近日，依托上海交通大学AI for Science科学数据开源开放平台，在上海市人工智能重大专项的支持下，上海交通大学计算机学院、人工智能研究院AI for Science团队许岩岩副教授、金耀辉教授、杨小康教授等人，联合美国加州大学伯克利分校Marta C. González教授团队，在人工智能赋能城市科学领域（AI for Urban Science）取得重要原创进展。相关研究以“Transferable Human Mobility Network Reconstruction with neuroGravity”为题，被《Nature Computational Science》正式接收，展现了人工智能与物理模型融合赋能城市与公共健康研究的巨大潜力。

人类移动（Human Mobility）是城市运转的基本驱动力，对城市规划、交通管理与传染病防控等重大问题至关重要。然而在欠发达地区，尤其是“全球南方”（Global South），高昂的出行调查成本与薄弱的基础设施，导致可靠的人口流动数据长期缺失。本研究提出了一个物理启发的深度学习模型neuroGravity，仅依靠公开可得的城市设施与人口分布数据，即可在极少观测下重建可靠的城市人口流动网络，并迁移到从未观测过的城市，为数据资源匮乏地区的城市科学研究提供了一条可扩展的新路径。

论文信息

Yang, J., Huang, S., Huang, Z., Jin, Y., Yang, X., González, M. C. & Xu, Y. Transferable Human Mobility Network Reconstruction with neuroGravity. Nature Computational Science (2026).

代码与数据

GitHub：https://github.com/urbanmobility/NeuroGravity

全球1200+城市与地区估计的移动网络：https://doi.org/10.5281/zenodo.19727864

图1. neuroGravity的设计理念与潜在能力。基于稀疏观测重建城市人口流动网络，融合物理模型的可解释性与图神经网络的拟合能力(a)；利用区域表征推断收入、教育、碳足迹等社会经济与宜居性指标(b)；将训练好的模型零样本迁移至未观测城市(c)；并已应用于全球1200余个城市与地区的流动估计(d)。

研究背景

理解人类移动模式，是应对城市规划、交通治理与流行病防控等挑战的基础。传统方法通过人工出行调查采集居民出行需求；信息通信技术的普及使得手机信令等数据可被聚合为流动网络，成为便捷有效的数据来源。然而在欠发达地区，由于交通、通信等基础设施受限，可靠的流动信息依然极度匮乏。

为应对数据短缺问题，研究者提出使用物理模型来估计城市内部各区域之间的人口流动。早在1946年，Zipf便提出了经典的引力模型（Gravity Model），利用人口规模与出行距离估算城际流量，因其简洁实用，至今仍是估计人口流动网络的主要物理模型之一。虽然物理模型可解释性高、迁移性强，却因输入信息与参数有限而拟合能力不足。近十年来，深度学习被引入这一领域以刻画更复杂的流动模式，但是却面临新的难题--因其容易过拟合、可解释性弱，迁移到特征差异较大的城市时表现尤其不稳定。

研究者由此提出了核心问题：能否构建一个深度融合物理规律的深度学习模型，既保留引力模型的可解释性与可迁移性，又具备图神经网络刻画复杂空间依赖的能力，从而在仅有公开数据、几乎没有本地观测的情况下，可靠地重建城市人口流动网络？

创新成果

围绕上述问题，团队提出了物理启发的深度学习模型neuroGravity，将经典引力模型与图神经网络统一到同一框架中，可直接估计任意两个区域之间人口流动的绝对值。模型首先从公开的OpenStreetMap提取高维建成环境特征（建筑、土地利用、兴趣点、路网等）与人口分布，通过连接预测器确定可能存在流动的起讫点对，再由“深度参数化引力模型”（meta-Gravity）给出具备物理意义的基础流量估计，最后经由边增强的图神经网络在对数空间中精修，既保留了引力律的乘性与幂律关系，又能捕捉城市特有的复杂空间依赖。

图2. neuroGravity的模型架构。从人口与建成环境特征出发(a)，预测可能存在流动的区域对(b)，由meta-Gravity给出物理约束下的基础流量(c)，再经边增强Graph-BERT在对数空间完成最终重建(d)。

（一）极少观测下的高精度重建。以波士顿为例，其人口流动网络在250个区域之间包含51786条边（起讫点对）。即便仅观测其中1%的内部起讫点对（496条），neuroGravity仍能将整张网络重建至R²=0.77，显著优于引力模型（R²=0.59）。在波士顿、洛杉矶、旧金山湾区、波尔图、波哥大、利雅得等六座城市的测试中，neuroGravity始终稳定领先，在最具挑战性的10%观测场景下，相比表现最佳的基线方法平均提升R²达38%。

