geoai-city2graph-pattern

name	geoai-city2graph-pattern
description	Patrón GeoAI con City2Graph: convertir datos geoespaciales en grafos para Graph Neural Networks y análisis de redes urbanas. Integración GeoPandas → NetworkX → PyTorch Geometric. Modelado de transporte, proximidad, flujo de movilidad.
version	1.0.0
category	data-science
tags	["data-science","geoai","city2graph","GNN"]

GeoAI City2Graph Pattern

Patrón para convertir datos geoespaciales en grafos para Graph Neural Networks (GNNs) y análisis de redes urbanas usando City2Graph.

Referencia: https://github.com/c2g-dev/city2graph (1.2k⭐, DOI: 10.5281/zenodo.15858845)

¿Qué es City2Graph?

Biblioteca Python que transforma datasets geoespaciales en representaciones graph, proporcionando una interfaz integrada entre GeoPandas, NetworkX y PyTorch Geometric.

pip install city2graph
pip install city2graph[cpu]  # Con PyTorch y PyG

Casos de Uso Principales

1. Graph Construction for GeoAI

Construir grafos a partir de datos urbanos (edificios, calles, uso de suelo) para aplicaciones GeoAI y GNN.

2. Transportation Network Modeling

Consultar feeds GTFS a través de DuckDB y construir grafos de transporte detallados para análisis de accesibilidad.

3. Proximity and Contiguity Analysis

Crear grafos basados en proximidad espacial y adyacencia, incluyendo filtrado de distancia multi-centro y isocronas.

4. Mobility Flow Analysis

Modelar y analizar patrones de movilidad urbana desde bike-sharing, migración y flujos peatonales.

Pipeline Típico

import city2graph as c2g
import geopandas as gpd

# 1. Cargar datos geoespaciales
streets = gpd.read_file("streets.geojson")
buildings = gpd.read_file("buildings.geojson")
poi = gpd.read_file("poi.geojson")

# 2. Construir grafo
graph = c2g.build_graph(
    streets=streets,
    buildings=buildings,
    poi=poi,
    method="projected"  # o "geographic"
)

# 3. Extraer features para GNN
node_features = graph.node_features
edge_index = graph.edge_index
y = graph.labels

# 4. Entrenar GNN con PyTorch Geometric
from torch_geometric.data import Data
data = Data(x=node_features, edge_index=edge_index, y=y)

Integración con Datos de Transporte (Ntizar)

Este patrón es directamente aplicable a los proyectos de transporte de Ntizar:

NAP Dashboard (Transportes de España)

• GTFS feeds de todos los operadores de transporte españoles
• Construir grafos de rutas, paradas y conexiones
• Análisis de accesibilidad y cobertura
• Isocronas de tiempo de viaje

Bicimad Integration

• Estaciones de bicimad como nodos del grafo
• Conexiones físicas como aristas
• Análisis de red de movilidad

Faros España

• Rutas marítimas como grafos
• Análisis de conectividad portuaria

Patrones Avanzados

Isochrone Graphs

# Isocronas multi-centro para análisis de accesibilidad
isochrones = c2g.compute_isochrones(
    network=graph,
    origins=stations,
    max_time=1800,  # 30 minutos
    steps=60
)

POI Proximity Graphs

# Grafos de proximidad basados en POIs
poi_graph = c2g.build_proximity_graph(
    points=poi,
    method="knn",
    k=10,
    weights="distance"
)

GTFS Transit Graph

# Grafo de transporte público desde GTFS
transit_graph = c2g.build_transit_graph(
    gtfs_dir="/path/to/gtfs",
    duckdb_path="transit.db"
)

Aplicación al Sistema Eléctrico

El patrón GeoAI puede extenderse al SistemaEléctricoFuturo:

• Subestaciones como nodos
• Líneas de transmisión como aristas
• Análisis de estrés de red con GNNs
• Predicción de fallos con graph convolution

Beneficios del Patrón

1. Unificación: GeoPandas → NetworkX → PyG en una sola API
2. Escalabilidad: Soporta datasets grandes con optimizaciones
3. Multi-dominio: Calles, transporte, edificios, POIs, movilidad
4. GNN-ready: Salida directa en formato PyTorch Geometric
5. Reproductible: DOI zenodo, tests, CI/CD

Limitaciones Conocidas

• Requiere datos geoespaciales en formatos compatibles (GeoJSON, Shapefile, etc.)
• El procesamiento de grafos grandes puede ser intensivo en memoria
• Las isocronas requieren un grafo de red de transporte pre-construido