kraina-ai/srai

What it solves

SRAIは、機械学習のための空間表現の作成プロセスを標準化するために設計されたPythonライブラリです。地理空間ベクターデータの取得、地理的領域を管理可能なマイクロリージョンに分割、そしてそれらのリージョンをダウンストリームのAIタスクで使用可能なベクター埋め込みに変換するという複雑なワークフローを簡素化します。

How it works

このライブラリは、主に4つのステージで構成されるパイプラインを実装しています：

1. Data Acquisition: OpenStreetMap (OSM) や Overture Maps 用のローダー、および General Transit Feed Specification (GTFS) 公共交通データから特徴量を抽出するためのツールを提供します。
2. Regionalization: Uberの H3 (hexagons) 、 Googleの S2 (quad-cells) 、 Voronoi diagrams、または行政境界を使用して、対象エリアをより小さな単位に分割します。
3. Joining: 取得した空間的特徴を、Regionalization中に作成された特定のマイクロリージョンにマッピングします。
4. Embedding: Hex2Vec、GTFS2Vec、Highway2Vec、およびカウントベースの埋め込みを含む、さまざまな方法を使用して、結合されたデータをベクター空間に変換します。これらの方法の一部は PyTorch モデルを利用しており、学習または学習済みモデルとしてロードすることが可能です。

Who it’s for

地理空間機械学習、都市計画、および生の地理空間ベクターデータを機械学習可能なベクター表現に変換する必要があるあらゆるアプリケーションに焦点を当てているデータサイエンティストやAI研究者。

Highlights

• Multi-source data loading: OSM、Overture Maps、および GTFS を統合的にサポートしています。
• Flexible regionalization: 複数のグリッドシステム (H3, S2) とカスタム境界をサポートしています。
• Diverse embedding algorithms: 空間的コンテキストを捉えるために、Hex2Vec や Highway2Vec のような研究に基づいたいくつかの手法を実装しています。
• PyTorch integration: torchベースの埋め込み器を使用して、データの fit と transform が可能です。
• Built-in datasets: ダウンストリームタスクのテスト用に、準備済みのデータセットとベンチマークが含まれています。