图3. 稀疏观测下的人口流动重建。波士顿、洛杉矶、旧金山湾区在10%观测下的重建效果(a-c)；波士顿散点显示neuroGravity比引力模型更贴近真实流量(d-e)；多城市、多观测比例下neuroGravity在R²与CPC指标上持续领先(f-g)。

（二）区域表征映射社会经济画像。neuroGravity在重建流动的同时，会生成蕴含城市功能结构的区域表征。研究发现，这些表征与收入、教育、碳足迹、二氧化氮浓度、回转半径等社会经济与宜居性指标高度相关--尽管训练中从未使用过这些数据。结合梯度提升模型，这些表征可作为传统调查与环境监测的低成本替代，为大规模社会经济分析提供了可扩展的代理变量。

图4. 利用neuroGravity区域表征推断社会经济与宜居性指标。波士顿区域表征在二维空间中呈现与收入相关的聚类，表征距离越远区域间收入差异越大(a-b)；结合OSM特征与表征可估计多类指标，且联合输入优于单独使用(c-d)；SHAP分析显示neuroGravity表征是跨城市、跨指标预测中的重要变量(e)。

（三）跨城市零样本迁移与空间收入隔离。将基于波士顿数据训练的模型直接迁移到从未观测的城市，neuroGravity在洛杉矶、旧金山湾区分别取得R²=0.69、0.61，几乎与使用10%本地观测的结果（0.70、0.60）持平。更重要的是，团队揭示了空间收入隔离(spatial income segregation)是决定迁移能力的关键因素，即源城市与目标城市的收入空间分布混合程度越相近，迁移越准确；源城市的收入空间分布混合程度越好、隔离程度越低，其出行模式的可泛用性越高。研究过程中，研究者受Chodrow工作的启发，基于Bregman信息的可分解性，设计了空间收入隔离指数(spatial income Segregation Index，简称SI，“源-目标城市的SI差异”是最具影响力的变量），在此基础上使用一个简单的线性模型，即可高精度预测六座城市之间两两迁移的效果（预测迁移指标和真实迁移指标拟合的总体R²=0.97）。

图5. 跨城市人口流动生成性能及其与空间收入隔离的关系。基于波士顿数据训练的neuro-Gravity零样本迁移至洛杉矶、旧金山湾区、波哥大与里约热内卢(a)；城市间迁移R2热力图显示收入分布相近的城市更易互相迁移(b)；空间收入隔离指数SI的定义(c)；迁移精度随源-目标城市SI差异增大而下降(d-f)。

（四）全球尺度应用与公共健康验证。团队最终将模型应用于全球1200余个城市与地区，生成人口流动网络代理数据；在撒哈拉以南非洲的两个数据极度匮乏地区，模型估计结果与实地出行调查高度吻合；具体来说，以生成流量驱动SEIR传染病模型，其疫情动态与真实流量驱动的结果高度一致，验证了neuroGravity在数据稀缺地区支撑疫情研判的实用价值。

研究意义

该研究将物理模型的可解释性、可迁移性与深度学习刻画复杂模式的能力有机融合，在仅依赖公开数据的前提下实现了城市人口流动网络的高精度重建与跨城市迁移，并首次揭示了空间收入隔离对模型迁移能力的决定性作用。它不仅为城市规划、交通治理与传染病防控提供了一种可扩展、低成本的流动数据来源，更为推动“全球南方”等数据稀缺地区城市科学与公共健康研究的公平发展，提供了切实可行的工具与范式。

作者信息

上海交通大学人工智能研究院博士生杨津铭为本文第一作者，许岩岩副教授、金耀辉教授、杨小康教授为本文通讯作者。本研究得到上海市人工智能重大专项、国家自然科学基金的资助，并获上海交通大学AI for Science科学数据开源开放平台的算力支持。

团队介绍

上海交通大学计算机学院、人工智能研究院AI for Science团队在杨小康教授、金耀辉教授、许岩岩副教授带领下，包括二十余位博士后与硕博研究生，重点研究人工智能+复杂科学，生成式人工智能与科学大模型，自动化科学实验等。自2023年初起构建白玉兰科学大模型，涵盖化学合成全功能，并建立了白玉兰合成科学自主智能实验室。在城市科学方向，团队聚焦人工智能和大数据赋能人类移动建模、城市动力学、智慧能源与公共健康等重大问题，提出了一系列原创解决方案。团队研究成果已发表于Nature Energy、Nature Computational Science(封面)、Nature Machine Intelligence、Science Advances以及CCF A类会议。团队所在的人工智能研究院、人工智能教育部重点实验室计算资源丰富，积累了大量数据与基础模型，并与国内外多个团队紧密合作，形成交叉学科研究体系。