geoai-city2graph-pattern

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