk, enz.). Verbindingen tussen verschillende knoptypen (bijvoorbeeld lopen tussen een bushalte en een metrostation) worden gemodelleerd als kortste paden op het wegnetwerk.
- Labels: De intensiteit van het landgebruik wordt gedefinieerd door zes Point of Interest (POI)-categorieën (Kantoor, Voedselvoorziening, Vervoer, Detailhandel, Vrijetijdsbesteding, Wonen) binnen een opvanggebied van 1 km rondom elke knoop.
Heterogeneous Graph Neural Network (HGT) Model:
Het kernmodel is een Heterogeneous Graph Transformer ontworpen om meerdere knoop- en randtypen te verwerken.
- Feature-transformatie: Knopkenmerken worden geprojecteerd naar een uniforme ruimte op basis van hun specifieke knoptypen.
- Multi-Head Attention: Een multi-head attention-mechanisme berekent berichtrepresentaties van bron- naar doelpunten, rekening houdend met de specifieke typen bronknopen, doelpunten en verbindende randen.
- Aggregatie: Informatie wordt geaggregeerd van buren met behulp van attention-weights om knooprepresentaties bij te werken, gevolgd door een volledig verbonden laag om landgebruiksintensiteiten te voorspellen.
Post-hoc Verklaarbaarheid:
Om het black-box-probleem aan te pakken, hanteert het kader twee XAI-methoden:
- Feature Attribution: Met behulp van Integrated Gradients (en Gradient $\cdot$ Input) wordt de belangrijkheid van invoerkenmerken (bijvoorbeeld passagiersstroom op specifieke tijdstippen) voor de voorspelde landgebruikskwaliteit gekwantificeerd.
- Counterfactual Explanations (CE's): Een nieuwe notie gedefinieerd voor heterogene graphs om de minimale veranderingen te identificeren die nodig zijn in een subgraph (knopkenmerken, knoptypen, randtypen of structuur) om een voorspelling te verschuiven van de huidige staat naar een gewenste "gemengde" landgebruikstoestand. Dit omvat het berekenen van een lokale subgraph-dissimilariteitsmetriek die rekening houdt met verschillen in kenmerken, type en structuur.

Belangrijkste Bijdragen

Data-integratie: De auteurs construeren een heterogene graph die multi-modale mobiliteitsdata (Bus, Metro, Fiets) en topologienetwerkdata integreert, waardoor het leren van ruimtelijke representaties mogelijk wordt die de heterogeniteit van stedelijke vervoerssystemen vastleggen.
Nieuwe toepassing van HGN's: Dit werk is een pionier in de toepassing van Heterogeneous Graph Networks voor landgebruiksinferentie, specifiek gericht op ruimtelijke afhankelijkheden en de heterogeniteit van knopen en randen. De studie toont aan dat HGN's significant beter presteren dan baseline-modellen (NN, GCN, GAT, GraphSage, RGCN).
Verklaarbaarheidskader: Het artikel introduceert een analyse van feature attribution om het modelgedrag te verifiëren tegenover de verwachtingen van belanghebbenden (bijvoorbeeld forenspatronen) en definieert een nieuwe methode voor counterfactual explanations die is toegesneden op heterogene graphs. Dit stelt planners in staat niet alleen te begrijpen wat het model voorspelt, maar ook hoe specifieke invoermodificaties kunnen leiden tot verschillende, ideale uitkomsten.

Resultaten
Empirische experimenten werden uitgevoerd op een dataset die binnen- en centraal-Londen bestrijkt, met gebruikmaking van data van Transport for London (TfL) en OpenStreetMap.

Prestaties: Het voorgestelde HGT-model presteerde consistent beter dan alle baseline-modellen over alle zes landgebruiksindicatoren. De meest significante verbeteringen werden waargenomen bij 'Voedselvoorziening' (68,35% verbetering in MAE ten opzichte van NN) en 'Kantoor' (63,95% verbetering).
Ruimtelijke analyse: Analyse van de residuverdeling toonde aan dat HGT de systematische overschatting of onderschatting van specifieke gebieden aanzienlijk verminderde in vergelijking met homogene modellen (GCN), wat wijst op een betere hantering van ruimtelijke heterogeniteit.
Ablatiestudie: Experimenten waarbij specifieke vervoersmodi werden verwijderd, bevestigden dat verhoogde connectiviteit en heterogene informatie (combinatie van bus-, metro- en fietsdata) complementair en cruciaal zijn voor de voorspellingnauwkeurigheid, met name voor uitdagende categorieën zoals 'Vrijetijdsbesteding'.
Vindst op het gebied van verklaarbaarheid:
- Feature Attribution: De belangrijkheid van tijdskenmerken stemde overeen met bekende menselijke activiteitspatronen (bijvoorbeeld hoge ochtendinstroom voor woonwijken, hoge avondinstroom voor kantoor-/voedselvoorzieningsgebieden).
- Counterfactuals: Analyse toonde aan dat het bereiken van een "gemengde" landgebruikstoestand verschillende graden van verandering vereist, afhankelijk van de locatie. Voor sommige knopen was het veranderen van knopkenmerken (verkeersstroom) de primaire drijvende kracht, terwijl voor andere het veranderen van randtypen (weghiërarchie) of knoptypen kritischer was.

Betekenis en Claims
Het artikel claimt dat het voorgestelde kader een robuust, accuraat en transparant hulpmiddel biedt voor stedelijke belanghebbenden. Door te bewegen van onafhankelijke steekproefverwerking naar een heterogene graph-benadering, vangt het model complexe ruimtelijke afhankelijkheden en serviceheterogeniteit. Cruciaal is dat de integratie van post-hoc uitleg de kloof overbrugt tussen high-accuracy deep learning en de transparantie die vereist is voor beleidsvorming. De auteurs stellen dat deze inzichten – specifiek de mogelijkheid om modellogica te verifiëren tegenover expertkennis en "what-if"-scenario's te simuleren voor landgebruiksplanning – vertrouwen bouwen in door AI aangedreven stadsplanningshulpmiddelen. Het werk is bescheiden in omvang en erkent beperkingen zoals het gebruik van 1-hop-relaties en de afhankelijkheid van uitstroomdata, wat suggereert dat toekomstig werk multi-stapsoverdrachten en uitgebreidere data-invoer moet verkennen.